Кросс-дисциплинарные исследования AI Agent в области Web3: от Manus до MC

Недавно стартап из Китая представил первый в мире универсальный продукт AI Agent под названием Manus, который вызвал широкий интерес. Как универсальный AI Agent, Manus обладает способностью самостоятельно выполнять задачи от планирования до выполнения, такие как написание отчетов, создание таблиц и т.д. Он не только может генерировать идеи, но и самостоятельно мыслить и принимать меры, демонстрируя беспрецедентную универсальность и исполнительские способности.

Популярность Manus привлекла внимание не только внутри отрасли, но и предоставила ценную продуктовую концепцию и дизайнерское вдохновение для разработки различных AI Agent. С быстрым развитием технологий ИИ AI Agent, как важная ветвь искусственного интеллекта, постепенно переходит от концепции к реальности и демонстрирует огромный потенциал применения в различных отраслях, и, конечно, в сфере Web3 это также не является исключением.

Обзор AI Agent

AI Agent — это компьютерная программа, способная самостоятельно принимать решения и выполнять задачи в зависимости от окружающей среды, ввода и предопределенных целей. Его основные компоненты включают:

1. Большая языковая модель (LLM): "мозг" агента, обрабатывающий информацию, обучающийся, принимающий решения и выполняющий действия.
2. Механизмы наблюдения и восприятия: позволяют агенту воспринимать окружающую среду.
3. Процесс логического мышления: анализировать результаты наблюдений и содержание памяти, обдумывать возможные действия.
4. Исполнение действий: конкретный ответ на размышления и наблюдения.
5. Память и извлечение: хранение прошлых опытов для обучения.

Дизайнерская модель AI Agent начинается с ReAct и имеет два основных направления развития: одно сосредоточено на планировочных способностях агента, другое — на рефлексивных способностях. Модель ReAct в настоящее время является наиболее широко применяемой моделью дизайна AI Agent, и её типичный процесс можно описать как цикл размышления (Thought) → действия (Action) → наблюдения (Observation), сокращенно TAO-цикл.

В зависимости от количества агентов, AI Agent можно разделить на Single Agent и Multi Agent. Основной акцент Single Agent делается на сочетании LLM и инструментов, в то время как Multi Agent наделяет разных агентов различными ролями, позволяя им совместно выполнять сложные задачи.

Введение в протокол MCP

Модель Контекстного Протокола (MCP) — это открытый протокол, выпущенный одной компанией в ноябре 2024 года, предназначенный для решения проблем подключения и взаимодействия между LLM и внешними источниками данных. MCP можно сравнить с "USB-интерфейсом" для LLM, поддерживающим гибкое подключение внешних данных и инструментов.

MCP предоставляет три типа расширения возможностей LLM:

1. Ресурсы：知识扩展
2. Инструменты: выполнение функций, вызов внешних систем
3. Подсказки: Шаблоны предустановленных подсказок

MCP использует архитектуру Клиент-Сервер, а для нижнего уровня передачи применяется протокол JSON-RPC. Любой может разработать и разместить MCP Server, и в любое время может остановить службу.

! Чат с Манусом и MCP: трансграничное исследование Web3 AI Agent

Текущая ситуация с AI агентами в Web3

В индустрии Web3 популярность AI Agent значительно снизилась после достижения пика в январе этого года, общая рыночная капитализация сократилась более чем на 90%. В настоящее время наиболее активные проекты в основном сосредоточены на исследовании Web3 в рамках AI Agent, существует три основных модели:

1. Режим платформы запуска: представляет собой Virtuals Protocol и позволяет пользователям создавать, развертывать и монетизировать AI Agent.
2. DAO-модель: на примере ElizaOS, принятие решений осуществляется с учетом рекомендаций членов DAO и моделей ИИ.
3. Бизнес-модель компании: представляемая Swarms, предлагает корпоративную мульти-агентную структуру.

С точки зрения экономической модели, в настоящее время только модель платформы запуска может обеспечить самодостаточный экономический замкнутый цикл. Тем не менее, эта модель также сталкивается с такими вызовами, как недостаточная привлекательность активов и холодная рыночная среда.

Направления исследований MCP в области Web3

Появление MCP открыло новые направления для исследования AI Agent в Web3:

1. Разверните MCP Server в блокчейн-сети, чтобы решить проблему единой точки отказа и обеспечить устойчивость к цензуре.
2. Предоставить MCP Server возможность взаимодействовать с блокчейном, например, для проведения DeFi-транзакций и управления, снизив технические барьеры.

Кроме того, существует план по созданию сети стимулов для создателей OpenMCP.Network на основе Ethereum. Эта сеть направлена на автоматизацию, прозрачность, надежность и антикоррупционность стимулов с помощью смарт-контрактов, используя такие технологии, как Ethereum-кошельки и ZK для подписи, проверки прав и защиты конфиденциальности в процессе работы.

Хотя сочетание MCP и Web3 теоретически может внедрить децентрализованный механизм доверия и экономические стимулы для приложений AI Agent, текущие технологии нулевого раскрытия все еще затрудняют проверку подлинности поведения агента, и в децентрализованных сетях также существуют проблемы с эффективностью, что не является решением, которое можно полностью реализовать в краткосрочной перспективе.

Заключение

Запуск Manus знаменует собой важную веху для продуктов общего ИИ-агента, и миру Web3 также нужен продукт-веха, чтобы развеять сомнения внешних наблюдателей относительно его практического применения. Появление MCP открывает новые направления для исследований ИИ-агентов в Web3. Слияние ИИ и Web3 является неизбежной тенденцией, и нам нужно сохранять терпение и уверенность, продолжая исследовать возможности в этой области.

! Чат с Манусом и MCP: трансграничное исследование Web3 агентом ИИ