Esta semana vi cómo una transacción permanecía sin difundirse durante casi un minuto y casi la ignoré.
Había configurado una política que solo permitiría la ejecución cuando el gas de Ethereum cayera por debajo de un umbral específico. En ese momento, los precios del gas estaban elevados, así que ver que la transacción esperaba no me sorprendió. Cuando la red se calmó y la transacción finalmente avanzó, cerré la pestaña pensando que todo había ocurrido exactamente como se esperaba.
Luego, otra transacción llamó mi atención.
Estaba impulsada por la misma fuente de datos de gas, pero en lugar de esperar a comisiones más bajas, se volvió a difundir con un nuevo precio de gas después de que cambiaron las condiciones. Al principio, asumí que algo era inconsistente. Ambas políticas estaban leyendo el mismo flujo de gas, entonces, ¿por qué reaccionaban de forma diferente?
La respuesta no estaba en el oráculo. Estaba en la política.
Yo había estado tratando un umbral de gas como si siempre produjera un único resultado predecible: esperar hasta que el gas sea lo bastante barato y luego ejecutar. Pero después de profundizar en la documentación de Newton, me di cuenta de que había colapsado varios comportamientos diferentes en un solo modelo mental.
Una política de umbral puede simplemente retrasar la ejecución hasta que el gas caiga por debajo de un nivel elegido. Puede bloquear transacciones por completo durante una congestión intensa. O puede ceder el control a un agente inteligente que recalcula continuamente el precio y vuelve a retransmitir la transacción a medida que cambian las condiciones de la red.
El feed de gas nunca cambió. La respuesta a ese feed sí.
Eso cambió la forma en que pienso sobre el diseño de políticas.
El Etherscan Gas Tracker proporciona la misma información a todas las políticas que lo usan. Cada bóveda, agente o flujo de trabajo puede leer los mismos precios de gas y señales de congestión. Pero entradas idénticas no garantizan resultados idénticos. Cada política decide qué significan esos números.
Desde afuera, dos transacciones que se comportan de manera distinta bajo las mismas condiciones de mercado pueden parecer fácilmente un error. En realidad, a menudo están siguiendo conjuntos de reglas completamente diferentes.
Una vez que tracé el proceso de principio a fin, quedó mucho más claro.
Los datos de gas se recopilan fuera de la cadena, se verifican con la red de operadores de Newton y se convierten en un punto de datos atestiguado que las políticas pueden confiar. A partir de ahí, la responsabilidad del oráculo termina. Si la transacción espera, se rechaza o se recalcula automáticamente el precio, lo determina por completo la lógica de la política construida sobre esa atestación.
Esa diferencia parece pequeña en el papel, pero es significativa en la práctica.
La parte que más me interesa es el agente de recalculo de precios.
Si se le permite a un agente retransmitir transacciones a medida que se mueve el gas, también necesita su propia estrategia. ¿Con qué frecuencia debería reintentar? ¿Cuánto más debería pujar cada vez? ¿Cuándo debería dejar de perseguir el mercado? Esas decisiones no las proporciona el oráculo: pertenecen a otra capa de automatización.
El oráculo informa la realidad.
La política decide qué hacer con eso.
El agente decide qué tan agresivamente actuar.
Esa separación era fácil de pasar por alto hasta que vi dos transacciones reaccionar de forma distinta a los mismos datos.
Me recordó un error que cometí en mi propio trading a principios de esta semana. Pensé que había creado un stop-loss sencillo, pero había olvidado que también habilité una regla de reingreso. En lugar de salir y mantenerse fuera, la posición se abrió de nuevo en silencio mientras yo estaba enfocado en otra cosa. El problema no era el mercado. Fue que había superpuesto dos piezas independientes de lógica sin pensar cómo interactuarían.
Ver las políticas de Newton a través de esa lente hizo que el diseño encajara para mí.
Cuanto más exploro la conformidad programable y la ejecución automatizada, menos creo que los problemas más difíciles sean sobre recopilar mejores datos. Se trata de hacer que el comportamiento construido sobre esos datos sea predecible, comprensible y fácil de razonar.
Una pregunta aún se me queda grabada.
Durante un periodo de congestión extrema, cuando los precios del gas cambian cada pocos segundos, ¿podría un agente de retransmisión y recalculo terminar persiguiendo el mercado con tanta agresividad que gaste más en intentos repetidos que lo que habría costado una política simple de esperar a que esté barato? El oráculo puede decirte dónde está el gas. Decidir si vale la pena perseguirlo es un problema completamente distinto.
@NewtonProtocol #NEWT #Newt $NEWT
