币界网

Aave Labs在9月8日上线官方MCP Server，地址为mcp.aave.com。支持Model Context Protocol的AI助手可以通过一个连接读取Aave V3和V4实时数据，也能准备存款、借款、还款、提款、抵押切换、奖励领取、清算和兑换等交易。最关键的限制是：服务器返回的交易保持未签名，私钥不由Aave MCP持有，最后授权仍在用户钱包。
这类接口把DeFi操作从网页按钮转成自然语言。用户可以询问某个钱包的健康因子、跨网络稳定币收益，或要求准备一笔500 USDC存款。助手不必依赖训练数据或第三方封装，而是从官方工具取得利率、上限、风险参数和仓位状态。便利性提高的同时，表达错误也会更接近真实资产，因此权限设计比聊天体验更重要。
官方数据与交易构建减少集成误差，却没有消除市场风险
读取工具覆盖链、市场、储备、利率、供应和借款上限，以及APY、存款和借款的时间序列。仓位查询可以返回多链供应、负债、整体健康因子、可领取奖励和交易历史。V4还提供单仓位健康数据和Liquidity Hub层面的流动性与会计信息，允许助手比较V3、V4或同时查询两者。
交易工具不是直接替用户发送。`prepare_`工具返回交易请求或EIP-712类型化数据，用户钱包完成签名。preview_action可先模拟操作并给出执行后的健康因子；兑换流程也拆成报价、准备、提交和状态查询。这样的分层有助于在不可逆动作前检查，但用户仍要看清链、资产、数量、授权对象和最小到账值。
Aave称服务器基于Aave Kit，因此数学逻辑与官方界面一致，并把大约17KB的储备详情压缩到约1KB模型所需字段。更小响应能节省上下文，也减少模型在大量无关字段中出错的机会。不过“与官方界面同源”并不保证市场价格不会跳变、预言机不会延迟、交易不会被抢跑，或用户不会在签名前误解自然语言。
V3与V4的统一入口也需要明确版本。相同的“存入”或“借出”请求，在不同网络、市场和风险模式下可能产生不同结果。使用all比较时，助手应展示选中的版本和市场，而不是只给一个最高APY。收益率高可能来自利用率上升，也可能伴随更低流动性和更高退出成本。
用户控制签名只是底线，还需要模拟、限额和持续监控
未签名交易能防止服务器单独转走资产，但并不能防止用户签下错误交易。钱包界面应把自然语言意图翻译为可读摘要，突出支出上限、无限授权、接收资产和健康因子变化。高风险动作可以要求二次确认，批量交易则要允许逐项展开，避免用户只看到一句“优化仓位”。
模拟结果也有时间边界。它依据当时区块状态、价格和流动性估算，等用户确认时条件可能已经变化。系统应显示模拟区块、报价有效期和允许滑点，签名前必要时重新模拟。若重新计算后的健康因子或到账数量越过阈值，就应中止而不是继续沿用旧结果。
官方举例称，代理可以在健康因子低于1.5时监控仓位并准备还款，然后等待用户签名。这说明当前设计更接近“自动发现风险、半自动生成动作”，而不是无人值守自动处置。若用户离线、网络拥堵或抵押品快速下跌，等待签名仍可能来不及。需要自动化的机构应另外设计授权范围、守护服务和应急规则。
连接器本身也要纳入安全管理。企业应固定官方域名、检查TLS、限制助手可调用的工具，并记录每次读取与准备请求。任何外部文本都不应直接改变付款地址或交易参数。若助手同时浏览网页，网页中的提示注入可能诱导它准备不符合用户意图的操作，因此交易工具要与不可信内容隔离。
治理查询同样需要区分信息与投票。MCP可以搜索提案、返回法定人数状态并列出投票权，但模型总结可能遗漏条件或时间窗口。用户在委托、投票前仍应打开原提案和链上数据核对，尤其不要根据自动摘要授权无限期代理。自然语言入口适合降低阅读门槛，不应成为遮蔽协议细节的新中间层。
Aave MCP Server已经在线，并覆盖V3和V4，但官方也表示仍有更多功能在路上。它降低了开发者维护两套SDK和重复实现协议会计的成本，却没有把DeFi变成无风险的自然语言银行。最有价值的边界恰恰是服务器不拿密钥：AI可以读、算、模拟和准备，人仍决定是否签名。只有当这条边界在界面、日志和权限中都清楚可见，便捷才不会以失去控制为代价。

