Coinbase 使用 AI 编程工具提升开发效率，同时正在欺诈预防、客户支持、风险评分、设计等多个业务领域积极应用 AI 技术

根据 Coinbase 首席执行官布莱恩·阿姆斯特朗（Brian Armstrong）的消息，Coinbase 正在多个业务领域积极应用人工智能（AI）技术，包括欺诈预防、客户支持、风险评分、设计等。目前100% 的工程师已开始使用名为 Cursor 的 AI 编程工具提升开发效率 (Coinbase CEO: Coinbase is using artificial intelligence in many ways - PANews)。下一步，Coinbase 计划为每个 Jira 或 Linear 工单自动生成一份 AI 草拟的拉取请求（PR）供工程师参考，实现从需求到代码的初步自动化 (Coinbase CEO: Coinbase is using artificial intelligence in multiple ways - ChainCatcher)。下面将分领域介绍这些 AI 应用案例、采用的技术方案，以及它们为 Coinbase 带来的商业价值和影响。

image

欺诈预防（Fraud Prevention）

AI 应用案例：在欺诈预防方面，Coinbase 利用 AI 来检测并阻止各类恶意行为和可疑交易。通过机器学习模型分析用户登录、交易等行为模式，识别异常并及时采取措施，保护用户账户安全 (Using advanced Machine Learning models to protect our users accounts)。此外，AI 还用于身份验证等环节，例如自动审核用户提交的身份证件，以防范身份冒用。

技术方案：

  • 机器学习模型：构建了大规模的欺诈检测模型，输入包含数千种行为和环境特征（如用户地理位置、浏览器指纹、登录方式、链上交易历史、关系网络等） (Using advanced Machine Learning models to protect our users accounts)。模型采用提升树（如 XGBoost）、序列模型和深度神经网络等先进架构，以提高检测恶意活动的准确率和召回率 (Using advanced Machine Learning models to protect our users accounts)。模型训练前进行严格的历史回测和 A/B 测试，确保在拦截欺诈的同时将误报对正常用户的影响降到最低。
  • 风控平台与基础设施：Coinbase 构建了完善的机器学习平台，包括实时和批处理特征存储、一键模型训练部署、高可用低延迟的在线推断服务，以及自动化的数据刷新机制 (Using advanced Machine Learning models to protect our users accounts)。在基础设施上，Coinbase将模型部署在 AWS 的 SageMaker 托管平台上运行 (Lowering total cost of ownership for machine learning and increasing productivity with Amazon SageMaker | AWS Machine Learning Blog)。借助 SageMaker 的分布式训练和自动伸缩能力，模型训练时间从过去的20小时缩短到10分钟 (Lowering total cost of ownership for machine learning and increasing productivity with Amazon SageMaker | AWS Machine Learning Blog)。同时，利用 SageMaker 内置的安全合规模块，降低了模型部署的运维成本和合规风险 (Lowering total cost of ownership for machine learning and increasing productivity with Amazon SageMaker | AWS Machine Learning Blog)。

商业价值和影响：

  • 账户安全与用户信任：AI驱动的风控体系使Coinbase能更主动地拦截欺诈行为，减少黑客盗取账户、欺诈交易等对用户造成的损失，为1亿多用户提供更安全的交易环境 (Using advanced Machine Learning models to protect our users accounts) (Using advanced Machine Learning models to protect our users accounts)。强大的欺诈预防能力有助于建立用户对平台的信任，提升 Coinbase 品牌声誉。
  • 降低损失与合规风险：通过机器学习实时阻断可疑交易，Coinbase避免了潜在的资金损失和欺诈赔付支出；同时，在身份验证、反洗钱等环节应用AI有助于满足监管要求，降低合规风险和罚款概率。整体而言，AI风控措施为公司节省了成本并保护了用户资产安全。

客户支持（Customer Support）

AI 应用案例：在客户服务方面，Coinbase 引入了生成式 AI来提升支持效率和用户体验。具体应用包括：面向客户的智能客服聊天机器人，可以回答常见问题；提供给坐席人员的工单助手，实时协助客服代表撰写回复、解释操作流程；以及改进帮助中心搜索功能，由 AI 根据知识库内容直接生成简明答案 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。这些 AI 应用旨在7×24小时提供高质量支持，并减少人工客服的压力 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。

