当前生成式AI模型主要用于内容创作和信息过滤。然而，最近对AI智能体（自主完成用户定义目标的参与者）的研究表明，AI若能拥有类似于1990年代互联网的经济通道，可能会解锁前所未有的潜力。
智能体需要代理他们可以控制的资产，因为传统金融系统并非为此设计。这正是加密货币的用武之地：它提供了一个快速结算的数字支付和所有权层，非常适合构建AI智能体。
本文将介绍智能体及其架构的概念，展示研究中如何证明智能体具备超越传统语言模型（LLM）的新属性，并探讨一些基于加密货币的智能体解决方案及其项目。
什么是AI智能体？
AI智能体是由LLM驱动的实体，能够规划和采取行动，以实现目标。智能体架构可能由单个或多个智能体组成，共同解决问题。每个智能体通常都有特定的个性，并可以使用各种工具来完成任务。
与当前人们通过零次提示（输入提示，LLM基于预先存在的知识生成响应）的交互方式不同，智能体架构允许初始化目标，LLM将其分解为子任务，递归地提示自己或其他模型，直到达成目标。
智能体架构类型
-
单智能体架构： 单个语言模型执行所有推理、规划和工具操作，无需其他智能体的反馈机制。人类可以选择向智能体提供反馈。
-
多智能体架构： 涉及两个或更多的智能体，可以使用相同或不同的语言模型和工具。每个智能体通常扮演不同的角色，有以下两种结构：
- 垂直结构：一个智能体充当领导者，其他智能体向其汇报。
- 水平结构：一个大型团队讨论，每个智能体都能看到其他消息，并自愿完成任务或调用工具。
智能体的关键元素
-
配置文件（个性）： 智能体的角色定义了其行为和技能。这可以通过手工制作、LLM生成或数据集对齐来创建。例如，提示“你是营养专家。请为我提供一份膳食计划”能提升LLM的输出质量。
-
记忆（Memory）： 智能体通过感知环境信息并利用这些信息制定新的计划或行动，使其能够根据经验自我进化。常见的记忆结构包括：
- 统一记忆：类似于短期记忆，所有相关记忆在每次提示中传递给智能体。
- 混合记忆：结合短期和长期记忆，使用矢量数据库等方式来存储和回忆记忆。
-
规划（Planning）： 将复杂任务解构为简单的子任务。规划可分为无反馈和带反馈两种：
- 无反馈规划：如思路链（Chain of Thought, CoT），鼓励LLM表达其思维过程。
- 带反馈规划：通过外部反馈不断细化子任务。
-
行为（Action）： 行为将智能体的决策转化为具体结果，如完成任务、沟通或环境探索。行为通常来自记忆回忆或计划遵循。
-
能力获取（Skill Acquisition）： 智能体可以通过微调或无需微调的提示工程来获得特定任务的能力。
智能体的应用示例
- 生成式智能体：在虚拟沙箱中模拟人类行为，如a16z的AI Town，智能体自动协调并参与情人节派对。
- Voyager：Minecraft中的智能体，可以自主探索世界并学习新技能，无需人工干预。
- HuggingGPT：使用ChatGPT进行任务规划，选择和执行子任务，适用于语言、视觉和语音任务。
加密领域的智能体示例
- FrenRug（Ritualnet）：基于GPT-4的土耳其地毯推销员游戏。智能体在链上通过投票决定是否购买提议的Key。
- Gnosis上的预测市场智能体：使用autonolas的AI机器人，通过支付提问来调用AI服务，执行任务并返回答案。
- ianDAOs的GPT<>Safe演示：GPT自主管理Base链上的Safe多重签名钱包，与用户互动并根据建议分配资金。
值得关注的智能体项目
- AIWay Finder：去中心化知识图谱，智能体可导航区块链生态系统，用户因识别路径而获得奖励。
- Morpheus：代表用户执行智能合约的个人通用AI网络，应用于web3钱包和数据解析等。
- Naptha：智能体编排协议，支持异步消息传递和跨节点任务的工作流引擎。
总结
自主智能体正逐步成为区块链交互的重要部分，它们为下一代加密用户提供了无尽的可能性。随着LLM的成本下降和智能体创建的便利性提升，AI智能体将可能主宰未来的链上交互。