Circle在9月9日开放Agent Marketplace的Discovery API。开发者无需API密钥、认证或Circle账户，即可通过一个公开端点查询接受USDC的x402服务，并按类别、网络、价格和支付方式筛选。返回结果不仅列出服务地址，还包含网络、代币合约、收款钱包、原子单位价格和输入参数结构，使代理能够在程序中完成“发现—核价—付款—调用”的闭环。
过去代理支付的讨论大多集中在钱包和签名，但一个代理首先要知道市场上有什么服务、服务是否在线、价格如何表达。若每个提供商都使用自己的目录与文档，代理仍要靠人工配置。Discovery API试图把可付费接口整理成机器可读目录，覆盖市场数据、网页搜索、媒体生成、预测市场和基础设施等类别。

La Oficina de Censos de EE. UU. publicó el 10 de septiembre los datos del comercio mayorista de julio: tras el ajuste estacional y por días de actividad, las ventas de los mayoristas fueron de 8013 mil millones de dólares, con un crecimiento del 0,8% respecto al mes anterior y del 13,0% interanual; el inventario al cierre del mes fue de 9589 mil millones de dólares, con un crecimiento del 1,3% respecto al mes anterior y del 5,7% interanual. El ritmo de aumento de los inventarios fue más rápido que el de las ventas del mes, pero la ratio inventario/ventas bajó de 1,28 a 1,20 frente al año anterior, lo que indica que el aumento del volumen total no se ha convertido automáticamente en un acumulado general de sobrestock.
El eslabón del comercio mayorista está entre los productores y los minoristas. Los inventarios pueden ser una reposición activa por la confianza de las empresas en la demanda futura, o una acumulación pasiva que queda cuando los productos no se mueven. Para determinar cuál se ajusta más a la realidad, hay que observar de forma conjunta las ventas, la ratio inventario/ventas, la estructura del sector y los cambios de precios. Solo ver que los 9589 mil millones de dólares marcan un nivel alto y concluir que el exceso de existencias por parte de las empresas es grave, ignoraría que también están cambiando los precios nominales y la escala de las ventas.

