SpamScore：Rarible 的 AI 驱动 NFT 合集验证
概览
SpamScore 是 Rarible 基础设施中的一个专用微服务子系统，用于自动识别和标记垃圾与诈骗 NFT 合集。通过利用先进的 AI 与机器学习技术，它为合集是否可信或存在欺诈风险提供量化评估。
工作原理
评分体系
SpamScore 为每个 NFT 合集分配一个介于 0 到 1 的数值：
- 0.00 - 0.79：可信合集
- ≥ 0.80：标记为垃圾/诈骗
任何得分在 0.80 或以上的合集都被视为诈骗，并可能在 Rarible 平台中被过滤或标记。
技术架构
该系统以微服务形式构建，包含以下关键组件：
1. AI 基础
- 模型：OpenAI 的 GPT-4o-mini
- 目的：分析合集特征并进行智能分类
2. 向量嵌入
- 存储：pgvector（PostgreSQL 扩展）
- 模型：OpenAI 的 text-embedding-3-small
- 目的：为合集创建语义表示以进行相似度匹配
3. 数据收集
对于每个合集，系统会分析：
- 合集名称
- 符号（Symbol）
- 描述
- 创作者地址
RAG 方法
SpamScore 实现了检索增强生成（RAG）架构，将以下要素结合在一起：
训练数据集
系统使用 1,000 个参考合集进行训练：
- 500 个“优质”合集：已验证的可信合集，SpamScore = 0
- 500 个“劣质”合集：已知垃圾/诈骗合集，SpamScore ≥ 0.80
流程
向量化：将所有参考合集转换为嵌入并存储在 pgvector 中
新合集评估：当检测到新合集时：
- 提取其名称、符号、描述和创作者
- 生成该合集的嵌入
- 从向量数据库检索相似合集
- 使用 GPT-4o-mini 分析相似性与模式
- 基于分析分配垃圾评分
持续监控：平台上的每个新合集都会被自动评估
为什么选择 RAG？
RAG 方法具有以下优势：
- 具备上下文意识：将新合集与已知的优劣示例进行对比
- 语义理解：超越关键词匹配，理解含义与意图
- 可扩展：高效处理大量新合集
- 自适应：可随着垃圾手法演变而更新新示例
影响
通过自动化垃圾检测，SpamScore 有助于：
- 保护用户免受诈骗合集侵害
- 维护平台质量
- 减少人工审核负担
- 提升 Rarible 上的用户体验
技术栈摘要
| 组件 | 技术 |
|---|---|
| AI 模型 | GPT-4o-mini |
| 嵌入 | text-embedding-3-small |
| 向量存储 | pgvector |
| 架构 | 微服务 + RAG |
| 评估 | 实时、自动化 |
注：该系统是现代 AI 技术（LLM、嵌入、RAG）在 Web3 场景中解决实际问题的务实应用。