技术方案：

  • 大型语言模型：Coinbase 选择了 Anthropic 公司的Claude模型作为客服智能的核心引擎。内部测试显示，Claude 在回答准确性和稳定性方面优于其他模型，因此被采用为主要对话模型 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。为了确保服务的可靠性，Coinbase 通过多云架构部署 Claude，同时利用 AWS Bedrock 和 Google Vertex AI 提供服务，以实现接近99.9999%的超高可用性 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic) (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。这种多云策略提供了弹性和冗余，保证即使单一云服务受限时，AI 客服仍能稳定运行。
  • 提示优化与安全控制：在上线 AI 客服前，Coinbase 工程团队与 Anthropic 密切合作，设计了优化的 prompt 提示和对话流程 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。他们为 Claude 制定了严格的财务合规问答规则和内容过滤，确保 AI 回复符合监管要求，不泄露敏感信息 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。此外，Claude 模型被调整为支持多语言沟通，让来自不同国家的用户都能获得流畅的自动支持。
  • 内部平台 (CB-GPT)：Coinbase 开发了内部“Coinbase-GPT” 平台，作为统一的生成式AI服务框架。通过该平台，团队可以无代码地构建和部署各种定制 AI 助手，实现快速迭代 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。目前 Coinbase 内部已经构建了约 35～50 个 AI 应用，从客服 chatbot 到合规审查助手等，都基于这套平台快速开发 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。CB-GPT 平台底层集成了来自 Azure、GCP、Anthropic 等多家的大模型接口，以及自托管的开源模型（如 LLaMA、Mistral），会根据任务需求智能选择最合适的模型以平衡成本和性能 (CB-GPT - The opportunity and the vision for GenAI at Coinbase)。

商业价值和影响：

  • 提升响应效率，节省人工成本：部署 AI 客服后，许多常见问题能够由机器人自动解答并成功解决更多咨询，减少了人工介入 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。对于需要人工处理的复杂问题，AI坐席助手可以先行拟稿或提供相关知识，使人工客服的平均处理时间明显下降，服务更多用户所需的人力投入降低。总体上，这提高了支持团队的人均效率，帮助 Coinbase 控制客户支持成本，同时应对用户规模的增长。
  • 改善用户体验：AI 驱动的支持系统能够即时响应用户请求，缩短等待时间，提供一致且个性化的回答。这种全天候的即时服务提高了用户满意度 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。此外，通过 Claude 模型强大的语言能力，帮助中心搜索结果相关性更高，用户自助找到答案的成功率提升，进一步优化了客户体验。
  • 应对高峰与培训新人大幅提速：加密交易市场波动大，Coinbase 客服咨询量会骤增。AI客服具备良好的扩展性，能从容应对峰值流量并保持服务质量 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。同时，新招聘的客服人员可以借助 AI 工具快速学习——通过Agent Assist查询内部知识库、多语言回复范例，大大缩短培训周期 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。这使团队能够更快扩编并保持服务水准。

风险评分（Risk Scoring）

AI 应用案例：Coinbase 构建了区块链地址风险评分系统，利用 AI 来评估链上地址的可疑程度 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。加密交易由于匿名性，会存在不法分子利用新地址进行欺诈的风险。该系统会为外部区块链地址生成0～1之间的风险评分，以预测其是否可能涉及欺诈交易，从而在用户与高风险地址交互时提前发出警示或采取风控措施 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System) (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。通过这一方式，Coinbase 将风险管控从平台内部扩展到了链上生态，为用户提供延伸的安全保护(Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。

技术方案：

  • 特征工程与图算法：风险评分模型综合了链上交易图谱特征和地址行为特征 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。一方面，统计每个地址的交易行为汇总特征（如交易次数、频率、金额分布等）；另一方面，引入图数据库和网络分析，将地址在区块链交易图中的关联关系纳入考量 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。为有效表示庞大的交易网络，Coinbase 使用Node2Vec 图嵌入算法将区块链地址映射为低维向量表达，并通过分布式计算对新增地址持续增量训练模型，以适应区块链网络的动态增长 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System) (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。
  • 机器学习模型：基于上述丰富特征，Coinbase 训练了监督学习模型来输出地址的风险评分 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。模型训练使用了从历史诈骗案例中获取的标签数据作为真值，通过学习已知恶意地址的特征模式来预测未知地址的风险(Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。模型部署在高扩展性的分布式环境中，可以对数亿级别的地址进行评分计算，并实时集成到交易流程的风控检查中。

