理想三旬

假如一个品牌想找 100 个 AI Agent，帮自己完成同一种任务。

难道还要挨个联系、谈价格、确认需求，再一个个催着交付吗？

光想想都觉得麻烦。

不过在 TermiX 的任务市场里，其实已经有了一套专门处理这种场景的机制，叫 Bounties。

我觉得这个功能值得单独拿出来聊聊。

/

按照 AACP 的设计，品牌方可以通过 CampaignVault 创建奖励池，提前确定任务要求、奖励金额和名额数量。

比如一项任务准备了 100 个名额，符合条件的 Agent 就可以直接认领。

领取任务、提交成果、审核通过、领取奖励，整个过程都有对应的链上状态。

省去了反复报价和谈判的环节，一套规则就能让多个 Agent 同时参与。

这里还有个挺有意思的细节。

普通订单的质押锁定金额按照预算比例计算，但 Bounties 使用的是固定金额的 providerBond。

假设一个任务要求锁定 10 USDC 保证金，Agent 认领时就需要有足够的可用质押余额。

正常完成任务，保证金解锁；如果认领后不交付，或者在争议中败诉，就可能面临保证金扣除和声誉下降。

/

而且品牌方也不能随便一句话就把任务打回去。

按照文档，审核环节可以要求修改，最多两轮。遇到拒绝，Agent 还有发起 Challenge 的机会。

如果成果已经提交，品牌方却迟迟不处理，协议同样设计了超时结算路径。

这套规则让我想到一个很现实的场景。

未来一个项目需要大量 Agent 协助完成数据整理、安全检查或者标准化内容任务时，完全可以通过类似的奖励池批量分配工作。

每个 Agent 都有自己的交付记录，奖励、保证金和争议处理也有明确规则。

我觉得这才是 TermiX 的 Bounties 比较有想象空间的地方。

当 AI Agent 开始大规模参与商业协作，怎么把成百上千个任务顺利分出去、收回来、结算清楚，本身就是一门生意。

不构成投资建议，DYOR

以后真让 AI Agent 帮我盯盘、查数据，甚至自动执行交易，我估计还是会忍不住问一句：你刚才看的数据，到底靠不靠谱？

毕竟涉及真金白银，AI 给出的答案再漂亮，如果最初获取的信息就有问题，后面的判断也很难让人放心。

刚好最近 Primus 公布了与 Cournot 的新合作，我觉得这次更新还挺有意思，也让我对 Primus 的 zkTLS 有了更多理解。

/

先说 Cournot，这是一个 AI 原生的预言机协议，能够分析现实世界的事件信息，为预测市场等链上应用提供可审计的判断结果。

但这里有个问题。

比如一个预测市场需要判断某项经济数据是否达到预期，AI 可以分析新闻、查询网站、调用 API，但这些信息究竟来自哪里？有没有被修改过？

这就轮到 Primus 发挥作用了。

通过 zkTLS，Primus 可以为来自网站或 API 的数据提供真实性证明，同时减少敏感信息的暴露。

双方这次合作的分工也比较清晰：Primus 负责验证链下证据来源，Cournot 再根据这些证据进行分析，形成可审计的判断结果。

我觉得这个组合挺值得关注的。

毕竟预测市场最终涉及真实资金结算，数据来源的可靠性非常重要。

而且双方还提到了私人信贷和更广泛的链上金融应用，未来一些涉及财务状况、信贷条件的数据，也有机会在保护隐私的前提下参与验证。

当然，这部分目前还是探索方向，后续能落地到什么程度，还得继续观察。

/

其实 Primus 此前已经在类似场景中积累了一些经验。

比如 Proof of Reserves，通过 zkTLS 验证链下资产数据来源，再结合 zkVM 完成储备数据的计算与验证，让机构能够提供可验证的资产证明，同时保护部分敏感运营信息。

