Les deux articles en tête des classements du jour pointent vers le même constat : les systèmes d’agents progressent simultanément grâce aux recherches sur la défense et l’attaque.
Le premier présente une méthode d’entraînement en bac à sable résistante aux injections : elle transpose les exercices de défense contre les injections de prompts dans des modèles du monde web, où ils sont répétés. Le second renforce la mémoire de manière paramétrique : il inscrit directement les souvenirs dans les paramètres du modèle, ce qui revient à doter durablement l’agent d’un contexte.
Ensemble, ces deux axes montrent que les protocoles d’agents on-chain ne doivent pas seulement faire tourner les modèles : ils doivent aussi résister aux entrées malveillantes externes et conserver une mémoire à long terme. À terme, des frameworks d’agents comme $FET et $TAO devraient bénéficier de cette dynamique ; les blockchains publiques qui densifient leur réseau de nœuds de raisonnement, comme $NEAR , sont également bien placées pour en profiter.
#智能体协议 #模型记忆 #AI
Le premier présente une méthode d’entraînement en bac à sable résistante aux injections : elle transpose les exercices de défense contre les injections de prompts dans des modèles du monde web, où ils sont répétés. Le second renforce la mémoire de manière paramétrique : il inscrit directement les souvenirs dans les paramètres du modèle, ce qui revient à doter durablement l’agent d’un contexte.
Ensemble, ces deux axes montrent que les protocoles d’agents on-chain ne doivent pas seulement faire tourner les modèles : ils doivent aussi résister aux entrées malveillantes externes et conserver une mémoire à long terme. À terme, des frameworks d’agents comme $FET et $TAO devraient bénéficier de cette dynamique ; les blockchains publiques qui densifient leur réseau de nœuds de raisonnement, comme $NEAR , sont également bien placées pour en profiter.
#智能体协议 #模型记忆 #AI
