🤖 三大 AI 集体深入解读 DLMM 机制 任何东西都一样，如果只是日常使用，你并不需要知道底层技术原理。 🚴‍♀️ 就像绝大多数人相信都会骑自行车，但真要解释自行车为什么不会倒，这个问题科学界花了 100 多年还在给出不同的解释。 DLMM 同理。 之前起码用了一年半以上，通过网站前端，无非也就是选择池子、费率、流动性策略等。 不懂底层原理，照用无误。 但最近想要通过程序来接入 DLMM，自动化增减流动性，那么很有必要仔细探究一番。 面对这类技术性、原理性问题，深度解读的话，使用各大 AI 模型的 Deep Research 那就恰如其分了。 我现在的问题是：需要深入理解 DLMM 的底层运作原理，尤其是要如何接入其 SDK、选择价格区间、选择流动性策略等。 于是，我选择如下工具： 1、Gemini 2.5 Deep Research 2、OpenAI O3 Pro Deep Research 3、Claude Opus 4 Research 同样的问题，让三大 AI 工具分别深入探索，给出各自的报告。 基于三大报告，更新了不少认知： 1️⃣ DLMM 几个核心概念 1、Position（流动性仓位） 2、Bin（价格桶） 3、Fee（手续费模型） 4、Strategy（做市策略模块） 2️⃣ Position 每个 Position 就是你部署的一个流动性范围。 可选： 1、平衡仓位 2、非平衡仓位 3、单边流动性仓位 这点确实比 UniSwap V3 灵活、自由。实际使用体验来看，也确实很为 LP 着想。 3️⃣ DLMM 的 Bin Bin 的设计，有几点创新（其实深受 Trader Joe 的流动性账本 Liquidity Book 模型启发） 1、单一 Bin 内使用公式 x+y = L⋅P 2、单一 Bin 内代币兑换零滑点 3、只有 Active Bin 的流动性才能获取交易费用 4、只有 Active Bin 才有两种代币（其他非活跃 Bin 都只是单边流动性） 4️⃣ Fee 这里的手续费有 基础费用 (base fee) 和 动态费用 (dynamic fee) 之分。 固定的基础费用，加上根据波动性大小动态调节的 dynamic fee，为了补偿 LP 的无常损失。 5️⃣ Strategy 我重新审视了下这个三个策略，修正了一直以来的偏见（我总觉得 Spot、Curve 才是做市策略的征途， Bid-Ask 是邪路 😳） 其实不然，可以这么说， Bid-Ask 是一种混合了做市策略和量化交易策略的东西。 什么场景、如何用好它，看你功力。 一番报告阅读下来，不得不说， @MeteoraAG 在 LP 这件事上，确实是动了脑筋、下了功夫的。