美国人口普查局9月11日发布的企业形成统计显示，8月经季节调整后的企业申请为531728份，较修订后的7月576512份下降7.8%。这个降幅很醒目，但单月回落发生在7月环比增长8.1%之后，更像高位波动，而不是可以单独证明创业活动进入衰退的信号。
企业申请统计来自申请雇主识别号，也就是EIN的税务表格。它速度快、覆盖广，能较早观察潜在创业活动，因此经常被当作经济活力的领先指标。不过“申请一个号码”和“开出一家持续雇佣员工的企业”之间还有很长距离。有人会取消计划，有些主体只用于资产持有或个体经营，还有些申请需要数月才产生工资税记录。
53万份申请是意向流量，不是53万家新雇主已经开业
人口普查局的Business Formation Statistics包含四类申请序列和八类形成序列。总申请排除了税收留置权、遗产、信托、部分金融申报、农业和公共管理等项目；高倾向申请则根据行业、法律形式和是否计划支付工资，筛出更可能形成雇主企业的部分。不同口径回答的问题不同，不能只拿最大的总申请数当成新增公司数量。
季节调整也很关键。开年报税安排、学期变化、假日和政策时间点都会影响EIN申请，统计部门用历史规律消除可预期季节波动。8月环比下降7.8%指的是调整后的变化，不代表每个州、每个行业都同步下滑。要判断趋势，至少应同时观察三个月平均、高倾向申请、计划支付工资的申请，以及后续四个或八个季度的预计企业形成。
7月数据被修订为576512份，环比增长8.1%。把两个月连起来看，8月的下降部分抵消了前月跳升。月度序列本来就容易受集中申报和日历影响，媒体若只截取一个负数，很容易把“热度降温”写成“创业崩塌”。更准确的说法是：申请流量从7月高点回落，后续能否转为持续下行仍需等待更多月份。
统计定义在2026年也有变化。人口普查局从1月发布起使用2022版行业分类重述时间序列，并把与互联网销售相关的申请排除出部分高倾向和公司申请口径。年度更新还会根据更完整的行政记录修订行业代码和实际企业形成。比较长周期时必须使用同一版本序列，不能把口径变化误判成真实经济转折。
判断创业质量，要继续看雇佣、融资和存活率
申请量反映进入意愿，真正影响经济的是这些意愿能否变成营业、投资和岗位。利率较高时，注册企业的成本不一定大幅增加，但租金、库存、设备和周转资金更贵，申请者可能更谨慎地进入实质经营。数字平台又降低了试验成本，使很多人可以先申请、后验证市场，导致申请数与传统实体企业数量之间的距离扩大。
行业结构也会影响含义。专业服务、建筑、餐饮、运输和电商的资本需求、雇佣速度及失败率差异很大。相同的申请总量，如果更多来自高倾向且计划支付工资的主体，对未来就业的指示意义通常更强；如果集中于低资本、无雇员活动，则更接近自雇和项目制收入的变化。
地区数据也不能被全国平均掩盖。人口增长较快、住房建设活跃或产业投资集中的州，申请量可能保持强劲；依赖单一产业的地区则可能更敏感。比较州际变化时还应使用人口或劳动年龄人口作分母，否则大州天然拥有更多申请。灾害、税务截止日和州级注册政策也会制造短期峰谷。
从企业主角度看，申请减少可能意味着预期回报下降，也可能只是此前需求被提前释放。7月大幅上升之后，部分原本会在8月提交的申请可能已经完成。没有申请日期分布和后续形成数据，无法把这两种解释分开。因此，新闻标题可以描述回落，却不应直接给创业者信心或经济周期贴上确定标签。
投资者还应把这组数据与小企业信心、银行贷款标准、职位空缺和地方消费结合。申请上升但贷款收紧，可能意味着创意增加却难以融资；申请下降而存量企业销售改善，也不必然代表经济走弱。BFS的优势是早，代价是离最终结果远，适合提供方向线索，不适合独立给出增长结论。
人口普查局明确把预计企业形成定义为前瞻估计：它估算某一批申请在未来四个季度内产生工资税义务的数量，不是某个月实际新开业公司的总数。新闻写作应保留这层限定。8月531728份申请和7.8%的环比下降是真实统计，但它只说明入口流量变化。创业潮是否持续，最终要由高倾向申请、实际雇主诞生、岗位和企业存活共同回答。

