AgentFi——由 AI 驱动且即将主导 DeFi 领域的叙事

作者：Ketzalco

翻译：Kyle

审阅：Jomosis

一场新的由AI驱动的叙事即将主导DeFi领域，它将永久且彻底改变加密货币市场的运作方式。

AI代理驱动金融很快将成为现实，其对行业的影响将是深远的、难以想象的。

AgentFi意味着什么？

AgentFi，自主金融（AutonomousFinance），代理协议（Agenticprotocols）...这些都是我们遇到的几个尝试定义同一概念的名词。它们都描述了一个未来，AI代理将能够访问DeFi市场并执行利润策略，而无需人类参与监督。

起初，AgentFi是一个简单而明显的想法，但让我们探讨一下它的特性以及它是如何实现的。

@aothecomputer最近发布了这篇文章，这让我们思考了当前DeFi领域正在不可避免地向一个无需信任的、自主代理驱动市场转变。

什么是AgentFi？

DeFi使金融市场无需许可且开放，从而颠覆了金融市场。诸如资产交换、借贷等基本操作现在可以在任何有互联网连接设备的地方以无需信任的方式执行。这都归功于强大的智能合约。

然而，DeFi缺乏一个智能层，其中的机器人可以做出复杂的市场决策。目前，机器人可以根据一些数据事件来行动。

AgentFi指的是一个世界，其中机器人可以创建并调整类似于基金经理的复杂策略。

首先要想到的一个问题是：AgentFi是如何建立在DeFi原语之上的？

为了回答这个问题，我们需要了解当前DeFi的运作方式，并探讨自主代理与当前在DeFi协议中运行的机器人之间的区别。

AgentFivsDeFi

AgentFi与DeFi有两个关键差异，这使其与交易市场开辟了一系列新的可能性。

1.机器人可能采取行动的数据类型。

2.AI代理能够超越预定配置主动行动的能力。

当前，在DeFi中可用的数据是定量的。这是一系列根据事件（如新闻或流动性变化）更新的原始价格数据。

DeFi机器人监视这些价格变化，并根据其所有者设定的预配置参数执行策略。这些机器人需要大量监督，因为它们缺乏智能。如果市场情况发生变化，它们无利可图的风险就会更大。它们只能对预设的数据触发器做出反应。它们不能醒来并主动更新它们的策略。

自主代理的不同之处在于，它们将能够访问和解释不仅是定量数据，而且是定性数据。因此，代理商仅对价格变化做出反应，AI代理将能够解释隐藏在数字背后的信息。代理将能够阅读演讲内容、公告内容，还可以读懂说话者的面部表情或新闻文章的语调，并将此与实时数据结合起来用于引导决策。

但是DeFi无法可靠地访问定性数据，那么它将来自何处呢？这正是由AO在Arweave上构建的魔法。Arweave是各种数据的存储层，不仅仅是来自Oracle的原始价格数据。上传到Arweave的数据没有限制。由于AO上的进程可以使用来自Arweave的数据，因此基于AO构建的AI代理可以访问其Defi操作的全新数据维度。这就像在电影中添加声音一样。自主代理将有能力阅读不仅是价格提供的细微差别的信息。换句话说，他们将获得超越数字的新程度的智能。他们的策略将由AO上的LLMs提供支持。

甚至，AO中的系统设计允许这些代理自动唤醒。将其与以太坊上的MEV机器人进行比较。它不断监视交易，直到出现MEV机会。该机器人试图尽快做出反应以利用它。

在AO上，自主代理可以设置为在某些预设参数的限制之外主动行动。将其与复杂的金融人工智能作为引擎结合，您将得到一个不可阻挡的24/7交易代理，它学习并适应不断变化的市场条件。

要实现这一切，只需要将实时可靠数据上游到Arweave，AO中的每个过程都可以将它们添加到其输入中。

AgentFi将在Defi领域创造无限可能。光是想到这些代理就足以让人头脑爆炸。

想象一个世界，人工智能代理可以采纳最成功交易者的策略。现在想象一下，您可以通过在一个Defi应用上资助它们的运营来对它们下注-沃伦巴菲特vs吉姆西蒙斯vs西蒙考克韦尔。

在24/7实时交易竞技场上，适者生存。

关于AgentFi如何构建在Defi之上的简短总结：

当前的Defi机器人包括以下特点：

反应性的迟钝的仅限于定量数据需要持续监督

自主金融代理（AutonomousFinancialAgents）包括以下特点：

主动的智能的对质量数据进行自适应学习可以进行开放式所有权

由于AgentFi叙事令人兴奋，我们可能还没有考虑到风险和后果。目前，我们能做的就是为这种转变做好准备，很快将在AO上发生。

作为参考，还请查看@goodalexander关于AgenticProtocols的精彩文章，它为本文提供了灵感。我们将很快深入探讨这些想法。

到此这篇关于AgentFi由AI驱动且即将主导DeFi领域的叙事的文章就介绍到这了,更多相关AgentFi介绍内容请搜索非常好学习以前的文章或继续浏览下面的相关文章，希望大家以后多多支持非常好学习！