為何 90% 的項目 TGE 都慘淡收場?
做好這些,是一個成功 TGE 的前提。
做好這些,是一個成功 TGE 的前提。
撰文:Antonio Sco
編譯:Luffy,Foresight News
過去兩年,我合作過 30 多個 Pre-TGE 項目,從中發現了三個意想不到的關鍵原因,正是這些因素導致大多數代幣在 TGE 中慘敗。
那些融資數百萬美元的項目在重複同樣的錯誤,我總結出了一些規律:失敗的項目不會公開問題,只會忙著責怪他人;成功的項目也不會分享祕訣,只想獨佔所有功勞。
這就讓新創始人陷入了迷茫,完全不知道該如何下手。那麼,哪些是 TGE 的核心關鍵?缺少它們,TGE 就註定失敗,因此創始人必須把大部分時間投入其中。
作為一家行銷公司的創始人,我很不情願承認,但答案不是行銷。行銷能放大良好的基本面,但如果沒有堅實的基礎,再華麗的行銷也只是空中樓閣,一推就倒。

以下是三個很少被提及、卻能摧毀 TGE 項目的核心因素。
做市商
選擇做市商,本質上就像在玩俄羅斯輪盤賭:
- 最好的情況:雙方激勵一致,有利潤就共同分享;
- 最壞的情況:他們在背後算計你,讓你數年的心血付諸東流。
資訊不對稱的問題十分可怕,他們只會向你展示成功案例,絕口不提那些失敗的經歷。
那麼,該如何選擇做市商?99.9% 的情況下,你應該選擇由你信任的項目方或直接合作過的人強力推薦的做市商。
不要相信陌生人的推薦,他們能從做市商那裡拿到豐厚的推薦費,即便對方不靠譜,也會極力推薦。
一個重要提醒:項目失敗了,承擔後果的是你,不是他們。
就算你有最好的行銷、最活躍的社群和最頂尖的團隊,只要做市商讓你的代幣價格暴跌 50%,你也無力回天。
代幣經濟學
代幣經濟學也是同理,你和你的團隊可能還沒研究過 50 個代幣模型,也沒見過它們的實際效果。
你絕對不能照搬成功項目的代幣經濟學,就認為它對你也同樣適用。投資者的目標和胃口一直在變,如果你想吸引他們買入,就必須隨之調整。
同樣,顧問只會給你看他們手中的成功案例,那些歸零的項目你根本看不到。
額外補充一點:如果當前的代幣經濟學註定會搞垮你的項目,那就果斷修改。
不要在乎:
- 空投獵人會憤怒;
- 社交媒體上的人會抱怨;
- 種子輪投資者會不滿。
如果按照當前的代幣模型,一週後代幣價格暴跌 90%,他們照樣會不滿,區別只是你會在三個月內倒閉。
顯然,最好的解決方案是從一開始就避免這種情況,但正如一句古羅馬諺語所說:「絕境需用險招」。
交易所上幣
這一點是我最想強調的。做市商和代幣經濟學的問題只會在 TGE 後顯現,但與交易所合作,是 TGE 前最痛苦、最危險的事情。
為什麼痛苦?
- 溝通極其困難;
- 很難協調出一致的時間表;
- 他們經常在最後一刻變卦,導致你不得不推遲 TGE。
為什麼危險?
- 掠奪性條款會拖垮你的項目;
- 很多團隊會被假代表詐騙;
- 花費數百萬美元上幣,最終只引來賣壓,沒有任何買盤。
解決這個問題的最快方法:認識交易所內部人員,並且了解上幣成本基準,避免被敲竹槓。
由於資訊不對稱,很多團隊在初步談判中就浪費了數十萬美元。
結語
所有人都在等待更好的市場環境再啟動 TGE,但如果以上三點你沒做好,再好的市場也無法讓你的代幣站穩腳跟。作為創始人,你應該把主要精力放在這三件事上,同時監督團隊其他成員做好各自領域的工作。
免責聲明:文章中的所有內容僅代表作者的觀點,與本平台無關。用戶不應以本文作為投資決策的參考。
您也可能喜歡
美股錯過了眼前的「好消息」?盈利預期罕見上調,策略師:基本面強得「不像真的」
Seaport Research Partners認為,美股正面臨企業盈利與股價表現的明顯背離:第二季盈利強勁,分析師預期持續上修,但高利率與盈利持續性的擔憂壓抑估值,工業、交通運輸等板塊可能存在錯價機會。不過,如果聯準會重新釋放升息信號,短期內仍可能對股市帶來壓力。
美國中選在即,華爾街押注國會分裂,市場或迎來溫和喘息?
美國中期選舉臨近,華爾街普遍押注民主黨奪回眾議院、共和黨守住參議院的「分裂國會」格局,認為這將限制激進政策、緩解不確定性。歷史數據顯示,自1950年以來,共和黨總統任內出現分裂國會時,美股年均漲幅達13.7%,高於共和黨或民主黨單獨掌控國會時的8.3%和4.9%。若選舉結果偏離預期,市場仍可能劇烈波動。
美股知名投資人Eric Jackson加入盛大科技(SDA.US)顧問委員會 協助公司國際化戰略與投資者關係建設
EMJ Capital 創始人、知名科技投資人 Eric Jackson 正式加入公司顧問委員會。

AI推理時代「光互連」需求爆棚!「站在光裡」的Lumentum (LITE.US)搶跑NPO、擴容OCS 迎接盈利躍升時刻
從底層工程角度來看,光互連需求的增長來自更多計算節點之間更頻繁、更嚴格的數據交換:混合專家模型(MoE)的專家並行需要跨GPU分發和彙總數據;預填充與解碼分離(Prefill–Decode Disaggregation)需要傳輸鍵值快取(KV Cache);複雜智能體工作流增加模型調用、工具執行和數據訪問的併發量。

