Netra第八期：Agent 的進化：從交易工具到可被市場預測的可信標的

AI Agent 的進化：從交易工具到可被市場預測的標的

Netra Miya：各位 Netra 的觀眾朋友們，大家晚上好，我是今天的主持人 Miya。非常歡迎大家來到我們第八期深度對話。 今天這一期我們要討論的，是最近在 AI 和 Crypto 交叉領域備受關注、同時也充滿爭議的話題——AI Agent 的進化：它究竟是如何從一個簡單的交易工具，演變成可以被市場定價和預測的可信標的。 如果大家關注這個賽道，應該也注意到一個現象：AI Agent 項目正在以驚人的速度湧現，從自動化交易機器人到鏈上資產管理方案，幾乎每個項目都在講「去中心化 AI」的故事。但當我們拋開這些華麗的包裝，往往看到的卻是對中心化 AI 服務的依賴、無法驗證的黑箱決策，甚至是建立在市場情緒之上的結構性問題。 因此，今天這場對話我們也整理了不少來自社區的尖銳質疑，可能會辛苦 Evan 給我們和大家做出比較詳細的回應。

Netra Miya：今天我們邀請到的，是一位真正長期深耕在這一領域的實踐者——LinkLayer AI 的聯合創始人 Evan。LinkLayer AI 提出了一個頗具啟發性的視角：讓 Agent 成為可被市場預測的資產。他們並不是在打造另一個 AI 交易工具，而是在嘗試構建 AI 可信性的基礎設施。

Netra Miya：Evan，非常歡迎你來到 Netra。在正式開始之前，我想請你用一句話告訴大家，LinkLayer AI 到底在解決什麼問題，同時也請你簡單做一下自我介紹。

LinkLayer AI 在做什麼：從個體交易賦能到可預測的 Agent 標的

LinkLayerAI Evan：OK，先回答主持人第一個問題，LinkLayer AI 究竟在做什麼，這其實和我們整個團隊的背景關係很大。我們團隊長期從事區塊鏈基礎設施相關工作，後來做過交易，再到 AI 方向，其實是完整經歷了從基礎設施、交易系統到 AI 以及 Agent 形態的全過程。因此在思考 AI + Crypto + Web3 這個問題時，我們的視角會相對更全面一些。

那 LinkLayer AI 現在真正想解決的，核心還是如何讓個體數據，尤其是個體的交易數據，結合大語言模型，以 Agent 的方式賦能 Web3 場景下的不同交易行為。這個覆蓋面其實比較廣，比如鏈上的小額交易、Binance Alpha 這類策略交易，以及 CEX 里的合約、期貨交易等，這些都會產生非常不同、但高度個體化的交易數據。 所以在第一層，我們要解決的問題是：讓 AI 以 Agent 這種應用形態，真正賦能到每一個個體的交易行為本身。

第二層的問題是，我們最終希望建立一個以 Agent 作為可被預測標的的市場。Agent 要成為一個可被預測的標的，核心在於它必須在複雜、真實的實盤環境中積累足夠多的經驗，而這依賴大量的個體數據。不同類型的 Agent——比如做小額交易的 Agent、做 Alpha 策略的 Agent、做合約交易的 Agent——它們的決策方式和行為結構都不一樣。 如果只依賴歷史數據或回測數據，其實會有很大的侷限性。我們認為，個體的實盤交易數據才是最好的「原料」，或者說是最有價值的訓練語料。最終，LinkLayer AI 要解決的兩件事就是：一是讓 Agent 真正賦能個人交易，二是讓 Agent 能夠成為未來預測市場中一個可持續拓展的標的。

從我個人來說，我也在 Web3 和 AI 行業里有多年的實戰經驗，參與過不少項目，對交易本身也有比較深的理解和積累。正因為如此，我們對在 LinkLayer AI 產品層面構建長期競爭力和護城河這件事，是有比較強信心的。

去中心化 AI Agent 的質疑與回應：如何避免淪為 API 調用層

Netra Miya：明白，非常感謝 Evan 剛才精彩的回答，以及對你們項目比較詳細的介紹。那今天既然請到你們來到這裡，不管是從項目本身，還是從市場反饋來看，我們想直接切入一個核心痛點來討論。 根據我們團隊的研究，目前市場上聲稱「去中心化 AI Agent」的項目中，有超過 70% 實際上仍然依賴中心化的 AI 服務提供商。那麼，LinkLayer AI 是如何避免自己成為另一個包裝精緻的 API 調用層的？你們所謂的去中心化，具體會體現在哪些關鍵的技術層面？

