Дослідження AI Agent у сфері Web3: від Manus до MC

Нещодавно продукт під назвою Manus, перший у світі універсальний AI агент, привернув широку увагу. Як система штучного інтелекту, яка здатна самостійно думати, планувати та виконувати складні завдання, Manus продемонстрував безпрецедентну універсальність та виконавчу здатність. Це не лише викликало жваві обговорення в галузі, але й надало цінні ідеї для продуктів та дизайнерське натхнення для розробки різних AI агентів.

З розвитком технологій штучного інтелекту, AI Agent як важлива гілка в галузі штучного інтелекту, поступово переходить від концепції до реальності і демонструє величезний потенціал застосування в різних галузях, індустрія Web3 не є винятком.

Основні концепції AI Agent

AI Agent є комп'ютерною програмою, що може самостійно приймати рішення та виконувати завдання на основі середовища, вхідних даних та попередньо визначених цілей. Його основні складові частини включають:

1. Великі мовні моделі (LLM) як "мозок"
2. Спостереження та сприйняття механізму
3. Процес розумування
4. Здатність до виконання дій
5. Функції пам'яті та пошуку

Основні напрямки розвитку моделей дизайну AI Agent мають два шляхи: один акцентується на можливостях планування, інший - на можливостях рефлексії. Серед них, модель ReAct є найраніше розробленою та найбільш поширеною моделлю дизайну. ReAct вирішує різноманітні завдання мовного міркування та прийняття рішень, поєднуючи міркування (Reasoning) та дії (Acting) в мовній моделі. Типовий процес можна описати як цикл "думати→діяти→спостерігати".

Залежно від кількості агентів, AI Agent можна поділити на Single Agent та Multi Agent. Основою Single Agent є поєднання LLM та інструментів, тоді як Multi Agent надає різним агентам різні ролі, щоб спільно виконувати складні завдання.

Опис протоколу MCP

Модельний контекст-протокол (MCP) був представлений компанією Anthropic як відкрите рішення, що має на меті вирішити проблеми підключення та взаємодії LLM з зовнішніми джерелами даних. MCP надає три можливості для розширення LLM: ресурси (розширення знань), інструменти (виконання функцій, виклик зовнішніх систем) та підказки (заздалегідь підготовлені шаблони підказок).

Протокол MCP використовує архітектуру Client-Server, а для передачі даних використовується протокол JSON-RPC. Кожен може розробляти та хостити MCP Server, і в будь-який момент може вийти з мережі та зупинити обслуговування.

! Чат з Manus і MCP: транскордонне дослідження Web3 від AI Agent

Стан AI-агентів у Web3

У індустрії Web3 популярність AI Agent різко знизилася після досягнення піку в січні цього року, загальна ринкова капіталізація скоротилася більш ніж на 90%. Проекти, які все ще мають резонанс, в основному зосереджені на дослідженні Web3 через рамки AI Agent, і їх можна розділити на три основні моделі:

1. Режим платформи запуску: представлений Virtuals Protocol
2. DAO-модель: представлена ElizaOS
3. Бізнес-модель компанії: на прикладі Swarms

З точки зору економічної моделі, наразі лише модель запуску платформи може забезпечити самодостатнє економічне замикання. Однак ця модель також стикається з викликами, головним чином, активи AI Agent, що випускаються, повинні мати достатню "привабливість", щоб сформувати позитивний фліп.

MCP в дослідженні напрямків Web3

Поява MCP відкрила нові напрямки дослідження для AI Agent у Web3, які включають в себе:

1. Розгорніть MCP Server в блокчейн-мережі, щоб вирішити проблему єдиної точки відмови та забезпечити стійкість до цензури.
2. Надати функціонал для взаємодії MCP Server з блокчейном, наприклад, для проведення DeFi-транзакцій та управління, знизити технологічний бар'єр.

Крім того, існує ще один варіант, заснований на Ethereum, для створення мережі стимулювання творців OpenMCP.Network. Ця мережа має на меті автоматизацію, прозорість, надійність та стійкість до цензури стимулів за допомогою смарт-контрактів, а також використання технологій Ethereum-гаманець, ZK тощо для забезпечення підпису, перевірки доступу та захисту конфіденційності під час роботи.

Хоча теоретично поєднання MCP з Web3 може ввести в застосування AI Agent механізми децентралізованої довіри та економічні стимули, наразі існує кілька обмежень технології, таких як складність верифікації реальності поведінки Agent з використанням технології нульових знань (ZKP) та проблеми ефективності децентралізованих мереж.

Висновок

Випуск Manus знаменує важливу віху в розвитку продуктів загального AI Agent. Світ Web3 також потребує віхового продукту, щоб подолати зовнішні сумніви щодо практичності Web3. Поява MCP відкриває нові напрямки для AI Agent в Web3, хоча наразі існує багато викликів, але інтеграція AI та Web3 є неминучою тенденцією. Нам потрібно зберігати терпіння та віру, продовжуючи досліджувати можливості в цій галузі.