Некоторые друзья говорят, что непрекращающееся падение веб3 AI-агентов, таких как #ai16z и $arc, вызвано недавним успехом протокола MCP? На первый взгляд, это кажется странным, но после размышлений, оказывается, в этом есть определённая логика: логика оценки веб3 AI-агентов изменилась, направление повествования и путь реализации продукта требуют корректировки. Ниже я выскажу своё личное мнение:

1) MCP (Model Context Protocol) — это открытый стандартизированный протокол, направленный на бесшовное подключение различных AI LLM/агентов к различным источникам данных и инструментам, эквивалентный универсальному USB-интерфейсу, который заменяет устаревшие «специфические» методы упаковки от конца до конца.

Проще говоря, изначально между AI-приложениями существовали явные изолированные данные, и для того чтобы агенты/LLM могли взаимодействовать, каждому необходимо было разработать соответствующий интерфейс API вызова. Процессы операций сложны, и они также страдают от отсутствия двустороннего взаимодействия, обычно имеют относительно ограниченные модели доступа и ограничения прав.

Появление MCP равносильно предоставлению единой структуры, позволяющей AI-приложениям избавиться от прошлых состояний изолированных данных, реализуя возможность «динамического» доступа к внешним данным и инструментам, что может значительно снизить сложность разработки и повысить эффективность интеграции, а также в автоматизации выполнения задач, запросах данных в реальном времени и межплатформенном сотрудничестве. Говоря об этом, многие сразу подумают, если интеграция MCP с многоагентным сотрудничеством Manus может способствовать сотрудничеству многоагентов, разве это не сделает их непобедимыми?

Верно, Manus + MCP — это ключ к тому, что веб3 AI-агенты подверглись воздействию.

2) Но, что удивительно, как Manus, так и MCP нацелены на веб2 LLM/агентов, их решение касается данных, взаимодействия и сотрудничества между централизованными серверами, а их права и контроль доступа зависят от «активного» открытия каждого серверного узла, другими словами, это всего лишь инструмент с открытым исходным кодом.

По идее, это полностью противоречит основным идеям, которые преследуют веб3 AI-агенты, таким как «распределенные серверы, распределённая кооперация, распределённые стимулы» и так далее. Как централизованная итальянская пушка может разрушить децентрализованную крепость?

Причина этого заключается в том, что на первом этапе веб3 AI-агенты стали слишком «веб2-ориентированными». С одной стороны, это связано с тем, что многие команды происходят из веб2 и не понимают достаточно потребности веб3 Native, например, фреймворк ElizaOS изначально был создан для упрощения развертывания приложений AI-агентов для разработчиков, и он как раз интегрировал такие платформы, как Twitter, Discord, и некоторые API интерфейсы, такие как OpenAI, Claude, DeepSeek, подходяще упаковал некоторые общие фреймворки Memory и Character, помогая разработчикам быстро разрабатывать и разворачивать приложения AI-агентов. Но, если быть честным, чем эта сервисная структура отличается от инструментов с открытым исходным кодом веб2? Какие у неё дифференцированные преимущества?

Эй, разве преимущество заключается в наличии системы стимулов Tokenomics? Затем используется такая же структура, которую полностью может заменить web2, чтобы мотивировать группу AI-агентов, которые существуют только для выпуска новых монет? Ужасно... Следуя этой логике, вы поймёте, почему Manus + MCP могут оказать влияние на веб3 AI-агентов. Поскольку множество веб3 AI-агентских структур и услуг только решают задачи быстрой разработки и применения, аналогичные веб2 AI-агентам, но не успевают за инновациями веб2 в области технических услуг, стандартов и дифференцированных преимуществ, рынок/капитал переоценивают и переоценивают предыдущую партию веб3 AI-агентов.

3) Говоря об этом, можно предположить, что проблема найдена, но как её решить? Есть только один путь: сосредоточиться на создании нативных решений для веб3, потому что работа и структура вознаграждения распределённых систем являются абсолютным дифференцированным преимуществом веб3.

