本文整理自我用 growthepie.com 做研究时记录下来的一系列问题和答案，涵盖数据来源、指标定义方法论陷阱、以及几个值得长期跟踪的结构性信号。写下来主要是给自己留档，也希望对同样在用链上数据做研究的人有点参考价值。
growthepie 是一个开放数据分析平台，专注可视化以太坊主网和 L2 生态数据，代码在 GitHub 上开源，MIT 协议。它走的是典型的"公共品资助"模式——不是 VC 投的商业公司，收入主要来自以太坊生态内的资助计划（比如 Octant、Gitcoin 这类）加自筹维持运营。这个背景值得记一笔：因为不靠商业变现，数据被刻意扭曲的动机相对小，可信度上会比某些交易所自己出的数据报告更中立一些。
growthepie 首页有个"AI Agent Adoption"板块，追踪的是 ERC-8004（"Trustless Agents"）标准的落地情况。这个标准要解决的问题是：AI Agent 之间已经能通过 A2A、MCP 这类协议互相通信、调用工具、执行任务了，但一个自主 agent 遇到从未合作过的另一个 agent 时，没有内建方式验证对方是否可信。
标准设计了三层注册表：
三者的区别一句话总结：Identity 回答"这个 agent 是谁"，Reputation 回答"别人觉得它干得怎么样（主观）"，Validation 回答"它这次具体做的事是否真的对（客观、可核验）"。
Registration（身份注册数）和 Review（信誉反馈数）是两个独立指标，不要混着解读：registration 走平、review 快速上升，说明的是"存量 agent 的实际使用密度在增长"，而不是"新用户涌入放缓"——这其实是更健康的采用信号。
而且 Validation 完成后并不会自动计入 Review 计数。Reputation Registry 和 Validation Registry 是两个完全独立的合约、两套独立的事件流，唯一的关联方式是"引用"——一条 review 反馈可以在结构里附带一个指向 validation 记录的可选引用字段，但不存在自动合并计数的机制。这意味着 review 曲线再陡峭，也不能证明真正的客观核验（validation）在同步增长，这两条数据得分开查。growthepie 目前的可视化里，Validation Registry 的数据是缺失的，需要自己去查合约原始事件或 Dune。
Blob 是 EIP-4844（"原型 Danksharding"）给 L2 提供的专属低成本数据存储通道，L2 把交易数据打包进 blob 发到主网，约 18 天后可丢弃，比老的 calldata 方式便宜很多。
图上有两条线：橙色是实际平均使用的 blob 数（真实需求），蓝色是协议设定的目标值（阶梯状，只在升级时跳变）。Dencun 上线时目标是 3/区块；2025 年 5 月 Pectra 升级把目标提到 6；Fusaka 升级之后，blob 目标值可以脱离大版本升级、通过 BPO（Blob Parameter Only）硬分叉独立小步调整，目前已经被推到 14 左右。
关键判断逻辑：如果实际使用量（橙线）持续贴近或超过目标（蓝线），说明 blob 空间需求已饱和，费用会因拥堵指数级上涨，是 L2 扩容的瓶颈；如果实际使用明显低于目标，说明协议这次把容量开得比需求超前，数据层暂时不是瓶颈。目前看，Fusaka 之后这个容量是明显超前于需求的，说明 L2 数据发布层暂时不是制约生态扩张的瓶颈，问题更可能在需求侧。
首页显示的 Ecosystem TPS（比如 2,629.8 TPS）容易让人误会成"以太坊变快了"，但这是 L1 + 所有 L2 加总的数字，不是主网本身的速度。以太坊 L1 本身长期只有 15-20 TPS 左右。
更重要的是，这个汇总数字往往被单一应用链严重扭曲。比如某次看到的数据里，一条叫 Lighter 的高频永续合约交易应用链，一条链就占了总数的 86% 以上。这类订单簿/撮合类应用天然会产生海量高频小额交易（挂单、撤单、成交），TPS 数字会非常夸张，但这跟"以太坊生态整体承载能力提升"是两回事。用这类汇总 TPS 数字做判断之前，一定要拆开看是不是被个别应用链主导。
这是我觉得最容易搞混、也最重要的一组概念区分：
用户在 Base 上用 Uniswap 做一笔 swap → 实际付出两笔钱:
一笔是 gas 费,付给 Base 的排序器,让交易被打包处理 → 这笔算进 Base 的 Revenue(链本身的收入)
一笔是 Uniswap 协议的 swap 手续费(比如0.3%),付给 Uniswap 协议/LP → 这笔算进 App Revenue,跟 Base 这条链本身没关系
Base 排序器从它自己收到的 Revenue(gas费)里,拿出一部分去支付给以太坊主网发布数据 → 这部分才是 Rent Paid to L1。
