作者:francesco

編譯:深潮TechFlow

在創造AI 智能體時,一個核心挑戰是如何讓它們既能靈活地學習、迭代和成長,又能確保輸出結果的一致性。

Rei 提供了一個框架,用於在AI 和區塊鏈之間共享結構化數據,使得AI 智能體能夠學習、優化,並保留一套經驗與知識庫。

這個框架的出現,使開發具備以下能力的AI 系統成為可能:

  • 理解上下文和模式,並產生有價值的洞察

  • 將洞察轉化為可執行的行動,同時受益於區塊鏈的透明度和可靠性

面臨的挑戰

AI 和區塊鏈在核心屬性上有顯著差異,這使得兩者的兼容性面臨許多挑戰:

  1. 區塊鏈的確定性計算:區塊鏈的每一步操作都必須在所有節點上產生完全一致的結果,以確保:

    1. 共識:每個節點對新區塊內容達成一致,共同完成驗證

    2. 狀態驗證:區塊鏈的狀態始終可追溯且可驗證。新加入的節點應能快速同步到與其他節點一致的狀態

    3. 智能合約執行:所有節點在相同輸入條件下必須產生一致的輸出

  2. AI的機率性計算: AI 系統的輸出結果通常是基於機率的,這意味著每次運行可能會得到不同結果。這種特性來自:

    1. 上下文依賴性:AI 的表現依賴於輸入的上下文,例如訓練資料、模型參數,以及時間和環境條件

    2. 資源密集性:AI 的計算需要高效能硬體支持,包括複雜的矩陣運算和大量內存

上述差異引發了以下相容性挑戰

  • 機率性與確定性資料的衝突

    • 如何將AI 的機率性輸出轉化為區塊鏈所需的確定性結果?

    • 這種轉化應在何時、何地完成?

    • 如何在確保確定性的同時,保留機率性分析的價值?

  • Gas 成本: AI 模型的高運算需求可能導致無法負擔的Gas 費用,從而限制其在區塊鏈上的應用。

  • 記憶體限制:區塊鏈環境的記憶體容量有限,難以滿足AI 模型的儲存需求。

  • 執行時間:區塊鏈的區塊時間對AI 模型的運行速度形成了限制,可能影響其效能。

  • 資料結構的整合: AI 模型使用複雜的資料結構,而這些結構難以直接融入區塊鏈的儲存模式中。

  • 預言機問題(驗證需求):區塊鏈依賴預言機來取得外部數據,但如何驗證AI 計算的準確性仍是一個難題。尤其是AI 系統需要豐富的脈絡和低延遲,這與區塊鏈的特性有衝突。

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯

AI 智能體如何與區塊鏈無縫連結?

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯

Rei 提出了一個全新的解決方案,將AI 和區塊鏈的優勢結合在一起。

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯

與其強行將AI 和區塊鏈這兩種截然不同的系統融合,Rei 更傾向於充當一個“通用翻譯器”,透過翻譯層讓兩者能夠順暢地溝通與協作。

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯

Rei 的核心目標包括:

  • 讓AI 智能體獨立思考與學習
  • 將智能體的洞察轉化為精確且可驗證的區塊鏈操作

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯

這個框架的首次應用是Unit00x0 (Rei_00 - $REI),目前已被訓練為量化分析師。

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

Rei 的認知架構由以下四個層次組成:

  1. 思考層(Thinking Layer):負責處理和收集原始數據,例如圖表數據、交易歷史和使用者行為,並從中尋找潛在模式。
  2. 推理層(Reasoning Layer):在發現模式的基礎上,為其添加上下文信息,例如日期、時間、歷史趨勢和市場狀況,從而使數據更加立體化。
  3. 決策層(Decision Layer):根據推理層提供的脈絡化資訊制定具體的行動方案。
  4. 行動層(Action Layer):將決策轉化為可以在區塊鏈上執行的確定性操作。

Rei 的框架建立在以下三個核心支柱之上:

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯
  1. Oracle (預言機,類似神經路徑):將AI 的多樣化輸出轉換為統一的結果,並記錄到區塊鏈上。
  2. ERC 數據標準(ERC Data Standard):擴展區塊鏈存儲能力,支援複雜模式的數據存儲,同時保留思考層和推理層生成的上下文信息,從而實現從概率數據到確定性執行的轉化。
  3. 記憶系統(Memory System):讓Rei 能夠隨著時間累積經驗,並隨時調用先前的輸出結果和學習成果。

以下是這些交互作用的具體表現:

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯
  • Oracle 橋負責識別資料模式
  • ERCData 用於儲存這些模式
  • 記憶系統保留上下文資訊以便更好地理解模式
  • 智能合約可以存取這些累積的知識並據此採取行動

憑藉這一架構,Rei 智能體已經能夠結合鏈上數據、價格變動、社會情緒等多維信息,對Token 進行深度分析。

更重要的是,Rei 不僅能分析數據,還能在此基礎上形成更深層的理解。這得益於她將自己的經驗和洞察直接儲存在區塊鏈上,使這些資訊成為其知識體系的一部分,能夠隨時調用,從而不斷優化決策能力和整體經驗。

Rei 的資料來源包括Plotly 和Matplotlib 函式庫(用於圖表繪製)、Coingecko、Defillama、鏈上資料以及Twitter 的社交情緒資料。透過這些多樣化的資料來源,Rei 能夠提供全面的鏈上分析和市場洞察。

隨著Quant V2 的功能更新,Rei 現支援以下幾種分析形式:

  1. 項目分析:在原有功能基礎上新增了量化指標和情緒數據支持。分析內容包括K 線圖(Candlestick Chart)、互動圖表(Engagement Chart)以及持有者分佈(Holder Distribution)和損益(PnL)情況。 (相關範例

  2. 流入與流出分析:透過監控鏈上熱門Token 的價格和交易量,Rei 能夠將這些數據與資金流入和流出情況進行對比,幫助用戶發現潛在市場趨勢。 (相關範例

  3. 互動分析:評估項目的整體互動情況,包括即時數據與24 小時前數據的對比,以及相對價格變化。此功能揭示了最新資訊與使用者互動表現之間的相關性。 (相關範例

  4. 頂級類別分析:對單一類別中的最低交易量和最高交易數進行分析,突出項目在其所屬類別中的表現。

  5. 第一個圖表展示了底部的交易量和頂部的交易數;隨後深入分析單一類別,揭示單一項目相較於同類項目的指標變化。 (相關範例

此外,截至2025 年1 月, Rei 已支援鏈上Token 買賣功能。她配備了基於ERC-4337 標準的智慧合約錢包,讓交易更加便利和安全。

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

Rei 的智能合約透過使用者簽署授權,將操作委託給她,從而使Rei 能夠自主管理其投資組合。

以下是Rei 的錢包位址:

使用案例:Rei 框架的多功能性

圖解Rei Network框架:AI Agent與區塊鏈的無縫銜接

原圖來自francesco,由深潮TechFlow 編譯

Rei 框架不僅限於金融領域,還可以應用於以下廣泛的場景:

  • 使用者與智能體互動:支援內容創作

  • 市場分析:供應鏈管理與物流領域

  • 自適應系統的建構:治理場景

  • 風險評估:在醫療領域,Rei 透過情境分析評估潛在風險

Rei 的未來發展方向

  • 更好的UI

  • 基於Token 權限的Alpha 終端

  • 開發者平台