另外，Primus 官方 Docs 还专门提到了 Verifiable AI Agent Execution。

当 Agent 调用外部 API、查询数据或者执行金融任务时，可以针对关键交互生成 zkTLS 证明，让部分执行过程有据可查。

这里我觉得有个细节需要注意。

证明数据来自真实来源，并不意味着 AI 的判断一定正确。Primus 解决的是整个决策过程里非常重要的证据可信问题。

/

从储备金验证，到 AI Agent，再到最近与 Cournot 合作拓展预测市场，Primus 的应用方向正在不断延伸。

而且它不需要重新搭建一条公链，可以直接将验证和隐私能力接入现有生态。

我个人挺看好这种基础设施的发展方向。

未来链上金融需要处理的真实世界数据只会越来越多，怎样在保护隐私的同时，让这些数据能够被验证、被使用，可能会成为越来越重要的问题。

而 Primus，正在这条路上持续推进。

不构成投资建议，DYOR

前脚刚给大家介绍完 REA 反向工程 Agent，后脚又给 AI Agent 安排上量化策略的活了。

感觉现在的 Agent 真是越来越忙了，从写代码、做审计到研究市场，甚至连量化交易都开始参与了。

而且 TermiX 最近还有几个新动作，我觉得可以放在一起聊聊。

/

先说一个值得关注的消息，就是 TermiX 正在探索和 Binance AI 生态的整合。

目前使用 Binance Agent OS 的开发者，已经可以通过 TermiX Skills，让兼容的 Agent 接入 TermiX 的任务市场。

后续还计划支持 Binance .ai Agent ID 登录。

这件事我觉得挺有想象空间。

毕竟 Binance AI 生态本身就有市场研究、交易分析等能力，如果这些能力以后能够通过 TermiX 对外提供服务，Agent 就有机会把自己的本事变成真实收入。

当然，目前部分功能还处于规划阶段，具体能发展到什么程度，还得看后面的落地进展。

/

其实把 TermiX 最近的动作连起来看，还挺有意思的。

从 REA 反向工程 Agent，到 Quant Agent，再到不断扩展的 Agent Skills，能够提供的服务越来越丰富了。

而 AACP 负责的任务托管、交付验证和自动结算，也正好给这些服务提供了交易基础。

我觉得这才是 TermiX 接下来最值得关注的地方。

Si algún día el algoritmo de firma de las billeteras que usamos actualmente deja de ser seguro, ¿tendremos que cambiar todos de dirección, transferir nuestros activos y volver a empezar?

Esta pregunta me hizo pensar en una de las ventajas tecnológicas de Starknet: la Crypto Agility, es decir, la agilidad criptográfica.

De hecho, en julio de este año ocurrió algo bastante interesante en la red principal de Starknet.

Una cuenta experimental que utilizaba firmas poscuánticas Falcon-512 completó con éxito una transferencia de 0,01 STRK.

La cantidad es insignificante, pero las capacidades tecnológicas que hay detrás merecen la pena.

/

Aquí es donde entra en juego la Native Account Abstraction (abstracción nativa de cuentas) de Starknet.

A diferencia de las cuentas externas tradicionales, las cuentas de Starknet son en sí mismas contratos inteligentes, que pueden elegir distintos esquemas de firma mediante una lógica de verificación programable.

Esto significa que, si en el futuro aparece un algoritmo criptográfico más seguro, las cuentas podrán adoptar nuevos métodos de verificación de firmas sin necesidad de una bifurcación dura de toda la red.

Además, como el sistema de pruebas STARK depende principalmente de funciones hash, ya cuenta con ciertas ventajas arquitectónicas frente a las amenazas de la computación cuántica.

Por supuesto, la implementación Falcon-512 mencionada antes sigue siendo experimental y no ha sido auditada. Antes de que los usuarios comunes puedan utilizarla a gran escala, todavía hay que resolver cuestiones como la compatibilidad de las billeteras, la gestión de claves y las auditorías de seguridad.

Pero, al menos, ya hay una transacción real en la cadena que ha demostrado que esta vía tecnológica es viable.

/

A medida que investigaba el tema, me pareció que el concepto de Crypto Agility era bastante interesante.

Cuando hablamos de las ventajas tecnológicas de una blockchain pública, a menudo nos fijamos en indicadores más tangibles, como las TPS, las comisiones de gas y la velocidad de confirmación de las transacciones.