LinkLayerAI Evan：這個問題問得很好。因為從本質上講，AI 本身就是一個強中心化的東西，所有 AI 都依賴於大語言模型。所以這個問題的核心，其實不是「去不去中心化」，而是我們到底是在做 AI 的調用，還是在做 AI 能力本身的基礎設施。 很多項目只是把模型接口接到鏈上，就宣稱自己是去中心化 AI，這在我看來其實是一個偽命題，甚至有點多此一舉。模型本身的數據來源、能力驗證路徑，如果不發生變化，那它依然是中心化的。

LinkLayer AI 的不同之處在於，我們並不試圖把模型參數上鏈，而是把「交易智能形成的路徑」儘可能去中心化。Agent 的能力並不是來自某一個中心化訓練集，而是來自不同用戶授權的真實實盤交易行為。這些行為數據會被結構化處理，並在鏈上進行哈希錨定，從而形成不可篡改的行為軌跡基礎。

當 Agent 進入真實市場執行時，它的交易行為本身是公開、連續且可追溯的。比如，我們會為每一個 Agent 配置獨立的錢包，讓錢包直接與 Agent 的智能體綁定，並在 DEX 等去中心化市場中執行自主交易。這樣一來，Agent 的能力是通過市場本身來驗證的，而不是依賴平台敘事。

從計算層面來說，也可以比較坦誠地講，大部分推理過程一定是發生在鏈下的，這並不違背交易的第一性原理。我們仍然需要大量機器學習來驗證不同因子的可行性。關鍵並不在於計算髮生在鏈上還是鏈下，而在於結果是否可驗證。 因此，我們通過行為軌跡、簽名、時間戳以及歷史風格一致性等方式，將鏈下計算結果與鏈上執行記錄進行校驗，讓「決策來源於 Agent 的長期能力結構」這件事變成一個可驗證的事實，而不是要求用戶去信任項目方的黑箱輸出。這套設計，本質上是基於我們在多個維度上的實踐經驗做出的現實選擇。

Netra Miya：明白，感謝 Evan 的詳細解釋。你剛才也提到，LinkLayer AI 整個服務的計算過程主要是在鏈下完成的，對嗎？那在這種情況下，你們如何保證計算過程本身的不可篡改性？這其實也是很多用戶、尤其是圈內朋友比較關心的問題。

LinkLayerAI Evan：其實從我們的角度來看，這本身並不構成一個核心問題。計算過程是否可能被篡改，取決於你最終業務的目標是什麼。 我們有多種類型的 Agent，比如第一類是服務個體用戶的 Agent，這類 Agent 本身並不涉及複雜的計算安全問題。像我們年後即將上線的 Mini Coin 或 Alpha 流動性相關的 Agent，主要是服務用戶的個人持倉。

而我們最終要推出、可以被預測的 Agent 標的，本身是一個可以不斷擴展的體系，會衍生出不同維度的策略。對於這種 Agent 來說，訓練階段的計算是否可能被篡改，並不會直接影響最終結果，因為當它呈現到市場上時，訓練已經完成了。我們也不是用 Agent 去替用戶直接下單交易，所以並不太存在你剛才提到的那種風險場景。

從效率角度來說，鏈下計算是目前唯一可行、也是效率足夠高的方式，最終 Agent 才能真正具備交易能力。

Netra Miya：明白，也就是說，從技術角度來看，用戶是在鏈上還是鏈下使用你們的服務，其實和你們內部的計算方式並沒有直接關係，對嗎？

LinkLayerAI Evan：對，不會對用戶的使用產生任何影響。

Netra Miya：好的，明白了，謝謝 Evan 的回答。

價值捕獲與代幣設計：如何避免為早期投資者「接盤」

Netra Miya：那第二個問題想聊一下價值捕獲。我們看到不少 AI 項目設計了非常複雜的代幣經濟學，但本質上用戶往往只是為項目方或早期投資者持有的代幣提供流動性。那麼，LinkLayer AI 的經濟模型是如何確保價值真正流向為整個網路做出貢獻的參與者，而不是早期投資者的呢？

LinkLayerAI Evan：我先說一個總體判斷。很多複雜的代幣經濟學，本質上都是為了支撐不同使用場景的發生。LinkLayer AI 目前的完整經濟模型其實還沒有最終推出，因為我們的 Agent 和整個產品線仍處在最後封裝階段。但我們內部確實已經形成了一套相對清晰、也比較有自己想法的設計思路。整體上，我們採用的是雙 Token 模型，分別是 LLAX 和 LLA。

