用 AI 提前识别 3 个 Rug Pull 的案例研究

1. 这套复盘怎么做 #

选材思路：取最近一段时间内已被 Etherscan / Solscan / DEXTools 或多家媒体公开确认的 rug pull / exit scam 类型，挑 3 个具有代表性的形态（以下为示意原型）：

• A 类：DeFi 协议，Solana 链，rug 时 TVL 在数百万美元量级
• B 类：meme 币 + GameFi 概念，Base 链，市值曾达到约千万美元量级
• C 类：基础设施类，以太坊主网，慢速跑路数周、累计提走约百万美元量级

方法：把"rug 前 7 天"的所有公开信息整理成材料包给 AI，包括：

让三个 AI 各跑几次、取多次输出的共识，最后人工对照"rug 实际发生"做后验。

2. 场景 A：能识别出的"团队空地址" #

A 类是 Solana 链上的 DeFi 协议。这类情形里，偏稳健的模型（如 Claude 这类）大多数情况下会给出"高风险"判定，理由通常聚焦在三个点：

第一，部署人地址历史。把项目合约部署人地址给 Claude，让它分析"这个地址在部署本项目前有没有部署过其他合约"。拿到 Solscan 数据后，它能指出该地址此前部署过的其他合约里有几个已经停止维护、合约 owner 提走了流动性。这是 AI 真正擅长的事——对相似 pattern 的关联识别。

第二，团队 LinkedIn 反查。项目官网若列了若干团队成员的 LinkedIn 链接，Perplexity 联网抓取这些公开 profile 后，常能发现部分 profile 的"创建时间 / connection 数 / endorsement 数"模式异常（connection 很少、profile 创建时间很短、endorsement 像复制粘贴），从而判定"团队页大概率是合成身份"。这种交叉验证人类做要花一两小时，AI 几十分钟就能给初稿。

第三，TVL 增长曲线 vs 用户地址增长曲线背离。如果 Dune 数据显示项目 TVL 短期大幅增长、但持币地址数增长很有限，ChatGPT 这类模型会点出："这意味着 TVL 主要由少数大额地址贡献，而非有机增长。结合 rug 风险，应警惕大户撤资引发挤兑。"

这类 A 形态的项目往往在很短时间后真实 rug。这种场景里 AI 是真的有用——只要你给的信息够，AI 几十分钟内能把人类需要做的好几项尽调动作并行处理。

3. 场景 B：能识别出的"抄袭合约 + 假团队" #

B 类挂的旗号是"GameFi + meme"，Base 链。这类项目里，AI 识别的核心信号是合约抄袭。

把这类项目的 verified 源码丢给 ChatGPT Code Interpreter，让它和已知的若干开源 token 合约做相似度对比。常见结果是：合约和某个早先的 rug 项目源码高度相似、唯一改动是变量名和事件名。高相似度本身不直接等于 rug，但配合"部署人是新地址 / 团队全员匿名 / Twitter 账号注册时间很短"这套组合，AI 通常会把它评为高风险。

另一个 AI 识别得很漂亮的点：白皮书。把几十页白皮书投喂给 Claude（长 context 一次读完），它常能找出几处"硬伤"，例如：

• 路线图 Q2 提到的"和 X 合作"，X 在 Twitter 上从未承认过这个合作
• "由 CertiK 审计"——但 CertiK 公开数据库无对应记录
• tokenomics 章节里"团队 + 顾问 + 私募" 加起来占总量 67%，但分配图饼图标的是 35%
• 团队联合创始人引用的"前 Coinbase 工程师"经历，Coinbase 公司没有此员工的 GitHub 提交记录

其中"声称审计但权威数据库查不到"最关键——它在 rug 项目里出现的频率高得惊人，AI 看到这条线索后通常会把风险评级直接拉高。这种"声称 vs 公开记录"的核对是 AI 的强项，因为它不带感情、不被项目方话术影响。

4. 场景 C：没识别出的"慢速 rug" #

这才是这篇文章最值钱的一节。C 类是以太坊主网的基础设施项目，跑路用了数周、累计转走百万美元量级。这类情形里，AI 的多次输出往往全部判定"低风险"或"中等风险"。

