Удосконалено; надто довгий текст, не читав

Нижче подані мої особисті думки:

1) MCP (Model Context Protocol) — це стандартизований протокол з відкритим вихідним кодом, призначений для забезпечення безперебійних з'єднань між різними AI LLM (великими мовними моделями) та агентами з різноманітними джерелами даних та інструментами. Подумайте про це як про «універсальний» USB-інтерфейс plug-and-play, який замінить старі, жорсткі наскрізні «специфічні» методи упаковки.

У простих термінах, між застосунками штучного інтелекту існували чіткі сховища даних. Для взаємодії між Агентами/LLM кожен з них повинен був розробляти свої власні інтерфейси API. Це ускладнювало процес і не надавало можливості двосторонньої взаємодії. Крім того, ці моделі часто мали обмежений доступ та дозволи.

Прибуття MCP забезпечує єдину платформу, яка дозволяє застосункам штучного інтелекту вийти за межі минулих силосів даних та динамічно отримувати зовнішні дані та інструменти. Це радикально зменшує складність розробки та покращує ефективність інтеграції, особливо в автоматизації завдань, запитів реального часу та сприянні міжплатформенній співпраці. Як тільки я згадав це, багато хто відразу подумали: якщо Manus, інновація в співпраці багатьох агентів, інтегрує MCP — платформу, призначену для підвищення такої співпраці — чи вона не буде нестримною?

На жаль, Manus + MCP - ключовий фактор, що стоїть за поточними розладами в просторі веб-агентів штучного інтелекту Web3.

2) Однак те, що насправді дивує, це те, що як Манус, так і МСР - це фреймворки та стандарти протоколів, призначені для веб2 LLM/Agent, що вирішують проблеми, пов'язані з взаємодією даних та співпрацею між централізованими серверами. Їх дозволи та контроль доступу все ще ґрунтуються на «активному» відкритті кожного серверного вузла. Іншими словами, вони працюють більше як атрибути відкритого коду, ніж повністю приймають децентралізовані принципи.

Законно, це суперечить основним цінностям web3 AI Agent, таким як «розподілені сервери, розподілений співробітництво та розподілені стимули». Як централізоване італійське гарматне може вразити децентралізовану фортецю?

Проблема полягає в тому, що на ранніх етапах web3 AI Agent був занадто «web2-центричним». Багато команд, які брали участь, мають досвід роботи в web2 та не розуміють глибоко потреб web3. Візьмемо, наприклад, фреймворк ElizaOS, що спочатку був створений для допомоги розробникам швидко розгортати додатки AI Agent. Він інтегрував платформи, такі як Twitter та Discord, а також API, такі як OpenAI, Claude та DeepSeek, надаючи фреймворки для розвитку пам'яті та персонажів, щоб прискорити розгортання AI Agent. Проте, при ретельному аналізі, в чому відрізняється цей сервісний фреймворк від відкритих інструментів web2? Які унікальні переваги він пропонує?

Припущене перевага полягає в його системі стимулювання токеноміки. Але в основі це фреймворк, який легко можна замінити веб2, що веде штучних інтелектуальних агентів, які в основному спрямовані на випуск нових монет. Це викликає певні стурбованості. Якщо ви слідуєте цій логіці, ви зрозумієте, чому Manus + MCP може нарушити веб3 Штучні інтелектуальні агенти: багато існуючих фреймворків веб3 Штучних інтелектуальних агентів просто реплікують стрімкий розвиток і потреби застосування веб2 Штучних інтелектуальних агентів, не просуваючись у технічних послугах, стандартах або відмінностях. В результаті ринок і капітал переоцінили та перекалібрували раніше існуючі веб3 Штучні інтелектуальні агенти.

3) Тепер, визначивши суть проблеми, що можна зробити, щоб її вирішити? Відповідь проста: акцентуйте увагу на створенні дійсно веб3-орієнтованих рішень. Унікальна перевага веб3 полягає в його розподілених системах та структурах стимулювання.

Розгляньте розподілені платформи обчислень у хмарі, дані та алгоритми обслуговування. Хоча на перший погляд може здатися, що агрегування простою ресурсів для забезпечення обчислювальної потужності та даних не задовольнить негайні потреби в інженерній інновації, реальність полягає в тому, що, оскільки багато штучних інтелектуальних LLMs беруть участь в гонці за продуктивністю, ідея пропонування "вільних ресурсів за низькою ціною" стає привабливою моделлю обслуговування. Спочатку розробники web2 та ВК можуть не вважати це за важливе, але коли інновація web2 AI Agent переходить від продуктивності і входить в вертикальне розширення застосувань, налаштування та оптимізацію моделей, переваги ресурсів web3 AI стануть очевидними.