你提到的這個問題，其實正是當前 AI 代幣模型最容易被質疑的一點——代幣經濟學到底是不是一種變相融資工具。LinkLayer AI 的設計起點，就是儘量避免這種結構性錯位。我們把「行為層」和「價值層」徹底分離。 其中，LLAX 完全屬於行為層，它的作用只是衡量你在整個網路中的行為貢獻。比如你貢獻了真實的實盤交易數據，不論你是盈利平倉、虧損平倉，甚至爆倉，對我們來說你依然是在貢獻數據，本身就是有價值的。LLAX 用來激勵這些行為，同時也包括使用 Agent 服務、提供有效反饋等行為。它更像是一種行為權益憑證，而不是一個融資資產。

真正承擔價值沉澱功能的是 LLA。LLAX 與 LLA 之間是單向兌換關係，而且兌換過程伴隨銷毀，兌換完成後不能再反向兌換。這意味著，用戶的行為貢獻是在不斷把權益壓縮進價值層，而不是為早期投資者提供退出流動性。

更重要的是，當 Agent 成為預測標的之後，平台產生的手續費並不會簡單流向協議方。我們更希望的是，預測成功的一方獲得對手方的收益，而預測失敗的一方則獲得價值層 LLA 的激勵。這本質上是一種再分配和派發機制，目的是讓整個市場能夠更高效地流通。 在這種設計下，價值來源於真實的市場博弈活動，而不是代幣本身的交易泡沫。我們想做的，並不是讓用戶「持幣等上漲」，而是讓價值只能通過參與系統行為來沉澱。

另外一個現實問題是，Agent 本身的運行成本非常高。不同類型的 Agent 會調用不同的大語言模型，每一次用戶行為都會產生實際費用，這種成本遠高於傳統 Web2 的後端服務。但用戶又往往不願意直接為 AI 或 Agent 付費，這就會讓項目本身變得非常脆弱。 如果用戶不付費，而項目方卻需要持續向大模型支付成本，整個系統是難以長期維持的。所以，雙 Token 模型在某種程度上，也是為了反向激勵真正願意為產品和服務付費的用戶，推動一個可持續的使用結構。

Netra Miya：明白，那 LLAX 具體指的是什麼？

LinkLayerAI Evan：它本質上是一種行為權益代理。

你可以把它理解為平台積分的鏈上形式，但它本身不作為價值錨定層，也不是最終的流動性層。LLAX 和 LLA 之間有一個單向錨定關係，可以兌換為 LLA，但一旦兌換完成，就不能再兌換回來了。

Agent 能力證明與技術取捨：如何在黑箱、回測與性能之間取得平衡

Netra Miya：明白。既然提到技術層面，我們再深入一點。目前圍繞 AI Agent 的能力證明機制，市場上主要有三類質疑：第一，機器學習模型天然存在黑箱問題，在不暴露策略細節的前提下，如何證明決策質量；第二，如何防止 Agent 在歷史回測中作弊，或出現過擬合驗證數據的問題；第三，在實時決策的可驗證性與系統性能之間，你們如何進行平衡？

LinkLayerAI Evan：首先說第一個問題，所謂的黑箱問題，本質上還是因為機器學習需要依賴大量數據因子。公共數據因子其實大家都能採集到，只是採集成本和維度不同，用這些公共因子去訓練模型，本身就存在一定侷限性。但在我們看來，黑箱並不是一個真正的核心問題，它並不會決定 Agent 最終的走向。 關於能力證明，我們並不試圖去證明模型內部是「怎麼想的」。因為機器學習天然就是黑箱系統，沒有任何團隊可以真正讓它變成完全透明。我們的思路，是去證明 Agent 是否能在真實市場環境中，長期表現出穩定、可識別的能力結構。

因此，我們做的是行為層面的證明，而不是能力參數層面的證明，也不是模型參數層面的證明。回測確實可以作弊，但在真實市場中，這種問題是無法長期隱藏的。真實交易會受到滑點、流動性衝擊、對手盤博弈以及突發事件的影響，這些都會在鏈上形成連續的行為軌跡。系統會對策略漂移、風格斷裂和異常模式進行一致性檢測。

我們團隊本身也是一個交易團隊，而不只是做項目的團隊。我們有自己的 Agent 和策略在實際運行。相比很多傳統交易團隊高度依賴回測，我們更傾向於直接用小規模資金做實盤交易，而不是用回測結果來支撐整個交易體系。因為團隊本身是做鏈出身的，對鏈上交易理解比較深，在鏈上交易這一塊積累了不少經驗，也形成了一些不太一樣的判斷和方法。

