TL;DR

Ниже приведены мои личные мысли:

1) MCP (Model Context Protocol) — это стандартизированный протокол с открытым исходным кодом, предназначенный для обеспечения бесшовных соединений между различными AI LLM (Large Language Models) и агентами с различными источниками данных и инструментами. Думайте об этом как об «универсальном» USB-интерфейсе plug-and-play, заменяющем старые, жесткие сквозные «специфические» методы упаковки.

Проще говоря, между приложениями искусственного интеллекта существуют явные данные силосы. Для взаимодействия между агентами/LLM каждому из них нужно было разрабатывать свои собственные API-интерфейсы. Это делало процесс сложным и лишенным двусторонних возможностей взаимодействия. Более того, у этих моделей часто был ограниченный доступ и разрешения.

Появление MCP обеспечивает единый каркас, позволяющий приложениям искусственного интеллекта избавиться от прошлых хранилищ данных и динамически получать доступ к внешним данным и инструментам. Это значительно снижает сложность разработки и повышает эффективность интеграции, особенно в автоматизации задач, запросе данных в реальном времени и обеспечении межплатформенного сотрудничества. Как только я упомянул об этом, многие сразу подумали: если Manus, инновация в многопользовательском сотрудничестве, интегрирует MCP - каркас, разработанный для усиления такого сотрудничества, то не остановить ли ему будет?

Действительно, Manus + MCP является ключевым фактором текущего нарушения в пространстве веб-агентов AI Agent.

2) Однако по-настоящему озадачивает тот факт, что обе структуры Manus и MCP являются стандартами протокола и фреймворками, разработанными для веб2 LLM/Agent, решающих проблемы, связанные с взаимодействием данных и сотрудничеством между централизованными серверами. Их разрешения и контроль доступа все еще зависят от «активного» открытия каждого узла сервера. Другими словами, они функционируют скорее как атрибуты инструментов с открытым исходным кодом, а не полностью принимая децентрализованные принципы.

По праву, это противоречит основным ценностям веб3 AI Agent, таким как «распределенные серверы, распределенное сотрудничество и распределенные стимулы». Как централизованный итальянский пушка мог взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять взять

Проблема заключается в том, что на ранних этапах web3 AI Agent был слишком «ориентирован на web2». Многие команды, участвующие в проекте, имеют опыт работы в web2 и не имеют глубокого понимания собственных потребностей web3. Возьмем, к примеру, фреймворк ElizaOS, изначально созданный для помощи разработчикам быстро развивать приложения AI Agent. Он интегрировал платформы, такие как Twitter и Discord, а также API, такие как OpenAI, Claude и DeepSeek, предоставляя фреймворки для памяти и развития персонажа для ускорения развертывания AI Agent. Но при ближайшем рассмотрении, в чем отличие этого сервисного фреймворка от web2 open-source инструментов? Какие уникальные преимущества он предлагает?

Предполагаемое преимущество заключается в его токеномической системе поощрений. Но по сути, это рамочная структура, которую легко можно заменить веб-2, управляющими ИИ-агентами, которые в первую очередь сосредоточены на выпуске новых монет. Это вызывает беспокойство. Если вы следуете этой логике, вы поймете, почему Manus + MCP могут нарушить ИИ-агентов web3: многие существующие рамочные структуры ИИ-агентов web3 просто воспроизводят быстрые потребности развития и применения ИИ-агентов web2 без продвижения в технических услугах, стандартах или дифференциации. В результате рынок и капитал переоценили и перенастроили ранние ИИ-агенты web3.

3) Теперь, определив суть проблемы, что можно сделать, чтобы ее решить? Ответ прост: сосредоточьтесь на создании по-настоящему веб3-ориентированных решений. Уникальное преимущество веб3 заключается в его распределенных системах и структурах стимулирования.

Рассмотрим распределенные облачные вычисления, данные и платформы сервисов алгоритмов. Хотя на первый взгляд может показаться, что агрегирование бездействующих ресурсов для обеспечения вычислительной мощности и данных не удовлетворит немедленные потребности в инженерных инновациях, на деле, поскольку множество AI LLMs участвуют в гонке за производительностью, идея предоставления "бездействующих ресурсов по низкой цене" становится привлекательной моделью сервиса. Изначально веб-разработчики и венчурные капиталисты могут отклонить это, но по мере того, как инновации веб-агентов AI веб2 двигаются вперед от производительности к вертикальному расширению применения, настройке и оптимизации модели, преимущества ресурсов AI веб3 станут ясными.

