Beberapa Opsi Kalo Mau Bikin AI Agent

17 Aug, 2026

Kalau sekarang lagi bingung mau bikin AI agent untuk crypto, pilihan yang paling gampang memang kelihatan jelas:

"scan token -> filter market cap -> cek liquidity -> cek smart money -> kasih alert."

Masalahnya, hampir semua terminal on-chain sudah bergerak ke arah sana.

GMGN sudah punya smart-money tracking, wallet radar, real-time wallet activity, token activity, sampai integrasi AI agent untuk membaca wallet dan posisi smart money.

Moby juga sudah mengemas whale flow, smart-money signals, DCA activity, volume, filter, dan alert dalam satu interface.

Jadi kalau mau bikin agent yang menarik, saya justru akan mencari informasi yang muncul sebelum signal standar terbentuk.

Ada beberapa arah yang menurut saya masih cukup underrated.

1. Agent yang Mencari "Dead Token Resurrection"

Kebanyakan scanner mencari token yang sedang naik. Agent ini melakukan kebalikannya.

Cari token yang pernah punya:

runner sebelumnya,
volume besar,
holder base yang cukup,
liquidity yang masih hidup,

lalu mengalami drawdown besar, dan sekarang mulai menunjukkan perubahan perilaku.

Contohnya:

OLD RUNNER
   |
   v   (-80% / -95%)
Volume collapses
   |
   v
Sell pressure decreases
   |
   v
Old holders stop distributing
   |
   v
New wallets start accumulating
   |
   v
Liquidity stabil
   |
   v
Price barely moves
   |
   v
ABSORPTION
   |
   v
RECLAIM

Yang dicari bukan:

"Token ini sudah turun 90%, murah."

Yang dicari:

"Apakah supply yang dulu dijual mulai diserap oleh cohort baru?"

Ini bisa dibuat menjadi event-driven agent.

Agent menyimpan market memory token:

TokenMemory
|-- previous_runner
|-- previous_ATH
|-- max_drawdown
|-- old_holder_cohort
|-- new_holder_cohort
|-- liquidity_history
|-- volume_history
|-- wallet_rotation
|-- smart_money_history
`-- price_response

Lalu setiap ada aktivitas baru, agent tidak melihat token sebagai snapshot. Ia membandingkan:

NOW vs WHAT THIS TOKEN USED TO BE

Ini jauh lebih menarik daripada sekadar "oversold scanner".

2. Agent yang Mendeteksi Wallet Migration

Ini salah satu yang paling ingin saya eksperimenkan.

Kebanyakan wallet tracker bertanya:

"Wallet ini membeli token apa?"

Agent yang berbeda bertanya:

"Wallet ini sedang pindah ke mana?"

Misalnya:

SOL ecosystem
   |
   v
Profitable wallet cohort
   |
   v
Activity declines
   |
   v
Capital moves
   |
   v
New chain
   |
   v
Same wallets start trading
   |
   v
Other profitable wallets follow

Ini bisa menjadi capital migration detector.

Bukan hanya wallet -> token. Tetapi:

wallet -> chain -> ecosystem -> narrative -> token

GMGN sendiri sudah memiliki data untuk tracking wallet, wallet radar, historical PnL, earliest buys, shared holdings, dan wallet activity.

Artinya data dasarnya sudah ada. Yang menarik adalah decision layer di atas data tersebut.

Robinhood Chain menjadi contoh yang bagus untuk eksperimen seperti ini:

mencapai $10B cumulative DEX volume dalam 22 hari setelah public mainnet;
lebih dari 80% volume awalnya berasal dari memecoin;
CoinGecko mencatat memecoin mengambil sekitar 79.2% DEX volume Robinhood Chain pada 27 Juli 2026.

Kalau ada cohort trader yang sebelumnya aktif di Solana/Base/ETH lalu mulai pindah ke RH Chain sebelum volume chain terlihat jelas di dashboard umum, agent semacam ini berpotensi menangkap ecosystem rotation lebih awal.

3. Agent yang Membaca Attention -> Capital -> Price

Ini mungkin lebih menarik daripada social sentiment agent. Karena sentiment sendiri terlalu mudah ditiru.