这组区分背后是一个更大的争议：以太坊主网日 gas 费收入已经跌到几十万美元量级，每日 ETH 销毁量大幅下降，网络已经从通缩重新翻回轻微通胀。2024 年 L2 整体收入里约 41% 会上缴主网做结算，但到 2025 年这个模型已经反转——本质上变成了主网在补贴 L2。这跟评估任何协议代币时都该问的问题是同一个逻辑："收入发生在哪一层"和"谁能真正捕获这笔收入"，是两件不能划等号的事。
还有一个容易被忽略的点：Application Revenue 里的"Layer 2 Share"衡量的是"用户消费发生在哪条链"，跟"L2 有没有把钱上缴给主网"完全无关，不要拿这个百分比去论证 L1 的价值捕获能力。
这个图表按业务类别（Finance / Collectibles / Social / Utility / Token Transfers / Cross-Chain / Unlabeled）拆解链上交易占比。一个反直觉的发现：Ethereum 主网 Finance 类别的交易笔数占比只有 6.73%，而 Base 高达 42.55%。
第一反应可能是"L1 承接的是大额金融活动，笔数少但价值高"，但对比数据后发现这个解释站不住脚——差距太大了。更合理的解释是分类方法论本身的问题：growthepie 的应用归因是按合约地址映射到具体项目来做的，MEV 套利机器人大多用私有定制合约，不在"已知应用"映射库里，会被扔进 Unlabeled；交易所批量提现/归集本质是金融行为，但链上表现是纯代币转账，会被分进 Token Transfers 而不是 Finance；跨链桥被单独列为 Cross-Chain 类别，也没有并入 Finance。
教训：这套分类体系是按"调用的应用类型"分类，不是按"经济实质是否属于金融行为"分类。如果想知道广义的"金融相关活动占比"，得把 Finance + Token Transfers + Cross-Chain 加总，而不是只看 Finance 这一栏——单看一个类别名称，很容易被分类口径带偏。
观察到一个现象：除了 Ethereum 主网之外，大部分 L2 的日活跃地址相比一年前普遍腰斩甚至更多，而 Robinhood Chain 这种新链却逆势暴涨。
行业数据能解释这个分化：多条 L2 在完成代币空投后，活跃地址数据直接崩盘——某链空投后活跃地址暴跌 70%，另一条链交易量暴跌 90%、日活跌了近 80%。这暴露出这些链之前的"活跃度"很大比例是冲着免费代币来的雇佣资金（mercenary capital），不是真正在用的用户。2025 年被称为 L2 叙事彻底分化的一年：大多数新链在空投挖矿周期结束后变成"鬼城"，只有极少数链逃脱了这个宿命，头部效应集中在极少数生态。
一个可以直接拿来验证的方法：看独立地址数和总交易笔数之间的比例。交易笔数暴涨但独立地址数没有对应增长，大概率是机器人在刷，这类活动会在激励枯竭的瞬间彻底消失。真正该看的硬指标是：排序器收入是否独立于激励计划持续增长、开发者留存率、桥接资金是否有粘性、代币是否通过分成/质押/销毁真正捕获网络价值。
Ethereum 主网活跃地址几乎没怎么跌，这跟它的用户群体本来就不是靠激励吸引来的"农民型"用户是一致的——回到前面 Revenue 份额那条讨论，也印证了 L1 上留存的更多是真正有支付意愿、不为撸空投而来的用户。
Robinhood Chain 的逆势暴涨是另一个逻辑：它靠的是母公司自带的分发渠道（2300万已有信任基础的用户），而不是空投挖矿。这提示了一个更精细的护城河判断标准——纯技术型/通用型 L2（靠开源框架"攒"出来的链）基本没有护城河，因为技术本身可复制；但带着现成分发渠道杀进来的玩家（传统金融、交易所系）确实有护城河，护城河不在链本身，而在母体能不能批量导流存量用户。
growthepie 有个 Lifetime Achievements 板块，给每条链的 Transaction Count、Rent Paid to L1、Revenue、Onchain Profit、Active Addresses 分别打等级。官方说明是"展示这条链自成立以来关键指标的累计值，每张图可视化该链向下一等级迈进的进度"。
几点观察：五个指标各自独立计等级，不是加总算总分；等级是按历史累计值卡在哪个门槛区间定的，不是按某个时间窗口的表现；等级门槛表没有公开文档说明具体数值和总级数。这个模块本质上是产品的游戏化激励设计，用来提升用户粘性和传播效果，不是能直接喂进量化分析框架的原始指标——真正做分析时，还是应该直接用左边那些原始的美元/笔数数值，而不是包装过的"等级"。
这几周下来最大的体会是：growthepie 这类工具提供的每一个数字背后，都有一套具体的方法论选择（怎么归因、怎么分类、统计哪个时间窗口），这些选择会直接影响你能得出什么结论。同一份数据，"L1 占 75% 应用收入"既可以读成"以太坊价值捕获还很稳固"，也可以读成"这是正在被侵蚀的存量份额、真正该看的是趋势斜率"——差别不在数据本身，在你有没有先搞清楚这个指标到底在量什么、不量什么。
对我自己做链上研究的启发是：拿到任何一个汇总指标，先问三个问题——这是笔数还是价值加权？这是快照还是累计？分类边界画在哪里、会不会把经济实质相近但技术路径不同的行为分到不同桶里？想清楚这三点，比直接相信图表上那个百分比数字重要得多。
