Leveraging Large Language Models to Bridge On-chain and Off-chain Transparency in Stablecoins

一、文章主要内容总结该研究聚焦稳定币（如USDT、USDC）链上与链下透明度脱节的核心问题，提出了一个基于大型语言模型（LLM）的自动化分析框架，旨在整合链上可验证数据与链下非结构化披露信息，实现稳定币透明度的跨模态统一评估。研究背景：稳定币作为加密生态与传统金融的桥梁，其稳定性依赖发行控制与储备证明的耦合，但链上可追溯交易与链下非结构化披露（如PDF报告、监管说明）长期割裂，导致数据不一致、审计困难，2022年UST崩溃、2025年USDe脱锚等事件凸显了这一问题的系统性风险。核心框架：模块一（数据收集）：聚合2022-2024年USDT、USDC的链上数据（市值、价格、交易量等，来自CoinGecko）与链下数据（发行方透明度报告、储备证明等，来自Tether和Circle）；模块二（MCP统一层）：通过模型上下文协议（MCP）标准化异构数据源访问，实现时间轴对齐与跨域数据检索；模块三（LLM分析合成）：以GPT-5为核心，通过多智能体（披露解析、事件检索、综合分析）协同，提取链下关键指标并与链上数据映射，量化披露与实际流通的差异。实证结果：USDT：流动性强但披露不规则（季度报告），2022年5月因Terra崩溃出现异常披露，依赖流动性深度维持市场信心；USDC：披露标准化（月度审计），数据一致性高，虽市值收缩但透明度治理更优；关键事件验证：成