Фактически, как только веб2 искусственный интеллект достигнет вершины благодаря монополии на ресурсы, будет все сложнее развернуть и использовать стратегию "сельское окружает город" для решения сегментированных, узкоспециализированных приложений. Именно тогда изобилие разработчиков веб2 искусственного интеллекта, объединенное с ресурсами веб3 искусственного интеллекта, действительно будет продвигать вперед.

Таким образом, возможность для веб3 AI Агентов ясна: прежде чем платформа веб3 AI-ресурсов будет затоплена разработчиками веб2, ищущими решения, нам нужно сосредоточиться на разработке набора выполнимых, веб3-ориентированных решений. Помимо быстрого развертывания в стиле веб2, многоагентного сотрудничества и моделей валют на основе токеномики, существует множество инновационных веб3-ориентированных направлений для исследования веб3 AI Агентами:

Например, для реализации потребуется распределенная согласованная среда сотрудничества, учитывая особенности крупной модели LLM внецепочтового вычисления и хранения состояния на цепи. Для этого требуется много адаптируемых компонентов:

1. Децентрализованная система верификации личности DID: это позволит агентам иметь проверяемые ончейн-идентификаторы, подобно тому, как уникальный адрес генерируется для смарт-контракта выполняющей виртуальной машиной. Эта система в основном используется для непрерывного отслеживания и записи последующих статусов;

2. Децентрализованная система Oracle: Эта система отвечает за доверенное получение и верификацию данных вне цепи. В отличие от традиционных Оракулов, эта система, адаптированная к искусственным интеллектом Агентам, может потребовать комбинированной архитектуры, включающей слои сбора данных, слои консенсуса по решениям и слои обратной связи по исполнению. Это гарантирует, что данные, необходимые агенту на цепи и внецепных вычислениях и решениях, могут быть получены в реальном времени;

3. Децентрализованная система хранения DA: поскольку состояние базы знаний во время работы агента ИИ неопределено, а процессы рассуждения склонны быть временными, необходимо записать ключевую библиотеку состояний и пути рассуждения за LLM. Эти данные должны храниться в распределенной системе хранения с механизмом доказательства данных с контролем стоимости для обеспечения доступности данных во время верификации на общедоступной цепочке;

4. Слой вычислений приватности с доказательством нулевого разглашения (ZKP): это может интегрироваться с решениями приватных вычислений, такими как TEE (Trusted Execution Environment) и FHE (Fully Homomorphic Encryption), обеспечивая вычисления приватности в реальном времени и верификацию доказательств данных. Это позволяет Агентам получить доступ к более широкому спектру вертикальных источников данных (например, медицинские, финансовые), что приводит к появлению более специализированных, настраиваемых сервисных Агентов;

5. Протокол взаимодействия между цепями: Это будет напоминать структуру, определенную протоколом с открытым исходным кодом MCP. Однако для этого решения взаимодействия требуются механизмы ретрансляции и планирования коммуникаций, которые адаптируются к операциям агента, передаче и верификации. Это обеспечивает передачу активов и синхронизацию состояния между различными цепями, особенно для сложных состояний, таких как контекст агента, подсказки, база знаний, память и т. д.

……

На мой взгляд, основным вызовом для веб-агентов AI в рамках Web3 является максимально тесное согласование "сложных рабочих процессов" агентов AI с "потоком проверки доверия" блокчейна. Эти пошаговые решения могут возникнуть в результате модернизации существующих проектов или быть переосмыслены в рамках новых проектов в сюжетной линии AI агента.

Это направление, в котором веб-агенты Web3 AI должны стремиться развиваться, выстраиваясь в фундаментальной инновационной экосистеме в рамках макро-повествования о AI + Crypto. Если нет инноваций или установления дифференцированных конкурентных барьеров, каждый сдвиг в веб-агенте Web2 AI может нарушить веб-ландшафт AI.

Отказ:

1. Эта статья воспроизведена из [ Подписаться на Haotian-CryptoInsight на Substack], авторские права принадлежат оригинальному автору [@haotiancryptoinsight]. Если у вас есть возражения против перепечатки, пожалуйста, свяжитесь Gate Learnкоманда, команда обработает это как можно скорее в соответствии с соответствующими процедурами.
2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционными советами.
3. Другие языковые версии статьи переведены командой Gate Learn и не упоминаются в Gate.io, переведенную статью нельзя воспроизводить, распространять или плагиатировать.