人工智能編碼代理正在改變分析師和研究人員與數據交互的方式。他們不再需要逐行編寫腳本，只需向人工智能代理提供假設或研究問題，它就會編寫代碼、獲取數據、運行分析並返回結果。
本文將通過一個循序漸進的真實示例，指導 AI 代理如何通過Glassnode CLI 下載數據、運行統計分析並生成可用於發佈的圖表，所有操作均通過自然語言提示完成。
你需要準備什麼
- 訪問人工智能代理
在本教程中，我們使用Claude Code ，但任何能夠執行 Python 和 shell 命令的代理都可以工作，包括 ChatGPT 的 Codex、Cursor、Github Copilot、Google Gemini CLI、OpenClaw 或類似工具。
- Glassnode CLI（
gn）
Glassnode API 的命令行界面。請按照Glassnode CLI 文檔安裝並配置您的 API 密鑰。需要 API 密鑰。
提示
我們將評估以下假設：極端BTC交易流入事件能夠預測未來7天的資金回撤。為此，我們將使用以下提示指示 Claude Code：
使用Glassnode CLI 下載過去一年的BTC每日交易所流入量和收盤價數據。分析流入量激增（流入量高於平均值兩個標準差以上的日子）是否能預測接下來 7 天的下跌。請提供包含統計數據和結果的摘要。
就這些。一句話描述問題，另一句話定義方法。剩下的就交給智能體處理了。
代理人做什麼
在後臺，該代理執行一系列步驟：
- 通過運行
gn metric list和gn metric describe來發現正確的指標路徑和有效參數。 - 通過
gn metric get下載數據，保存交易所流入量（transactions/transfers_volume_to_exchanges_sum）和收盤價（market/price_usd_close）的 CSV 文件。 - 編寫並運行 Python 分析，計算峰值Threshold，識別峰值日，計算未來 7 天最大回撤，並將峰值日與正常日進行比較。
代理人返回了一份易於理解的摘要：
雖然這只是一個示例，但我們的實驗確實揭示了交易所資金流入高峰與隨後回撤之間存在一定程度的關聯。平均而言，資金流入高峰日的回撤幅度比非高峰日高出約1.9個百分點。然而，由於樣本中只有10個資金流入高峰日，且這種影響集中在兩個波動較大的時期，因此該信號僅具有提示性，而非統計上的穩健性。要進行嚴格的回測，需要考慮重疊的時間窗口、控制波動機制、使用特定時間點的數據，並進行樣本外驗證。
結果可視化
將數據可視化是驗證數字是否可靠的好方法。在這個過程中，只需一個簡單的後續提示即可：
創建一個可視化圖表，將數據以時間序列的形式顯示出來。
從這裡開始，您可以不斷迭代：調整圖表、完善分析，或將研究引向不同的方向，所有這些都可以通過自然語言對話完成。
在Glassnode Data 上開始使用 AI 加密研究
Glassnode CLI 需要 API 密鑰，該密鑰僅供Glassnode專業版訂閱用戶使用。
- 安裝Glassnode CLI 並配置您的 API 密鑰。請參閱文檔。
- 打開你常用的AI編碼代理程序（Claude Code、Codex、Cursor、 Gemini CLI、OpenClawETC）。
- 開始引導提問。可以嘗試問一些類似這樣的問題：
- “下載過去 6 個月的ETH質押存款數據並繪製趨勢圖”
- “比較過去90天內BTC和ETH的交易淨流量”
- “找出與BTC30天收益率相關性最高的指標”
Glassnode CLI 允許代理發現並檢索指標數據，無需手動查找 API 或編寫重複代碼。結合 AI 編碼代理， Glassnode CLI 可在幾分鐘內將研究問題轉化為結果。