商业价值和影响：

  • 提前防范潜在威胁：该地址风险评分系统已应用于 Coinbase 多个产品，充当用户资产的“防火墙”。当用户尝试与高风险地址进行交易时，系统可以主动发出警告或延迟交易以便人工复核 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。这种提前介入机制已经保护了大量用户免受诈骗损失，据报道此系统已为用户避免了数百万美元的潜在损失(Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。
  • 增强平台安全合规：有了对外部地址的风险洞察，Coinbase 在反洗钱（AML）和制裁合规方面更加主动。系统标记的高风险地址可以与监管名单比对，帮助 Coinbase 更及时地报告可疑活动，避免卷入非法交易。总体而言，风险评分提高了平台安全等级，让用户在 Coinbase 上交易时更加安心 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。

设计（Design）

AI 应用案例：在产品和视觉设计领域，Coinbase 的团队也开始探索生成式 AI的辅助作用，将其视为激发创意和提高产出的新工具之一。设计师使用 AI 来快速生成头脑风暴素材，例如利用文本生成模型起草产品界面的文案描述，或通过图像生成模型创造初步的视觉概念稿。这些 AI 产生的素材可供设计团队参考、筛选和再创作，加速了设计迭代过程 (CB-GPT - The opportunity and the vision for GenAI at Coinbase)。

技术方案：

  • 文本与图像生成模型：Coinbase 设计团队尝试将多模态生成 AI融入工作流程。例如，使用图像生成模型（如Stable Diffusion、DALL·E等）根据文本提示快速生成产品插画、图标草稿，帮助视觉设计师在短时间内获得多种风格创意。与此同时，利用大型语言模型（LLM）处理设计需求文档和市场素材：一方面自动生成 UI 文案、产品说明等文字内容，确保语调和品牌风格一致；另一方面，通过 NLP 模型分析用户研究的反馈文本，提炼共性意见供设计师参考，以数据驱动迭代方向。
  • 协同设计工具：这些 AI 模型通常集成到设计师熟悉的工具链中。例如，通过 Figma 等设计软件的插件接入 OpenAI 的接口，或使用专门的 AI 原型工具，将生成式 AI 功能嵌入到界面设计、用户体验优化的过程中。这样设计师无需深厚的编程背景，也能方便地调用 AI 来辅助完成特定设计任务。

商业价值和影响：

  • 加速创意产出：引入 AI 后，设计团队在概念探索阶段的效率大幅提升。以前可能需要数天完成的多版概念草图，借助生成式模型几分钟即可产生初稿供团队讨论。这种并行化的创意产出让设计师有更多方案可以对比筛选，从中选取最佳思路，加快了决策和迭代速度。
  • 降低成本并提高品质：AI 工具承担了部分重复劳动（如素材搜集、版式尝试），让设计师将精力集中于创意把控和细节打磨。同时，AI 模型可以学习既有的品牌视觉规范，确保生成内容在风格上一致性，从而减少返工。总体来看，这些措施缩短了设计周期，节约了外包插画、素材采购等成本，并有助于产出更丰富高质的视觉内容，强化了 Coinbase 产品的市场吸引力。

工程师开发效率（Engineering Productivity）

AI 应用案例：Coinbase 非常重视开发流程中的 AI 赋能，旨在提高工程团队的效率和代码质量。据 Brian Armstrong 透露，公司所有工程师目前都在使用一款名为Cursor的 AI 驱动代码编辑器来辅助日常开发 (Coinbase CEO: Coinbase is using artificial intelligence in many ways - PANews)。开发者可以在撰写代码时随时获得 AI 提示和自动补全，甚至通过对话式指令让 AI 重构代码、查找 bug 等，从而极大提升开发效率。这个案例表明，AI 已深入融入 Coinbase 的软件工程实践。