Yang ingin diukur adalah urutannya:

ATTENTION
   |
   v
NEW WALLETS
   |
   v
CAPITAL
   |
   v
LIQUIDITY
   |
   v
PRICE

Skenario A

Metrik	Perubahan
Callout	+300%
New wallets	+150%
Volume	+220%
Liquidity	+12%
Price	+90%

Agent bertanya:

"Kenapa attention tumbuh jauh lebih cepat daripada liquidity?"

Skenario B

Metrik	Perubahan
Attention	+70%
New wallets	+65%
Liquidity	+80%
Volume	+95%
Price	+10%

Ini jauh lebih menarik. Capital dan liquidity sudah masuk, tetapi price belum banyak merespons. Itu bisa menjadi kandidat absorption / delayed repricing.

Ada dasar riset untuk memisahkan attention dari price:

Paper di Journal of Banking & Finance (2025) menemukan abnormal Twitter attention berhubungan positif dengan return crypto pada hari yang sama dan hari berikutnya. Kenaikan satu standar deviasi abnormal attention berkaitan dengan sekitar 0.72% excess return pada hari yang sama dan 0.11% pada hari berikutnya. Efeknya lebih kuat pada ticker tweets dari pengguna dibanding official tweets.
Riset high-frequency lain menemukan kenaikan 1% volume tweet berkaitan dengan sekitar 7% perbaikan liquidity Bitcoin dalam 5-10 menit berikutnya, dengan efek yang mulai melemah setelah sekitar satu jam.

Jadi agent-nya tidak perlu bertanya:

"Apakah Twitter bullish?"

Lebih berguna kalau bertanya:

"Apa yang terjadi pada liquidity dan wallet behavior setelah attention masuk?"

4. Agent yang Mencari "Smart Money Absence"

Ini agak kontra terhadap cara kebanyakan dashboard bekerja.

Biasanya:

Smart money naik = bullish

Agent ini mencari pola:

Price                 UP
Attention             UP
Retail wallets        UP
--------------------------------
High-quality wallets  FLAT / ABSENT

Itu menjadi negative signal.

Misalnya token naik 80%. GMGN menunjukkan:

Metrik	Nilai
New wallets	+420
Transactions	+300
Volume	+250
Social attention	+500

Kelihatannya bagus. Tetapi:

Repeat profitable wallets = no meaningful accumulation

Agent memberi:

SIGNAL: FOMO DIVERGENCE HIGH

Ada penelitian yang menunjukkan retail attention dan institutional attention dapat memiliki efek berbeda pada return, volatility, dan liquidity crypto. Dalam studi 2022 tersebut, retail attention cenderung memperbesar idiosyncratic risk, sementara institutional attention memiliki pola yang berbeda.

Jadi "siapa yang tidak ikut" bisa menjadi feature.

5. Agent yang Mengukur Callout -> Wallet Lag

Ini sangat cocok kalau sudah punya akses ke GMGN + Moby + social data.

Jangan menjadikan callout sebagai entry signal. Jadikan callout sebagai timestamp.

T+0 min    Token disebut oleh KOL
T+2 min    New wallets arrive
T+4 min    Smart wallets interact
T+7 min    Liquidity expands
T+11 min   Price accelerates

Agent kemudian mempelajari pola waktunya.

Yang dicari:

ATTENTION -> CAPITAL QUALITY -> LIQUIDITY -> PRICE

Kalau price bergerak duluan:

ATTENTION -> PRICE -> WALLETS

signal-nya berbeda.

Kalau wallet quality masuk sebelum price:

ATTENTION -> QUALITY CAPITAL -> LIQUIDITY -> PRICE

itu lebih menarik.

Riset attention crypto juga menunjukkan bahwa jenis dan visibility social content berpengaruh terhadap kemampuan attention memprediksi return.

Jadi agent tidak perlu membaca semua tweet. Ia bisa mempelajari sequence of events.

6. Agent yang Mencari Liquidity-Attention Mismatch

Ini bisa dibuat sangat sederhana.

       Attention Growth
LAM = ----------------------
       Liquidity Growth

Contoh A

Metrik	Nilai
Attention	+400%
Volume	+250%
Unique wallets	+180%
Liquidity	+8%

LAM sangat tinggi. Agent memberi:

SIGNAL: LIQUIDITY LAG HIGH

Contoh B

Metrik	Nilai
Attention	+80%
Volume	+100%
Unique wallets	+70%
Liquidity	+90%

Strukturnya lebih sehat.