Например, в случае распределённых облачных вычислений, данных, алгоритмов и других сервисных платформ, на первый взгляд, кажется, что такой агрегированный расчёт и данные, основанные на неиспользуемых ресурсах, в краткосрочной перспективе не могут удовлетворить потребности в реализации инноваций, но в то время как множество AI LLM стремятся к централизованным вычислениям для достижения прорыва в производительности, сервисная модель, основанная на «неиспользуемых ресурсах и низких затратах», естественно, будет вызывать презрение со стороны разработчиков веб2 и венчурных капитальных команд.

Но когда веб2 AI-агенты закончат этап инноваций производительности, они обязательно будут стремиться к расширению вертикальных приложений, сегментации и оптимизации моделей. Именно тогда преимущества ресурсов веб3 AI начнут проявляться. На самом деле, когда веб2 AI, который достиг монопольной позиции, не сможет вернуться к стратегии, основанной на сельском окружении городов, чтобы поочередно решать отдельные сегменты, именно тогда произойдет объединение избыточных разработчиков веб2 AI и ресурсов веб3 AI.

Таким образом, в настоящее время возможности веб3 AI-агентов стали более ясными: перед тем как веб3 AI-ресурсная платформа получит избыточный спрос со стороны клиентов разработчиков веб2, необходимо исследовать и внедрить жизнеспособное решение и путь, которые не могут обойтись без распределённой архитектуры веб3. На самом деле, веб3 AI-агенты, помимо быстрой развертки веб2 и рамок сотрудничества многоагентов + повествования токеномики, имеют множество направлений инноваций веб3 Native, которые стоит исследовать:

Например, комплект распределённой системы согласия, учитывающий особенности вычислений больших моделей LLM вне цепи + хранение состояний в цепи, требует множества адаптивных компонентов.

1) Набор децентрализованной системы проверки идентификации DID, позволяющий агентам иметь проверяемую идентичность на цепи, как уникальный адрес, генерируемый виртуальной машиной для смарт-контрактов, в основном для дальнейшего отслеживания и записи состояния.

2) Набор децентрализованной системы предсказателей Oracle, который отвечает за надежное получение и проверку данных вне цепи, и, в отличие от предыдущих предсказателей, эта система, адаптированная для AI-агентов, может потребовать создания комбинации нескольких агентов, включая уровни сбора данных, уровень консенсуса решений и уровень обратной связи, чтобы данные, необходимые агенту в цепи, и вычисления и решения вне цепи могли быть достигнуты в реальном времени.

3) Набор децентрализованной системы хранения DA, поскольку состояние базы знаний AI-агента во время работы неопределенно, а процесс вывода довольно временный, требуется система, которая бы записывала и сохраняла ключевые состояния и пути вывода LLM в распределенной системе хранения, предоставляя механизм проверки данных с контролируемыми затратами, чтобы гарантировать доступность данных во время проверки в публичной цепи.

4) Набор нулевых знаний ZKP для уровня приватных вычислений может взаимодействовать с решениями по приватным вычислениям, включая TEE, FHE и другие, реализуя оперативные приватные вычисления + проверки данных, позволяя агентам иметь более широкие вертикальные источники данных (медицинские, финансовые), а затем на их основе могли бы появиться более специализированные услуги.

5) Набор протокола межсетевой интероперабельности, немного похожий на структуру открытого протокола MCP, с той разницей, что это решение для интероперабельности требует наличия механизмов ретрансляции и коммуникационного распределения, адаптированных для работы, передачи и проверки агентов, способных решать проблемы перемещения активов и синхронизации состояний агентов между различными цепями, особенно с учётом контекста агента, Promopt, базы знаний, памяти и других сложных состояний.

……

На мой взгляд, настоящая проблема веб3 AI-агентов должна заключаться в том, как сделать «сложные рабочие процессы» AI-агентов и «потоки проверки доверия» блокчейна максимально совместимыми. Что касается этих дополнительных решений, они могут быть либо обновлениями существующих старых проектов, либо заново созданными проектами на новом пути повествования AI-агентов — у всех есть возможность.

Вот в каком направлении веб3 AI-агенты должны стремиться к созданию, что соответствует основам инновационной экосистемы в рамках макронаратива AI + Crypto. Если не удастся создать соответствующие инновации и дифференцированные конкурентные барьеры, тогда каждое движение на арене веб2 AI может привести к огромным изменениям в веб3 AI.