技术方案：

  • Cursor AI 编辑器：Cursor 是由 VS Code 分支改造而来的高级编程工具，内置了强大的 AI 能力 (Using AI-powered IDEs with our docs - Coinbase Docs)。它利用大型语言模型理解代码上下文和开发者的自然语言意图，实现智能代码补全、自动更正和批量重构等功能 (Using AI-powered IDEs with our docs - Coinbase Docs)。工程师可以用类似聊天的方式向 Cursor 提出需求，例如“重写此函数以提高性能”或“在此文件添加错误处理”，Cursor 便会解析指令并产出相应的代码修改建议。由于继承了 VS Code 界面，工程师几乎无需学习成本即可将其融入日常工作流程。
  • 底层模型与集成：Cursor 背后的 AI 模型据悉包括 OpenAI GPT 系列等主流代码生成模型（例如 Codex/GPT-4），以及可能结合开源的代码大模型。它支持本地项目的索引，能够理解整个代码库的结构和依赖关系，从而在生成代码时确保与现有代码风格和规范一致。此外，Cursor 提供了即插即用的插件和API接口，方便与 Coinbase 内部的开发者工具链集成，例如自动触发代码检查、测试运行等，加速从代码编写到提交的全过程。

商业价值和影响：

  • 显著提高开发速度：借助 AI 自动补全和代码生成，工程师撰写代码的速度大幅提升。许多样板代码和重复性编码工作由 AI 即时提供，减少了手工输入的时间。实验表明，使用 Cursor 后开发者完成功能的时间明显缩短，加快了产品迭代和发布节奏。对于初级工程师，AI 工具也起到了教学辅导作用，帮助其迅速掌握最佳实践。
  • 代码质量改进：Cursor 等工具还能及时发现代码中的潜在错误或安全隐患，并建议修复方案。这种实时反馈机制在代码评审之前就提升了代码质量，减少了 Bug 引入。工程师在提交代码前即可根据 AI 建议进行优化，降低了代码审核和测试阶段发现问题的概率。结果是，Coinbase 的整体软件交付质量和稳定性得到提高，减少了生产环境故障率。
  • 激发工程创新：由于 AI 减轻了程序员不少重复劳动，工程团队可以将更多精力投入到复杂架构设计和创新性项目上。这提高了工程师的工作满意度和创造力，有助于 Coinbase 吸引和留住顶尖开发人才。同时，通过在全公司推广 AI 开发助手，Coinbase 树立了技术先锋形象，在行业内形成正向影响。

自动生成 PR（Auto-Generated PR for Jira/Linear）

AI 应用案例：Coinbase 正在展望更进一步的开发流程自动化——让 AI 直接根据需求描述生成代码变更提案。Armstrong 提到，公司计划实现每个 Jira 或 Linear 工单在创建时自动附带一个 AI 生成的拉取请求（PR）草稿(Coinbase CEO: Coinbase is using artificial intelligence in multiple ways - ChainCatcher)。也就是说，当产品或项目经理在工单中描述一个待解决的问题或新功能（可能还包含截图等信息）时，AI 能理解这些描述并产出相应的代码修改建议（即 PR）。首先会从低难度的“修复类”工单开始试验，由 AI 提交修补代码；待验证效果良好后，再逐步拓展到更复杂的任务 (Coinbase CEO: Coinbase is using artificial intelligence in multiple ways - ChainCatcher)。

技术方案：

  • 需求到代码的生成模型：实现自动 PR 生成需要综合运用自然语言处理和代码生成技术。首先，AI 模型需要理解工单的文本描述（包含故障现象、需求说明等）以及附加的截图信息。这可能需要引入多模态的大型模型——例如 OpenAI 的 GPT-4 (Vision) 等，能够同时处理文本和图像输入，从中提取关键信息（如错误日志、UI界面变化） (Coinbase CEO: Coinbase is using artificial intelligence in multiple ways - ChainCatcher)。接着，结合 Coinbase 代码库的上下文，利用专门训练的代码生成模型（类似于 Codex 或 Code Llama 等）编写出满足需求的代码改动。整个过程相当于让 AI 扮演初级开发者的角色，根据描述自行修改代码并提交初稿。
  • 人机协作审核：由于完全由 AI 生成的代码仍需严格把关，Coinbase 会在流程中保持人类工程师审核环节。AI 提交 PR 草稿后，分配相关模块的工程师进行代码评审和测试，确保修改的正确性和安全性，然后才能合入主代码库。随着模型能力的提升和信任度建立，审核流程或可进一步优化，但在人机协作模式下可以稳步推进此功能上线。
  • 持续学习优化：每一次 AI PR 草稿与最终人工修改的对比，都会成为训练数据，反馈给模型不断学习改进。这种闭环学习使 AI 越来越熟悉 Coinbase 的系统和编码规范，输出的建议质量也会随之提高。长期来看，模型或许能胜任越来越复杂的改动提案，真正融入开发团队工作。

