Un LLM peut-il interroger directement des données blockchain ?
Mis à jour en août 2026
Pas seul. Un modèle de langage n'a aucune connexion à une blockchain ni de connaissance fiable de son contenu — tout ce qu'il produit de mémoire à propos de soldes, de transactions ou de prix doit être considéré comme inventé.
Donnez-lui cependant un outil sur des données indexées, et il devient une interface réellement bonne. Le modèle traduit votre question en requête ; les données viennent de votre pipeline.
Pourquoi le modèle ne peut-il pas simplement savoir ?
Aucun accès réseau. Un modèle seul ne peut pas atteindre un nœud ou une API. Sans outil, il répond à partir des données d'entraînement.
Les données d'entraînement sont périmées et limitées. Même lorsqu'un modèle a assimilé du contenu blockchain, il s'agit d'un instantané pris au moment de l'entraînement. L'état de la chaîne change toutes les quelques secondes.
Les valeurs précises sont exactement ce que les modèles ratent. Adresses, soldes, hachages de transaction — c'est précisément le genre de détail qu'un modèle produira de façon plausible et incorrecte. Une adresse à 42 caractères hallucinée a l'air parfaitement réelle.
Le mode d'échec est confiant et précis, ce qui le rend pire qu'un refus.
Qu'est-ce qui fonctionne à la place ?
Donnez au modèle un outil et laissez-le récupérer les données.
| Approche | Fiabilité | Pourquoi |
|---|---|---|
| Demander au modèle de mémoire | Mauvaise | Valeurs inventées, données périmées |
| Coller des résultats de requête dans le prompt | Bonne | Données réelles, étape manuelle |
| Lui donner un outil sur des données indexées | Bonne | Données réelles, aucune étape manuelle |
Avec un outil — un serveur MCP, une API, une interface SQL contrainte — le modèle fait ce qu'il fait réellement bien : comprendre une question ambiguë, choisir la bonne requête, et expliquer le résultat dans son contexte.
Pour quoi les modèles sont-ils réellement bons ici ?
Traduire une intention en requêtes. « À quels pools ce wallet a-t-il fourni de la liquidité le trimestre dernier » est une question claire et une requête pénible. Les modèles gèrent bien cette traduction.
Expliquer les résultats. Transformer des lignes en résumé lisible, repérer l'anomalie, signaler ce qui est inhabituel.
Écrire le pipeline. C'est l'aspect sous-estimé. Avec les compétences d'agent Substreams installées, un assistant peut construire lui-même le pipeline d'indexation — et dans une évaluation publiée, des pipelines construits par un agent ont atteint 100 % de réussite de build et d'exécution, avec 12 des 14 correspondant exactement à des références de référence.
La réponse honnête est donc à plusieurs niveaux : un modèle ne peut pas interroger directement une chaîne, mais il peut construire l'outil qui le peut, puis interroger cet outil.
À quoi faire attention ?
Vérifiez les valeurs précises. Si un modèle énonce un solde ou un hachage sans appel d'outil derrière, considérez-le comme de la fiction.
Contraignez la surface de requête. Du SQL non restreint invite aux scans complets de table. Exposez plutôt des opérations limitées.
Soyez explicite sur la finalité. Un modèle n'a aucune intuition que les blocs récents peuvent subir une réorganisation de chaîne. Si cela compte, votre outil devrait le signaler dans sa sortie.
Questions fréquentes
Puis-je faire confiance à la réponse d'un LLM sur le solde d'un wallet ? Uniquement si elle provient d'un appel d'outil. De mémoire, non.
Quelle est la configuration minimale ? Des données indexées dans une base de données plus une interface d'outil que l'assistant peut appeler.
Un modèle peut-il construire mon pipeline d'indexation ? Pour Substreams, oui — voir puis-je construire un package Substreams sans connaître Rust ?
Obtenez une clé API sur thegraph.market — aucune information personnelle requise.
Voir aussi : Comment les agents IA accèdent-ils aux données onchain ? · Qu'est-ce qu'un serveur MCP pour les données blockchain ? · Puis-je construire un package Substreams sans connaître Rust ?