一句话总结

作者提出 ManiScope，一个 LLM 辅助的可视化分析系统，该系统协调 token 分布、持有者关系、可疑交易模式和价格动态，用于分析加密货币市场中基于交易的操纵风险，并引入了一个人-LLM 协作框架，其中 LLM 作为共同分析师推断用户意图并呈现证据，从而减少风险评估中的人工工作量。

核心贡献

• ManiScope 是一个可视化分析系统，集成了 token 分布、多层次持有者关系、可疑交易模式、详细的持有者行为以及价格动态的协调视图，以支持加密货币市场的操纵风险评估。
• 该系统引入了一个人-LLM 协作的可视化分析框架，LLM 作为共同分析师，从交互上下文中推断用户的分析意图，并主动呈现相关的可视化、统计和综合证据，以减少重复的假设-证据迭代。
• 两项案例研究和一项针对 12 名经验丰富的加密货币从业者的用户研究表明，ManiScope 支持有效的操纵风险评估，减少了证据搜寻中的人工工作量，并有助于围绕用户假设组织生成的发现。

引言

加密货币市场操纵，包括洗盘交易和拉高出货计划，造成数十亿美元的损失，并且由于监管有限而难以评估。链上交易数据提供了直接证据，但先前的检测方法是回顾性的，难以应对不断演变的策略，且可解释性有限，而现有的可视化分析工具仅关注单一的操纵类型或证据来源，需要大量的人工工作。作者提出了 ManiScope，一个 LLM 辅助的可视化分析系统，将持有者分布、关系、可疑交易模式和市场动态的协调视图与人-LLM 协作框架相结合。该框架从交互中推断用户的分析意图和假设，主动呈现相关发现，并帮助用户组织证据，以减少重复工作并加强风险评估。

方法

作者开发了 ManiScope，该系统包含一个基础可视化分析系统和一个人-LLM 协作的可视化分析框架。基础系统支持灵活的证据建模和协调可视化，而协作框架减少了重复的假设-证据迭代，并支持严格的基于证据的推理。

如下图所示，ManiScope 界面将基础可视化分析系统与 LLM 助手组件集成在一起。

基础可视化分析系统建立在链上交易数据之上，包括交易和转账。为支持用户可定制的数据建模，系统提供了动态计算服务。Token 分布处理模块允许用户选择余额快照并指定阈值来筛选顶级持有者，将其余的归入“其他”类别。实体与关系检测模块定义了参数化规则，用于根据网络、相似性和可疑模式标准识别潜在实体和持有者间关系。可疑交易模式标记模块应用参数化规则，例如往返规则和同向规则，来标记潜在的洗盘交易和协同同向交易模式。

基础可视化分析界面由四个协调组件组成：Token 分布视图、操纵视图、行为详情视图和控制面板。Token 分布视图是一个增强的节点-链接图，描绘了顶级持有者之间的 token 分布及其关系。操纵视图使用蜡烛图和条形图显示价格动态以及随时间推移由规则标记的可疑交易模式。行为详情视图在时间线上展示所选持有者及相关账户在操作、余额和收益方面的详细行为。控制面板支持可配置的数据处理和证据建模。

在基础系统之上，作者提出了一个人-LLM 协作的可视化分析框架。该框架将人类可视化分析工作流建模为假设驱动的知识生成过程，并通过上下文感知的 LLM 分析工作流对其进行增强。

参考框架图，了解人-LLM 协作的可视化分析框架的概览。

该框架结合了共享的数据-模型-可视化基础、假设驱动的人类可视化分析工作流和上下文感知的 LLM 分析工作流。基础可视化分析系统实例化了数据、模型和可视化组件。人类工作流通过过滤、模型配置、可视化交互和笔记记录来捕捉用户探索。LLM 作为共同分析师嵌入到探索和验证过程中，解释用户交互和当前可视化上下文，以在共享的分析基础上进行分析。