商业价值和影响：

  • 开发效率变革：若该功能成功实施，将显著减少工程师在简单任务上花费的时间。重复性的漏洞修复、代码格式调整等都可由 AI 自动完成初稿，工程师只需审核合并即可。由此，开发团队可将更多时间用于核心功能开发和技术攻关，加快产品交付。对于大量小型改进需求，AI PR 可以做到即时响应，不再受制于人手排期。
  • 降低出错率：AI 在生成 PR 时会严格按照描述执行，不会遗漏步骤，从而降低了因人为疏忽导致的遗漏或错误修改。同时，AI 可以针对每个工单提供一个标准化的初始解决方案，使团队对问题的响应更一致，减少因为理解偏差造成的反复修改。这有助于提高代码库的整洁度和维护效率。
  • 创新文化与行业领先：Coinbase 尝试用 AI 改造开发流程本身，这在行业中属于前沿实践。一旦证明可行，将引领软件开发模式的革新。对于 Coinbase 而言，这样的创新文化不仅提升内部士气，也彰显其技术领导力，有助于在加密行业和科技领域获得更大的影响力。

参考文献：

  1. 【ChainCatcher】Coinbase 正在多领域使用 AI，包括欺诈预防、客户支持、风险评分、设计，以及让 100% 工程师使用 Cursor，并计划为 Jira/Linear 工单自动生成 PR (Coinbase CEO: Coinbase is using artificial intelligence in multiple ways - ChainCatcher)
  2. Coinbase 博客-Using advanced Machine Learning models to protect our users accounts. 介绍了 Coinbase 如何利用机器学习模型保护用户账户安全，包含特征工程、模型架构（提升树、序列模型、神经网络）等技术细节 (Using advanced Machine Learning models to protect our users accounts) (Using advanced Machine Learning models to protect our users accounts)。
  3. AWS 案例-Coinbase uses ML models on Amazon SageMaker...提到 Coinbase 在 AWS SageMaker 上部署机器学习用于欺诈预防、身份验证和合规等，并将模型训练时间从20小时缩短到10分钟 (Lowering total cost of ownership for machine learning and increasing productivity with Amazon SageMaker | AWS Machine Learning Blog)。
  4. Coinbase 博客-Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System. 介绍了 Coinbase 的区块链地址风险评分系统，利用 Node2Vec 图嵌入和机器学习对链上地址进行风险预测，为用户提供扩展保护 (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System) (Detecting Fraudulent Transactions: Coinbase Scalable Blockchain Address Risk Scoring System)。
  5. Anthropic 案例-Coinbase transforms customer support with Claude AI integration.... 阐述了 Coinbase 将 Anthropic 的 Claude 模型应用于客服聊天机器人、坐席辅助、帮助中心搜索等，并通过多云部署实现高可用性 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic) (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。还提到内部构建了 “CB-GPT” 平台用于快速开发AI应用 (Coinbase transforms customer support with Claude AI integration across chatbot, agent tools, and help center \ Anthropic)。
  6. Coinbase 博客-CB-GPT: The opportunity and vision for GenAI at Coinbase. 描述了 Coinbase 内部统一的生成式AI平台整合了多家 LLM（包括 Azure/OpenAI、Anthropic 以及开源模型等），并提供检索增强型生成（RAG）等能力来支持不同业务场景 (CB-GPT - The opportunity and the vision for GenAI at Coinbase)。
  7. Coinbase 文档-使用 AI 驱动的 IDE（Cursor）. 说明了 Cursor AI 编辑器是 VS Code 的分支，具备 AI 代码补全、自然语言编辑和代码理解等功能，可以提升编程体验 (Using AI-powered IDEs with our docs - Coinbase Docs)。