「這需要領域知識。」聽起來像寫第一行程式前就得先讀上幾百小時。但有了 AI，何不先廣泛探索，再篩選，用真實交易驗證？這很適合找 DeFi 小價差的機器人。問題是別的機器人可能搶先拿走利潤。你剛去撿零錢，旁邊已經出現工業級吸塵器。
1. 領域知識就是理解市場的運作方式
領域知識指熟悉特定產業的規則、慣例、例外與失敗模式，與會寫 Python 不同。程式回答「怎麼做」，產業知識回答「機會在哪裡、為什麼可能失敗」。DeFi 的價格形成、流動性、網路費用、成交可靠度及機器人競爭都很關鍵。
2. AI 可以顛倒傳統的學習順序
過去是先學習，再提出假設、開發、驗證。如今可以利用 AI 大量發想、篩選、小額測試，再從結果累積判斷力。方向包括交易場所價差、清算、贖回、跨鏈橋與特殊兌換路徑。但「一百個賺錢點子」也可能只是一百個寫得很漂亮的猜測。
3. 價差不等於實際入帳
逐項評估資金需求、交易費、鏈上成本、價格衝擊、失敗費用、成交機率與競爭。淨結果＝價差收益－交易費－網路成本－不利價格變動－失敗成本。 假設 ETH 在一個市場為 30 萬日圓，另一處為 31 萬，表面相差一萬。但實際價格與費用會變動，螢幕上的獲利還沒進錢包。
4. MEV 是從交易順序取得額外價值
MEV 是透過決定區塊收錄、排除哪些交易及其排序來提取價值。以太坊官方資料列出套利、借貸清算與夾擊交易等例子。[1] 機器人可能搶先執行、緊接著回收價差，或在大額交易前後安排自己的交易。最後一種可能讓一般用戶得到更差的成交價格。
5. 輸給別的機器人未必是 MEV
兩個機器人也可能獨立發現相同價差。要確認 MEV，應查看區塊排列與鏈上紀錄。先發現不保證先成交，競爭者的出價或提交管道也可能使機會消失。[1] AI 模擬的正報酬不代表實際收到錢。
6. 以成交結果作為最後篩選
知名套利市場競爭激烈；冷門資產或複雜贖回也許有被忽略的機會，但仍需驗證。先小額測試、扣除所有費用，淨收益消失就停；不把傷害他人資產的漏洞當成機會。由 AI 擴大搜尋，以真實成交縮小候選，最後把證據變成領域知識。 如果 MEV 機器人又搶先，今天的尋寶就變成吸塵器評測。
參考資料: [1] Ethereum.org, “Maximal extractable value (MEV)” — https://ethereum.org/en/developers/docs/mev/
