Meme币跟单常被机器人和虚假钱包操纵，风险极高。这项研究提出了一种多智能体LLM框架，通过拆解任务和链式思考，能精准识别拉盘骗局和优质资产，让跟单决策更稳健、盈利更有保障。
智能速览
传统跟单因依赖历史收益，极易被拉盘砸盘等行为误导。
研究提出可解释的多智能体LLM框架，系统性识别骗局。
框架将决策流程拆分为四类Agent，模拟专业团队协作。
算法能从链上数据中直接识别洗量和隐藏持仓等操纵行为。
结合交易、K线和文本多模态信息联合判断Meme质量，避免误判。
该框架在识别精度上显著优于传统模型，稳定达到70%以上。
精华内容
这一多智能体框架如何具体运作，又是如何通过技术手段洞察骗局细节？
分工式决策
该框架的核心是模拟专业资产管理团队的协作模式。它将复杂的Meme币跟单任务，智能拆解为四个关键角色：Meme评估Agent负责分析代币基本面，钱包评估Agent甄别真实影响力用户，资金管理Agent制定仓位策略，交易执行Agent负责下单操作。
这种分工明确的设计，让每个Agent都能专注于自身领域，从而做出更精准的判断，避免了单一模型处理复杂任务时的顾此失彼。
算法级识别
针对操纵市场的机器人，研究提出了具体的链上检测算法。它能精准识别“Bundle Bot”，这类机器人通过大量钱包集中买入制造虚假繁荣；也能识别“Bump Bot”，这类通过买卖对称性操作进行“洗量”，制造交易活跃假象。
算法直接从交易块和资金流数据入手，捕捉这些行为留下的痕迹，实现了对操纵行为的根源性识别。
多模态判断
为避免单一信号造成的误判，框架在评估Meme币质量时采用了多模态联合判断。它不仅分析链上的交易指标和K线形态，还会抓取并分析相关的社交媒体评论文本。
通过量化交易数据、视觉图表和社区情绪，框架能构建一个更全面、更立体的资产画像，有效过滤掉仅靠短期炒作维持热度的项目。
可解释的CoT
该框架的一大亮点是引入了链式思考机制。每个Agent在决策时，都会通过Few-Shot学习的方式，模拟资深交易员的逻辑推理过程，并输出其判断依据。
这使得整个决策过程不再是黑箱，而是完全可审计、可复盘的。用户可以清晰地看到AI为何推荐某个Meme币或标记某个钱包为可疑，极大地增强了系统的可信度和实用性。
这项研究为高风险的Meme币市场提供了一套强有力的AI防御工具。它不仅提升了跟单的稳健性，也展示了LLM在复杂金融决策中的应用潜力，未来或将成为DeFi领域标配的风控模型。