至於實時可驗證性和系統性能之間的平衡，我們並不會對每一步決策都施加沉重的密碼學證明，而是採用異步錨定和行為一致性驗證機制。這樣可以保證決策執行足夠高效，同時又能讓長期能力結構具備可驗證性。這是一種在工程現實與可信度之間的取捨，而不是追求理論上完美、但實際上無法運行的方案。 你會看到，很多項目在理論層面看起來非常完美，但一旦進入實際運行階段，往往問題重重。就像公鏈發展一樣，很多設計極其理想化的公鏈並沒有存活下來，而像 BNB Chain 這樣在早期架構並不完美的鏈，反而成為了被廣泛採用的基礎設施。LinkLayer AI 也會選擇一條更偏工程現實的路線，來推動長期可持續發展。

Netra Miya：明白。我聽下來感覺你們團隊的底子確實比較紮實，本身就是做交易出身的，在技術問題上回答得也很從容。

LinkLayerAI Evan：也沒有。

Netra Miya：那我再問一下，你們這個項目大概啟動多久了？

LinkLayerAI Evan：項目準備時間大概一年多。

Netra Miya：那正式上線會在什麼時候？

LinkLayerAI Evan：預計在 2 月到 3 月初之間，3 月初會把第一版完整產品推向市場。

Netra Miya：明白，也就是年後。

LinkLayerAI Evan：對。其實我們背後還有比較完整的產業和研發能力，包括鏈上套利、鏈上量化、機器學習和 Agent 等方向。LinkLayer AI 只是把我們已有的一部分能力進行產品化封裝，所以整體研發體系並不只圍繞這一個項目展開。

Agent 作為預測標的的悖論與風險：從能力定價到多維風控

Netra Miya：明白，那我接着問第四個問題。目前你們提出一種設想，是將 Agent 作為可交易的標的，讓市場對 Agent 的未來表現進行預測和交易。但這裡似乎存在一個根本性的矛盾：如果市場可以預測某個 Agent 的決策，理性的參與者就可能提前行動，從而導致 Agent 的實際策略失效。你們是如何看待和解決這種「預測悖論」的？

LinkLayerAI Evan：所謂的預測悖論，其實前提是假設市場在預測的是 Agent 的某一個具體交易動作。但這並不是我們的設計目標。我們希望市場預測的，是 Agent 能力的穩定性，而不是它下一筆交易是做多還是做空。 這有點像預測一個人，我不是預測他數學考試考多少分，而是預測他最終能不能考上一本或者二本，這是一個綜合判斷。Agent 的具體決策並不會提前公開，市場參與者也無法通過提前行動讓策略失效，他們只能基於歷史行為軌跡，判斷這個 Agent 是否能夠長期維持相對優勢。這樣一來，預測市場就從「信號套利遊戲」轉變成了一個能力定價市場。

換句話說，市場不是在賭一筆交易，而是在對一個行為體系的長期有效性進行博弈。這兩種邏輯是完全不同的。比如我們每一個 Agent 的交易資金規模可能只有十美元、二十美元或三十美元，這樣的體量本身也不存在被套利的空間。

我們更關注的是階段性的驗證，比如這個 Agent 用十美元運行一段時間，它是盈利了還是虧損了，是盈利 10% 還是 20%，我們就是通過這種方式來觀察和驗證。 它有點像香港賽馬，並不是單一動作的博弈。我們可能有十個、甚至一百個 Agent，它們的策略會不斷變化，風格也各不相同，而這些風格會決定它們在不同市場環境下的盈利或虧損表現。所以從本質上看，它更像一個標的，而不是一個可以被用來做交易或對沖套利的資產。

Netra Miya：那在你看來，套利者和你們之間會形成某種競爭或博弈關係嗎？

LinkLayerAI Evan：不會，因為沒有利可套。如果這個標的本身只跑三十美元，是不存在套利空間的。

Netra Miya：也就是說，從根本上這種情況是不會發生的？

LinkLayerAI Evan：對，套利一定是建立在有利可圖的前提之上的。

我們之所以會考慮以 Agent 作為預測標的，也是因為我們在研究預測市場的過程中發現，目前很多預測市場的標的是存在作弊空間的。比如以「某個知名人物是否當選」為標的，本人本身就可能通過行為干預結果。 而 Agent 的優勢在於，它本質上不受人的直接控制，它遵循的是數據和決策邏輯，而不是主觀意志。我不會因為人為要求它怎麼做，它就一定會去怎麼做，這恰恰是 Agent 未來成為預測標的一個非常重要的屬性。