Pero la criptografía también evoluciona constantemente. Sobre todo ahora que la IA y la computación cuántica avanzan a gran velocidad, nadie puede garantizar que los algoritmos que usamos hoy sigan siendo seguros para siempre.

Creo que dejar espacio para actualizarse ante los cambios tecnológicos del futuro también es una forma de competitividad a largo plazo.

Starknet ya cuenta con estas bases arquitectónicas. Lo que vale la pena observar ahora es si estas capacidades experimentales podrán convertirse poco a poco en funciones fáciles de usar para la gente común.

$STRK

Esto no constituye asesoramiento de inversión. DYOR

一笔转账，如果连账户余额和交易金额都处于加密状态，究竟需要多久才能完成计算？

Primus 给出的答案还挺让人意外：约 90 毫秒。

这也是我觉得 Primus 最近的一些技术进展，值得拿出来好好聊聊的原因。

/

先说 AutoHoG，这是 Primus 为机密链上金融开发的 FHE 引擎。

按照官方公布的测试结果，64 位加密余额的机密转账计算只需要约 90ms，单次 Bootstrapping 约 5ms。

更有意思的是，使用 8 张 NVIDIA RTX 5090 消费级显卡，系统每秒可以处理超过 210 次机密转账计算，而且实现了接近线性的 8 倍扩展。

当然，这些都是特定测试环境下的计算性能，还不能直接理解为公链的实际 TPS。

但对于 FHE 来说，能把加密计算推进到这样的速度，本身就很有意义。

与此同时，Primus 团队参与的 HasteBoots 研究也被 USENIX Security 2026 收录，将 TFHE 可编程自举的证明生成时间从过去的小时甚至天级，缩短到了秒级。

这里其实涉及两个不同的问题：一个是加密计算能不能足够快，另一个是计算过程能不能被高效验证。

/

再把视角放大一点。

Primus 目前围绕 zkTLS 和 FHE 构建了一套可插拔的隐私基础设施。

zkTLS 负责验证链下数据的真实性，FHE 让敏感数据能够在加密状态下参与计算，再结合具体应用的选择性披露机制，让审计和验证只获取必要的信息。

而且 Primus 无需重新搭建一条公链，可以直接接入现有生态。

这对机构级金融挺重要的，毕竟没有哪家机构希望为了使用隐私功能，就把现有业务和流动性全部迁走。

我觉得 AutoHoG 真正值得关注的地方，就在于它正在让 FHE 从技术研究逐渐走向更实际的金融应用。

当然，性能提升只是其中一环，后续的安全性、运行成本和实际业务表现，同样值得持续关注

一个 AI Agent，连续完成 50 笔订单，全部顺利交付，你猜它的声誉能有多少分？

100 分？其实只有 96 分左右。

这也是我最近研究 TermiX 的 AACP 文档时，发现的一个挺有意思的细节。

原来声誉这东西还真得靠一单单慢慢攒。

/

先说它的评分规则。

新注册的 Agent 默认是 60 分，系统会预设 5 笔虚拟订单，其中 3 笔成功，相当于先给了一个基础信用。

后面每完成一笔真实订单，分数才会逐渐变化。

连续成功 5 单，声誉来到 80 分；20 单达到 92 分；即使做到 50 单，也只有 96 分左右。

而且这些记录都要通过实际结算产生，Agent 自己没办法随便填写。

更有意思的是，一旦出现争议并且败诉，这笔订单既无法增加成功记录，还会额外产生争议扣分。

辛辛苦苦攒起来的信用，确实得好好珍惜。😂

/

我觉得 TermiX 这套声誉设计，挺符合现实中的商业逻辑。

一个刚出来接活的新人，哪怕第一单完成得再漂亮，也很难立刻获得所有客户的信任。

随着履约记录增加，信用才会逐渐建立起来。

而且 AACP 白皮书还设计了声誉系数，希望未来让信用更好的 Agent 获得更高的资金使用效率。

不过目前现网的普通订单，锁仓仍按照合约设定比例计算，这部分还需要继续观察后续落地。

在我看来，Agent 经济发展到一定规模以后，谁能接单、谁值得信任、谁有资格承接更大的业务，都会越来越重要。

TermiX 已经开始把这些问题写进协议里了。