gmgn-minicpm 把 GMGN 的加密货币研究搬到你自己的机器上：一个 1B 模型充当只读 Agent，不调用云端 LLM，没有 API 账单，断网也能跑。多数人接 GMGN 会选 Claude 或 GPT，这个项目换成了 MiniCPM5-1B，约 1B 参数，原生支持工具调用，跑在端侧。项目本身是一层很薄的 TypeScript 桥接，零运行时依赖，只做三件事：把模型吐出的 tool_calls 转成安全的 gmgn-cli 命令，执行，再把 JSON 结果交回模型。

Plain Text

  "what's smart money buying on sol right now?"
                 │
                 ▼
        MiniCPM5-1B  ──(OpenAI-style tool_calls)──►  gmgn-local bridge
        (local, SGLang)                                   │
                 ▲                                        ▼  (execFile, no shell)
                 └────────────(JSON result)──────  gmgn-cli track smartmoney --chain sol --raw
                                                          │
                                                          ▼
                                                     GMGN OpenAPI

为什么做这个

• 没有 API 账单：模型跑在自己的硬件上，只需付 GMGN 的数据配额。
• 低延迟，可离线：不用等云端往返，适合长时间挂着的监控程序。
• 小巧，好审计：零运行时依赖，原生 Node TypeScript，每个工具都是白名单里的一条子命令。

安全设计

这一版是 v1，只读。接入的全是市场、代币、钱包相关的研究工具。会动资金的命令（swap、multi-swap、order、cooking）没有注册，桥接层也会硬拦。作者的理由很简单：不能让一个在自动循环里跑的 1B 模型持有转账能力。将来即使支持 swap，也要先过人工确认。

本应用不构成投资建议：它只读数据，决策还是你自己的事。

工作原理

• src/tools.ts：只读工具注册表。每一项是一个 OpenAI 风格的函数 schema，以及它对应的 gmgn-cli 子命令；snake_case 参数会转成 --kebab-case。
• src/bridge.ts：校验工具调用，检查必填参数，丢掉模型编出来的参数，拦下涉及资金的命令，最后拼出 argv 数组。
• src/gmgnCli.ts：用 execFile 跑 gmgn-cli，传 argv 数组，不经过 shell，参数没法注入；加上 --raw，再解析 JSON。
• src/agent.ts：模型循环。发消息和工具，执行返回的 tool_calls，回传结果，直到模型给出最终答案（迭代上限由 GMGN_LOCAL_MAX_ITERS 控制）。

工具（v1）

• token：info · security · pool · holders · traders
• market：kline · trending · trenches · signal · hot-searches
• portfolio：info · holdings · activity · stats · token-balance · created-tokens
• track：follow-tokens · follow-wallet · kol · smartmoney

让 1B 模型稳定运行的经验

1B 模型不是前沿大模型，仓库里不少设计都是围绕这个前提做的：

• 限制生成长度（GMGN_LOCAL_MAX_TOKENS，默认 1024）。小模型出错时容易陷进循环，不停输出工具调用 JSON，直到撑满上下文，llama.cpp 直接返回 500。限制 token 数能避开这个坑。
• 截断工具结果（GMGN_LOCAL_MAX_TOOL_RESULT_CHARS，默认 4000）。一次 trending 就有约 7 KB，几次不限长的结果就能挤爆 8k 上下文。建议用 -c 32768 启动服务，留出余量。
• 在桥接层校验枚举值。模型偶尔会编出 "5" 这样的 chain 值，bridge.ts 会以 must be one of: sol, bsc, base, eth 拒掉，模型有机会自己改，错误参数不会被送进命令行。

这些粗糙的地方，正是后面的 LoRA 微调想解决的。

快速开始

环境要求：

• Node.js ≥ 24。原生类型剥离可以直接跑 TypeScript 源码，不用构建。
• 装好并配置 gmgn-cli：npm install -g gmgn-cli，然后运行 gmgn-cli config。
• 一个本地服务，为 MiniCPM5-1B 提供 OpenAI 兼容的 /v1/chat/completions，并且支持工具调用：
  • Apple Silicon / CPU：用 llama.cpp 的 llama-server，这条路已经验证过。加上 --jinja 后，MiniCPM5 的工具调用会被解析成原生 OpenAI tool_calls。
  • NVIDIA / CUDA：用 SGLang，加上 --tool-call-parser minicpm5。

已验证环境：Apple M4 Pro / 48 GB，MiniCPM5-1B F16 GGUF 跑在 llama-server 上，Metal 加速约 90–100 tok/s。从模型到 gmgn-cli 再到回答的整条链路，已经在真实 GMGN 数据上跑通。

Bash

git clone https://github.com/dvictor357/gmgn-minicpm
cd gmgn-minicpm
cp .env.example .env

# 1. 启动模型服务（首次运行会自动从 HF 下载 F16 GGUF）
bash scripts/serve-llamacpp.sh          # NVIDIA 用户：scripts/serve-sglang.sh

# 2. 提问
node src/cli.ts "what is smart money buying on solana right now?"

# 或进入交互式 REPL
node src/cli.ts

加上 --verbose 可以打印模型发起的每一次工具调用；node src/cli.ts --list-tools 能在不启动模型的情况下查看可用工具。

路线图

• LoRA 数据集生成器：npm run dataset 基于真实 GMGN 数据构建 (query → tool_call → gold answer) 数据集，金标准答案以确定性方式生成。
• LoRA 微调并融合为 GGUF（在 Apple Silicon 上使用 MLX-LM），提升复合路由、参数选择和简洁判断的可靠性。
• 受控的 swap：在强制人工确认或规则引擎之后加入动用资金的工具，绝不由模型直接决定。
• 7×24 监控模式：盯住 trending / signals 并发提醒。

链接

• GitHub：dvictor357/gmgn-minicpm