數據與提示——輸入結構與驗證準則

1. 起點：輸出品質取決於輸入結構

第 1 課已在交易工作流程中定位 AI 的六個嵌入點，資訊組織處於最前端。若摘要不準確、日期混淆或來源無法追溯，後續的假設生成、回測討論與風控清單只會放大初始偏差。因此，第 2 課不著重於「如何提出更佳問題」的技巧，而是聚焦輸入階段所需的結構性紀律——讓模型輸出預設為待驗證對象，而非既定事實。

在交易語境中，所謂的幻覺通常並非模型蓄意捏造，而是產出流暢且自信的內容，卻無法對應可驗證的原始來源。常見形式包括：編造公告或連結、混淆市值與流通供應量、將過時數據套用於當前議題、使用「鏈上數據顯示」等措辭卻不提供地址、時間區間或統計標準。解決方案並非拒絕 AI，而在於為進入決策鏈的每一則資訊指定來源等級、時間邊界與驗證步驟。

2. 來源分級：建構可操作的分類框架

在向 AI 提交材料前，建議對資訊來源進行分級，並要求模型在提示中為每個關鍵點標註等級。分級的目的並非形式化，而是明確哪些內容可作為事實陳述、哪些僅能做為線索或未經證實的判斷。

• 一級來源包括項目官網、GitHub 發布記錄、交易所與監管公告、區塊鏈瀏覽器及可匯出的交易數據。這些材料相對可靠，但仍需警惕釣魚頁面與偽造公告——連結與域名應手動核實。

• 二級來源包括研究機構報告、審計文件與儲備證明頁面；有助於理解機制，但需檢查發布日期與審計範圍是否涵蓋當前結構。

• 主流媒體對政策的解讀可供參考，但關鍵結論應與原始文件交叉比對。

• 社交媒體、KOL 及社群內容僅適合作為問題發現的入口，不應獨立作為交易依據。匿名截圖與「內部消息」預設排除在交易邏輯之外。

提示詞可要求：事實性陳述僅允許使用高等級來源；中低等級來源必須標註為「據稱」或「未經證實」；缺失來源或日期的項目應統一標記為待驗證。即便模型仍可能出錯，這種輸出格式也有助於人工篩選。

3. 時間戳與標準：加密貨幣數據易於出現在新語境下的舊數據

模型訓練與檢索皆滯後於即時發展，專案機制也經常升級。查詢時應指定時間範圍——例如，僅分析某個日期之後的材料；將可能過時的資訊標記為「截至 [日期]」。比較價格或指標時，需明確蠟燭圖週期、交易所、交易對、現貨或永續合約等。對於鏈上統計數據，應指明鏈名稱、合約地址、統計區間，以及是否包含交易所流入/流出。同一問題在不同標準下可能得出相反結論；標準應作為提示的固定欄位，而非事後補充。

4. 倖存者敘事與矛盾證據

加密貨幣討論常只展示盈利案例、僅使用牛市樣本或引用上漲時期的回測結果。AI 敘述傾向讓故事聽起來完整，而忽略失敗的對照樣本。應對措施包括：要求同時提供支持與反對的證據；指定樣本量與時間框架；當證據不足時明確回答「無法判斷」，而非強行得出結論。研究型對話更適合呈現情境與失敗條件，而非直接輸出多空建議。

5. 提示結構：約束形式而非修辭

有效的提示通常包含四個部分：

• 範圍陳述 —— 研究助理角色，不提供代幣推薦，不保證回報

• 約束條件 —— 不得編造連結、標記不確定性、來源分級規則

• 輸出格式 —— 論點、依據、來源等級、日期、失效條件

• 驗證步驟 —— 需人工檢查的內容，例如開啟公告 URL 或核實鏈上交易雜湊

每次對話結束時，產出一份驗證清單，在進入假設或交易步驟前由人工完成。提示長度不是關鍵，關鍵在於來源、時間框架與標準是否已鎖定。

6. 數據分工：數字由人類提供，模型負責解讀

更穩健的分工方式為：市場與鏈上數據應從 API、交易所或瀏覽器匯出，並以原始表格或明確欄位形式交給 AI；模型負責解讀意義、識別不一致並協助建構假設——但不會獨立產出關鍵價值判斷。若模型參與計算，要求其顯示公式與中間步驟，核心結論由人工重新計算。過長對話容易導致語境偏移；重要議題應另開新線程，已核實的事實應單獨歸檔供後續引用，以減少語境污染。

7. 課程總結

本課探討了使用 AI 之前的步驟：材料從哪裡來、是否包含日期與標準、低等級來源能否作為交易依據。幻覺與倖存者敘事通常並非模型在「胡言亂語」，而是輸入中包含了無法驗證的陳述、過時數據或精心挑選的成功案例。透過將來源分級、時間邊界與驗證清單納入固定流程，輸出預設成為需驗證的草稿，而後才能進入假設或倉位討論。下一課將涵蓋策略驗證：清理輸入後，還需分別審視數據、成本與樣本外結果——僅憑回測曲線並不能驗證策略。