LLM 工作流分为三个阶段运行：假设推断与生成、分析规划和发现生成。

如下图所示，LLM 工作流详细说明了这三个阶段。

在假设推断与生成阶段，作者引入了一种上下文感知的自底向上建模策略。agent 将用户交互序列与当前可视化上下文的截图作为输入，并逐步从低级交互证据中推断假设。建模过程分为三个层次：解释单个交互动作以推断发现和任务，将发现聚合成综合发现和分析目标，以及推断用户正在形成或试图验证的假设。agent 还可以推导出新的假设以扩展推理路径。

在分析规划阶段，系统识别用户当前推理中的缺口，并提出额外的验证方向。agent 从当前假设及其相关目标进行自顶向下的规划，将缺失的分析支持分解为可视化和统计操作。可视化分支参数化相关视图以检查可疑模式，而统计分支检索原始数据和模型输出进行计算。

在发现生成阶段，agent 使用可视化分析或统计操作执行计划的任务。对于可视化分析操作，agent 生成可视化并检查模式以获得可视化发现。对于统计操作，agent 检索数据并执行脚本以获得统计发现。这些低级发现根据推断的分析目标进行整合，并合成为支持、反驳或完善当前及衍生假设的结构化证据。

该系统实现为一个基于 Web 的原型，前端使用 Vue，后端使用 Python/FastAPI。后端管理已处理的交易和转账，计算可配置的余额快照、持有者关系、实体和可疑模式标记。LLM 工作流使用相同的分析基础，调用与模型无关的 LLM 后端进行假设推断、规划和发现生成，并在需要证据时执行可视化或统计的后续操作。

实验

ManiScope 通过两项案例研究（涉及两名经验丰富的分析师）和一项对照用户研究（涉及 12 名加密货币从业者，将其与基线反应式 LLM 助手进行比较）进行了评估。案例研究表明，系统如何从用户交互中推断假设，自动收集支持性和反驳性证据，并减少跨视图的人工迭代。用户研究证实，ManiScope 的人-LLM 协作框架显著改善了证据组织，减少了人工工作量，并加强了基于证据的推理，同时参与者赞赏其主动、结构化的分析风格，尽管也注意到复杂性的增加和对更具批判性 LLM 支持的期望。

PNUT token 在较短的 9 天观察期内，记录了比 ACT 更高的交易笔数、美元交易量和独立地址数，而 ACT 被追踪了 21 天。两种 token 的转账活动均超过交易活动，PNUT 显示出特别强烈的钱包间转移。尽管 ACT 启动更早，但 PNUT 在所有指标上的链上参与度都明显更高。PNUT 的交易量从超过一百万笔交易中达到近 9.5 亿美元，超过了 ACT 从较少交易中获得的约 6.3 亿美元，尽管 PNUT 的观察期不到一半。两种 token 的转账交易笔数都远多于交易笔数，PNUT 转账移动了 609.9 亿枚 token，而交易中移动了 485.7 亿枚，表明存在大量非交易所的转移。

在一项用户研究中，ManiScope 生成了 26 个假设和 293 项发现，具有较高的一致性和相关性评分。大多数假设是从用户交互中推断出来的，而发现涵盖了可视化、统计和综合类型，反映了系统适应多样化分析路径的能力。参与者确认生成的内容与他们的推理基本匹配，超过 90% 的假设和发现被评为一致或相关。假设主要从用户痕迹中推断（26 个中的 20 个），其余由 LLM 推导。生成的发现平均每个假设 11.27 个，每个用户 24.42 个，统计和综合发现的数量超过了纯可视化发现。96.2% 的假设被评为与用户推理一致，93.5% 的发现被认为相关。对于 92.3% 的假设，发现充分性被评为“是”或“部分”，表明对大多数分析问题提供了足够的支持。

两项实验评估了链上 token 活动和一个可视化分析系统。PNUT 和 ACT token 在不同时间窗口内的比较显示，PNUT 在交易量、交易额和独立地址方面表现出显著更高的参与度，转账活动主导了交易活动，表明存在强烈的钱包间转移。ManiScope 的用户研究表明，系统生成的假设和发现与用户推理高度一致，超过 90% 被评为一致或相关，并且大多数假设是从交互痕迹中推断出来的，支持多样化的分析路径。