OpenAI在9月10日把GPT‑Live‑1开放到API，定价为前端语音层每分钟0.05美元。它采用全双工方式处理音频，可以一边听一边说，也能在对话继续时把复杂推理和工具调用交给GPT‑6 Astra等后台文本模型。对开发者来说，这不是简单换一套更自然的声音，而是把语音系统从“识别—推理—合成”的串联系统，改成前台对话和后台执行协同的结构。
传统语音机器人最明显的问题不是听不清每个字，而是不知道什么时候该说、什么时候该停。用户稍作停顿，系统可能抢答；用户中途改口，已经生成的回复仍继续播放；背景有人说话，机器人又把旁人的声音当指令。每一次语音转文字、模型响应和文字转语音之间的交接都会增加延迟，也容易丢掉语气、停顿和打断信号。
全双工减少机械轮次，但测试结果不等于所有场景都稳定
GPT‑Live‑1用同一模型联合处理输入和输出音频，官方强调其打断处理、背景噪声、静默管理和长会话可靠性。Speak在早期评估中称，相比此前的轮次式系统，语言学习者思考时被打断的次数减少近80%。另一家客户表示，改用该模型后代码量减少80%，删掉约2.3万行。它在Full Duplex Bench上比GPT‑Realtime‑2.1提升30个百分点，并可与后台模型组合处理端到端任务。
这些数字说明架构有潜在收益，但都带有测试环境和客户实现的边界。语言学习中的停顿规律，与急救热线、银行客服或嘈杂餐厅不同；某家公司删掉的代码，也取决于原系统堆叠了多少中间组件。开发团队不能把“减少80%”写进自己的商业承诺，必须用真实口音、设备、网络和业务脚本重新测量。
全双工还改变了错误形态。串联系统虽然慢，却容易定位是识别错、模型错还是合成错；端到端语音模型更自然，但需要同时记录音频时间轴、转写、系统动作和被打断的位置。客户说“不要取消”时，如果代理已经把取消请求提交到后台，声音停止并不代表动作停止。前台对话状态与后台交易状态必须分别管理。
官方提供更多口音、方言和语言的声音选择，也允许通过系统提示调整语气、节奏和风格。自定义声音仍需联系销售并满足资格条件，不能理解为所有开发者都能立即克隆任意声音。企业还应明确告知用户正在与AI交流，禁止未经授权模仿真人，并对录音保存、声纹数据和转写内容设置保留期限。
真正上线要把延迟、权限、转人工和成本一起计算
语音代理适合预约、订单查询和常规客服，因为问题通常结构化，后台动作也能明确确认。设计流程时，应把“听懂意图”和“执行动作”分开。查询营业时间可以直接回答，修改地址可以复述确认，付款、退订或医疗安排则需要更强验证。用户打断一次，不应自动视为同意或撤销，关键动作要用清晰问题完成闭环。
转人工机制同样重要。系统应识别连续误解、强烈情绪、高风险关键词和工具失败，而不是为了维持自动解决率不断猜测。转接时要把已确认信息、未完成动作和对话摘要交给人工，避免让用户从头再说。长会话性能提升不意味着代理可以无限拖延；越早承认不确定，越能减少后续补救成本。
价格也不能只按0.05美元乘通话时长。后台模型推理、电话线路、工具调用、日志存储和人工兜底都会产生费用。全双工可能缩短通话，也可能因为交流更自然而延长会话。评估时应同时看每次成功解决的总成本、平均处理时间、打断恢复率、错误操作率和转人工后的重复陈述率。
语言覆盖还需要本地实测。同一种语言在不同地区有口音、语速、数字读法和客服礼貌习惯，电话线路压缩也会损失声音细节。测试集应包含老人、儿童、非母语者、多人同处一室和弱网络，而不是只让内部员工在安静办公室朗读脚本。只有失败样本足够真实，模型升级才不会把演示效果误当成大众体验。
GPT‑Live‑1已经在API中可用，但更多声音和语言仍会继续扩展，部分定制能力也有资格限制。它让语音代理跨过了“轮流念稿”的体验门槛，却没有消除业务系统的责任边界。决定产品是否好用的，不只是模型听起来像不像人，而是用户改口时能不能真正停下，后台动作能不能同步撤回，出错时能不能迅速找到人，并且每一步都留下可核对的记录。