为什么 AI 看不出来？拆开看有四个原因：

原因 1：合约本身真审计过。这类项目可能找了一家二线审计公司做了真实审计，报告在 GitHub 上、权威数据库也能查到。AI 看到"已审计 + 报告可验证"就把"合约层 rug 风险"打了低分。但合约本身没问题，不代表项目不会 rug——团队后来通过 multisig 慢慢转移 treasury 钱包资产，这个动作在合约层无法被识别。

原因 2：团队全实名 + LinkedIn 真实。这类项目的团队成员可能都用实名，LinkedIn 创建多年、connection 数很高、前雇主是大厂。AI 把"团队可验证"也打了正分。但实名团队照样可以做 rug——只是他们用了"我们项目战略转型"这种话术，慢速撤资。

原因 3：rug 信号在治理论坛，不在链上。这类情形里，去 Discord 治理频道翻历史，常能发现 rug 前几周团队就在 RFC 里"暗示项目方向调整"——这些是文字信号，藏在大量治理讨论里。如果投喂给 AI 的"社交舆情"只给了关键词聚合、没给原始讨论文本，AI 就抓不到"治理频道讨论密度异常上升 + 团队回应延迟"这种二阶信号。

原因 4：慢速 rug 没有突变点。AI（以及大多数 rug 检测工具）依赖"异常突变"作为信号——TVL 暴跌、大额转账、流动性突撤。慢速 rug 每天只转走很小一笔，累计才到百万美元量级，任何单日数字看上去都很正常。这是 rug 演化的方向：从一次性激进 rug 转向慢速温水煮青蛙。

C 类的结论是：AI 对"老派 rug"（团队空地址 + 合约抄袭 + 假身份）效果很好，对"慢速 rug"几乎无效。这正是调整尽调流程时最值得记住的一条。

5. AI 看 rug 真正擅长的 5 类信号 #

把 3 个案例的成功和失败合起来看，AI 在 rug 识别上有明确的能力边界。下面 5 类是它真的能帮上忙的：

1. 地址历史关联：部署人地址过去 6-12 个月部署过的其他合约的命运。这一条是 AI 工具相对人类最大的速度优势——人类做一次要 1 小时，AI 几分钟。
2. 合约源码相似度：尤其是和已知 rug 合约的相似度。Code Interpreter / Claude 都能做。
3. 团队身份合成验证：LinkedIn / GitHub / 历史发言的交叉验证，Perplexity 联网做最快。
4. 白皮书 vs 现实核对：声称的审计 / 投资人 / 合作方在公开数据库是否能查到，Claude 长文档处理最强。
5. 链上指标背离：TVL / Holder / Volume 三组数据之间是否一致，Dune 数据 + ChatGPT/Claude 分析。

AI 几乎做不到的：嗅出"温水煮青蛙"。慢速 rug、治理操控、长期价值稀释——这些需要人类对项目文化的长期跟踪。

6. 可复用的 Prompt 模板 #

这套模板可以在每次看新项目时跑一遍，半小时左右就能挡掉绝大多数老派 rug：

你是一位严格的加密项目尽调员。基于以下材料，给我一份 rug pull 风险评估（0-10 分）。

材料：
[1] 合约部署人地址：{ADDRESS}
[2] 合约 verified 源码：{SOURCE_CODE}
[3] 团队页 LinkedIn 链接列表：{LINKS}
[4] 白皮书 PDF：{ATTACHED}
[5] 近 30 天链上指标：TVL={X}, Holders={Y}, Top10 集中度={Z}%
[6] 项目声称的审计方：{AUDITOR}

要求：
1. 对每个红旗信号给出"证据 + 评级（低/中/高）"，不空说。
2. 不要预测"会不会 rug"，只描述当前风险结构。
3. 如果材料不足以判断某项，写"信息不足"。
4. 最后给 0-10 分，并给出"不该投资"的 3 个最强理由（如果没有强理由就直接写"无明显红旗"）。
5. 给出 3 个你看不出来的方向（自己的盲区）。

最后一条"给出 3 个你看不出来的方向"值得专门加上——逼 AI 承认局限，反而让输出更可信。如果 AI 列出"我无法看到 Discord 内部讨论"这种盲区，你就知道要去人工补这一块。

AI 不能挡所有 rug。但它能挡掉 70% 的低成本 rug，让你把人脑算力留给那些真的"看起来正经"的项目深度跟踪。

查看 Binance 现货研究 看完整 Prompt 库 →

— PromptDeck, 2026-04-25