Фактично, як тільки web2 AI досягне вершини завдяки монополії на ресурси, буде все складніше розвернути й використовувати стратегію "сільська-окружає-місто" для розв'язання сегментованих, нішевих застосувань. Тоді велика кількість розробників web2 AI, поєднана з ресурсами web3 AI, дійсно прискорить розвиток.

Отже, можливість для веб3 AI агентів очевидна: перед тим як ресурсна платформа веб3 AI буде затоплена розробниками веб2, що шукають рішення, нам потрібно сконцентруватися на розробці набору прийнятних, веб3-орієнтованих рішень. Поза лише швидким розгортанням у стилі веб2, співпрацею кількох агентів та моделями валют, заснованими на токеноміці, існує безліч інноваційних веб3-орієнтованих напрямків для дослідження веб3 AI агентами:

Наприклад, для потреб потрібна розподілена рамка співпраці згоди, з урахуванням характеристик LLM великої моделі обчислень поза ланцюжком та зберігання стану в ланцюжку. Це вимагає багатьох адаптивних компонентів:

1. Децентралізована система перевірки ідентифікації DID: Це дозволить агентам мати перевірні ідентичності на ланцюгу, аналогічно тому, як унікальна адреса генерується для смарт-контракту виконавчим віртуальним машину. Ця система використовується головним чином для постійного відстеження та запису подальших статусів;

2. Децентралізована система оракулів: Ця система відповідає за довірене отримання та підтвердження даних поза ланцюгом. На відміну від традиційних оракулів, ця система, адаптована до Штучних Інтелектуальних Агентів, може вимагати поєднаної архітектури, включаючи шари збору даних, шари консенсусу прийняття рішень та шари зворотнього зв'язку виконання. Це забезпечує, що дані, необхідні для агента на ланцюгу, та обчислення та рішення поза ланцюгом можуть бути доступні в реальному часі;

3. Децентралізована система зберігання DA: Оскільки стан бази знань під час функціонування AI Агента є невизначеним, а процеси мислення мають тимчасовий характер, необхідно записати ключову бібліотеку станів та шляхи мислення за LLM. Їх слід зберігати у розподіленій системі зберігання з механізмом підтвердження даних з контролем вартості, щоб забезпечити доступність даних під час перевірки на публічному ланцюжку;

4. Шар знань (ZKP) Шар приватної обчислювальної шари: Це може інтегруватися з рішеннями приватного обчислювання, такими як TEE (Trusted Execution Environment) та FHE (Fully Homomorphic Encryption), що дозволяє обчислення в реальному часі та підтвердження даних. Це дозволяє Агентам отримувати доступ до широкого спектру вертикальних джерел даних (наприклад, медичних, фінансових), що призводить до появи більш спеціалізованих, індивідуальних сервісів Агентів;

5. Протокол міжланцюжкової взаємодії: Це нагадує рамки, визначені відкритим протоколом MCP open-source. Однак це рішення забезпечує взаємодію, яке потребує механізмів релею та планування комунікацій, які адаптуються до операцій Агента, передачі та верифікації. Це забезпечує переклад активів та синхронізацію статусу між різними ланцюжками, особливо для складних станів, таких як контекст Агента, Запити, база знань, Пам'ять тощо.

……

На мою думку, основним викликом для агентів штучного інтелекту Web3 є максимально можливе узгодження "складних робочих процесів" агентів штучного інтелекту з "потоком перевірки довіри" блокчейну. Ці інкрементальні рішення можуть виникати як з модернізації існуючих проектів, так і переосмислення в межах нових проектів в наративному треку агента штучного інтелекту.

Це напрям, яким повинні розвиватися агенти Web3 AI, узгоджуючись з фундаментальною інноваційною екосистемою в рамках макро-наративу AI + Crypto. Якщо немає інновацій або створення відмінних конкурентних бар'єрів, кожний здвиг на трасі Web2 AI може нарушити ландшафт Web3 AI.

Disclaimer:

1. Ця стаття відтворена з [GateПідписка Haotian-CryptoInsight на Substack], авторське право належить оригінальному автору [@haotiancryptoinsight]. Якщо у вас є які-небудь зауваження до перевидання, будь ласка, зв'яжіться Gate Learnкоманда, команда якнайшвидше вирішить це згідно з відповідними процедурами.
2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, представляють лише особисті погляди автора і не є жодною інвестиційною порадою.
3. Інші мовні версії статті перекладені командою Gate Learn і не згадуються в Gate.io, перекладений матеріал не може бути відтворений, розповсюджений або узят за основу.