OpenAI在9月10日推出Agents API公开测试版，把支撑Codex和ChatGPT Work的代理框架交给开发者。过去团队要自己拼接上下文管理、工具调用、任务续跑、环境隔离和多代理编排，现在可以用一次API调用启动长任务。开发者仍可选择运行环境：使用OpenAI托管沙箱、自己的基础设施，或合作伙伴提供的沙箱。它改变的是工程入口，并没有把“代理可靠性”变成自动获得的能力。
这次发布值得注意，不是因为市场又多了一个agent接口，而是模型之外的执行层开始产品化。普通模型请求大多在几秒或几分钟内结束，代理任务可能持续数小时甚至数天，期间要读文件、运行代码、保存中间结果、调用外部服务，还要在失败后知道从哪里继续。只要其中一个环节没有状态记录，模型再强也可能在重试时重复下单、覆盖文件或丢失已经完成的工作。
托管的是长任务执行框架，不是替企业承担业务责任
官方说明，Agents API采用持续演进的Codex harness，负责压缩和管理上下文、有效使用工具、协调子代理，并为长会话保存工作状态。OpenAI托管沙箱可以提供预配置的文件系统和代码运行环境，企业也能把执行环境留在自己的基础设施内。后一种方式更适合受监管数据和内部系统，但意味着网络策略、镜像维护、凭证注入和日志留存仍由企业承担。
“一次API调用”容易让人误解成代理可以无监督地完成所有事情。实际上，调用只是建立一个可持续运行的任务容器。开发者仍需定义目标、工具范围、结束条件和产物格式，并判断哪些动作只读、哪些会改数据、哪些必须由人批准。尤其当代理连接邮箱、支付、生产数据库或发布系统时，权限不能只按“这个工具能不能用”划分，还要限定资源、金额、时间、对象和调用次数。
公开测试版也是明确的状态限定。它意味着接口已经可供开发者试用，但版本、配额、功能和行为仍可能调整，不应写成已经成熟稳定的最终规格。官方列出的客户案例显示，一家用户的评估分数从0.71提高到0.85，子代理流程延迟下降四倍；这些是特定系统的测试结果，不能直接外推到所有业务。任务结构、工具响应速度和验收标准不同，收益会有很大差异。
对于企业，最重要的设计不是让代理“更自主”，而是让每次动作都有可审计证据。一个合格的执行记录至少要包含任务输入、模型与版本、工具参数、外部响应、文件哈希、人工审批和最终状态。遇到网络中断时，系统必须能够判断上一次写操作是否已经成功，优先查询结果而不是再次提交。否则长任务越自动化，重复付款、重复发布和重复创建资源的风险越大。
从演示走到生产，要先建立暂停、恢复和验收机制
长任务需要显式检查点。代理完成资料收集、方案生成、代码修改和正式部署后，应分别保存状态，而不是到最后才输出一段总结。这样即使会话中断，也能从最近一个已验证阶段恢复。涉及多代理时，主代理还需要防止多个子任务同时修改同一资源，并在合并前核对冲突、来源和版本。
验收同样不能只听代理自报“完成”。代码任务要跑测试并检查部署端，数据任务要核对样本和汇总值，内容发布要从公开页面回读标题、正文和作者。Agents API提供的是运行框架，业务是否成功仍要靠可观察的外部结果证明。企业最好把验收条件写成机器可检查的布尔项，并把“部分完成”“等待批准”“外部失败”设成独立状态。
成本也会从单次token费用转向整条执行链。长任务会消耗模型推理、沙箱计算、存储、网络和第三方API额度。多代理能缩短等待时间，却可能提高总调用量。上线前应测量每个成功任务的完整成本，而不是只比较某一模型的百万token价格。失败重试和人工复核也要计入，否则早期演示的效率提升很容易在规模化后被异常处理抵消。
Agents API把一套复杂但重复的基础设施变成公共产品，降低了开发门槛。这一步可能让更多团队从“聊天机器人”进入真正执行工作的系统，但公开测试并不等于可以跳过控制面。最稳妥的使用方式，是先从可撤销、低权限、结果容易验证的任务开始，再逐步开放写操作。代理能跑多久并不是核心指标；它能否在每一步说明做了什么、留下证据、遇到不确定性停下来，才决定它能不能进入生产。