Kita juga bisa memasukkan market cap:

       Attention x Wallet Growth x Volume Growth
LAM = ---------------------------------------------
       Liquidity Growth x Market Depth

Tidak perlu menganggap formula ini sebagai alpha yang sudah terbukti. Ia lebih cocok sebagai feature untuk backtest.

7. Agent yang Tidak Mencari Market Leader

Ini juga menarik.

Misalnya sebuah narrative mulai bergerak:

TOKEN A +500% -> semua orang masuk ke A.

Agent justru mencari TOKEN B, TOKEN C, TOKEN D dengan karakter:

narrative exposure sama,
wallet cohort overlap,
liquidity masih cukup,
valuation lebih kecil,
belum mendapat attention yang sama,
tetapi capital flow mulai masuk.

Ini bisa disebut: second-order narrative rotation.

Logic-nya:

NARRATIVE LEADER
   |
   v
Capital discovery
   |
   v
Wallet cohort
   |
   v
Related assets
   |
   v
SECOND-ORDER ACCUMULATION

Agent tidak mengejar token yang sudah menjadi pusat perhatian. Ia mencari spillover dari perhatian tersebut.

Kalau Harus Memilih Satu

Kalau saya harus membuat agent baru sekarang, saya tidak akan membuat:

"Find me good tokens."

Saya akan membuat:

"Find me behavioral changes that the market has not fully priced yet."

Pipeline

                           DATA
                            |
          +-----------------+-----------------+
          |                 |                 |
          v                 v                 v
       SOCIAL            ON-CHAIN           WALLET
      ATTENTION          ACTIVITY            FLOW
          |                 |                 |
          +-----------------+-----------------+
                            |
                            v
                     EVENT TIMELINE
                            |
               +------------+------------+
               |                         |
               v                         v
          CAPITAL FLOW               LIQUIDITY
               |                         |
               +------------+------------+
                            |
                            v
                     PRICE RESPONSE
                            |
                            v
                  DIVERGENCE ENGINE
                            |
                            v
                      MARKET MEMORY
                            |
                            v
                     DECISION LAYER
                            |
          +-----------------+-----------------+
          |                 |                 |
          v                 v                 v
        ABSORB            ROTATION            FOMO
          |                 |                 |
          v                 v                 v
        WATCH              WATCH            REJECT

Di sini LLM cuma salah satu komponen.

Bagian yang lebih penting adalah:

event store + feature engine + historical memory + decision layer

Output yang Diharapkan

Agent harus bisa mengatakan:

"Attention naik 340% dalam 18 menit. New wallets naik 121%. Liquidity hanya naik 14%. High-quality wallet participation belum berubah. Price sudah naik 67%. Struktur ini lebih mirip attention-led expansion daripada capital-led accumulation."

Atau:

"Token sudah turun 91% dari ATH. Volume masih rendah, tetapi sell-side pressure turun selama 9 jam. Tiga wallet dengan historical realized profitability tinggi mulai membangun posisi. Liquidity naik 22%, sementara price hanya naik 4%. Kondisi ini masuk resurrection-watch."

Itu jauh lebih berguna daripada:

"BUY. Smart money detected."

Wajib Bisa Diuji

Ini juga yang membuat agent punya sesuatu yang bisa diuji. Bukan sekadar apakah alert-nya terlihat pintar, tetapi:

signal
   -> timestamp
   -> market state
   -> subsequent return
   -> max adverse excursion
   -> liquidity change
   -> wallet behavior
   -> outcome

Lalu backtest.

Kalau ternyata wallet migration, attention-capital lag, atau dead-token resurrection tidak punya predictive value setelah biaya, slippage, dan regime filter dimasukkan -> buang.
Kalau salah satunya tetap bertahan out-of-sample -> baru layak dijadikan bagian dari Decision Layer.

Penutup

Untuk orang yang sekarang bingung "mau bikin agent apa?", menurut saya ini arah yang lebih menarik daripada membuat satu lagi bot yang hanya membaca trending tokens.

GMGN sendiri sudah menunjukkan bahwa raw smart-money tracking, wallet radar, dan real-time alerts sudah menjadi fitur yang relatif standar.

Cari sesuatu yang bisa membuat agent melihat perubahan perilaku, bukan hanya membaca kondisi pasar yang sudah terlihat.