另外，從 Agent 對 Agent 的交易和演化來看，策略的組合幾乎是無限的，這使得它可以持續擴展。一個合格的 Agent 標的，必須具備難以被人為作弊的屬性，這樣預測市場才具備相對公平的基礎。

Netra Miya：理解。那在技術之外，風險問題也是大家非常關心的。當 Agent 本身成為資產後，我們至少會看到三層風險疊加：第一是模型風險，AI 決策可能出錯；第二是市場風險，加密市場本身波動很大；第三是系統性風險，比如多個 Agent 策略同質化導致踩踏。LinkLayer AI 是如何應對這種複合風險的？

LinkLayerAI Evan：其實前面的問題已經部分回答了這一點。這三層風險的前提，往往是假設我們在用 Agent 去追求交易盈利。但我們的設計並不是這樣。 在策略和研發階段，我們很少依賴回測，而是直接用小額資金做實盤交易。我們的標的，更像是把大量小額實盤交易，通過 Agent 和錢包的綁定，在 DEX 上公開運行，供所有人觀察。它不是一個以賺錢為目的的工具，而是一個真實市場環境下的驗證過程。

因此，模型出錯本身就是驗證的一部分。如果市場預測到它會出錯，同樣可以獲得收益，所以並不存在傳統意義上的模型風險。 至於市場波動，加密市場的波動本身就是對交易 Agent 的一種測試。因為我們並不以盈利為目標，也不向投資者募集資金進行交易，所以不存在因市場波動而產生的投資風險。

系統性風險方面，多個 Agent 的策略同質化確實是一個問題，而這正是我們做 LinkLayer AI 的初衷。策略同質化的根源在於，大家使用的因子高度相同。假設市場上只有一萬個公共因子，大家圍繞這套因子反覆構建策略，就必然趨同。 我們希望通過開放大量鏈上 AI 服務，讓用戶帶着自己的私有化數據參與進來。每一次持倉、每一次交易，本身都是獨特因子。當私有因子不斷增加，與公共因子結合後，就會衍生出更多新的因子，從而形成持續、非同質化的策略空間。

Netra Miya：說得很清楚。那如果遇到極端市場環境，比如 2022 年 Luna 崩盤這種級別的黑天鵝事件，你們會有哪些故障保護或風控機制？

LinkLayerAI Evan：歸根結底還是風控。對任何交易團隊來說，盈利從來不是第一位的，風控才是。 像 Luna 這種級別的事件，本質上是項目自身結構性缺陷導致的。我們目前在交易側也在研發麵向個體用戶的風控工具，比如用戶通過只讀 API 提交持倉數據，我們並不掌握交易權限，但可以基於公共市場因子，輔助判斷開倉和風險水平。

整體風控會從多個維度展開：第一是量價關係，第二是流動性水平，第三是社交媒體和情緒層面的信號。當量價或流動性達到某些閾值時，系統會觸發相應的風控機制。 當然，完全預測黑天鵝是不現實的，但通過多維度風控，我們可以更早地識別風險、做出應對。

Netra Miya：明白，聽下來你們在風控上的考慮確實比較全面。

LinkLayerAI Evan：是的，本質還是圍繞「因子」展開。不同場景下的風控邏輯也不一樣，比如純鏈上交易、CEX 交易，或套利系統，各自都有不同的關注重點。如果把交易當成一場遊戲，最重要的風控原則，其實就是把遊戲規則理解清楚，然後按邏輯行事。

Netra Miya：非常感謝 Evan 今天耐心而詳盡的分享，解答了很多關於 LinkLayer AI 的關鍵問題。

LinkLayerAI Evan：謝謝。

Netra Miya：也感謝 Evan 今晚的坦誠交流。通過這次對話，我們看到幾個重要的洞察：Agent 的進化不僅是技術升級，更是可信性基礎設施的構建；將 Agent 從工具變為標的，需要機制創新而非概念包裝；而這一領域面臨的挑戰，既是技術問題，也是經濟和哲學層面的問題。 在 AI 與 Crypto 這個最前沿、也最嘈雜的交叉領域，保持理性懷疑與開放好奇同樣重要。也再次感謝 Evan 對 LinkLayer AI 的全面解讀。

Netra Miya：今天的對話就到這裡，非常感謝 Evan，我們下期再見。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。