DeFAI: Ein neuer Weg zur Absicht

DeFAI ist kurz und bündig AI+DeFi. Der Markt hat KI immer wieder gehypt, von KI-Rechenleistung bis hin zu KI-Meme

1. DeFAI tells the story of AI+DeFi

1. DeFAI erzählt die Geschichte von KI+DeFi

1.1 What is DeFAI

1.1 Was ist DeFAI?

DeFAI is a concise way of saying AI+DeFi. The market has hyped AI over and over again, from AI computing power to AI Meme, from different technical architectures to different infrastructures. Although the overall market value of AI Agents has generally declined recently, the concept of DeFAI is becoming a new breakthrough trend. The current DeFAI can be roughly divided into three categories: AI abstraction, autonomous DeFi agent, and market analysis and prediction. The specific divisions within the categories are shown in the figure below.

DeFAI ist eine prägnante Bezeichnung für AI+DeFi. Der Markt hat KI immer wieder gehypt, von KI-Rechenleistung bis hin zu KI-Meme, von verschiedenen technischen Architekturen bis hin zu unterschiedlichen Infrastrukturen. Obwohl der Gesamtmarktwert von KI-Agenten in letzter Zeit allgemein zurückgegangen ist, entwickelt sich das Konzept von DeFAI zu einem neuen Durchbruchstrend. Das aktuelle DeFAI lässt sich grob in drei Kategorien einteilen: KI-Abstraktion, autonomer DeFi-Agent sowie Marktanalyse und -prognose. Die spezifischen Unterteilungen innerhalb der Kategorien sind in der folgenden Abbildung dargestellt.

1.2 How DeFAI works

1.2 Wie DeFAI funktioniert

In the DeFi system, the core behind AI Agent is LLM (Large Language Model), which involves multi-level processes and technologies, covering all aspects from data collection to decision execution. According to the research of @3sigma in the IOSG article, most models follow the data. The six specific workflows of collection, model reasoning, decision making, hosting and operation, interoperability, and wallet are summarized below:

Im DeFi-System ist der Kern von AI Agent das LLM (Large Language Model), das mehrstufige Prozesse und Technologien umfasst und alle Aspekte von der Datenerfassung bis zur Entscheidungsausführung abdeckt. Laut der Recherche von @3sigma im IOSG-Artikel folgen die meisten Modelle den Daten. Die sechs spezifischen Arbeitsabläufe für Sammlung, Modellbegründung, Entscheidungsfindung, Hosting und Betrieb, Interoperabilität und Wallet sind nachstehend zusammengefasst:

1. Data Collection: The first task for an AI Agent is to gain a comprehensive understanding of the environment in which it operates. This includes acquiring real-time data from multiple sources:

1. Datenerfassung: Die erste Aufgabe eines KI-Agenten besteht darin, ein umfassendes Verständnis der Umgebung zu erlangen, in der er tätig ist. Dazu gehört die Erfassung von Echtzeitdaten aus mehreren Quellen:

On-chain data: Obtain real-time blockchain data such as transaction records, smart contract status, and network activities through indexers, oracles, etc. This helps Agents keep in sync with market dynamics;

On-Chain-Daten: Erhalten Sie Echtzeit-Blockchain-Daten wie Transaktionsaufzeichnungen, Smart-Contract-Status und Netzwerkaktivitäten über Indexer, Orakel usw. Dies hilft Agenten, mit der Marktdynamik Schritt zu halten;

Off-chain data: Obtain price information, market news, and macroeconomic indicators from external data providers (such as CoinMarketCap, Coingecko) to ensure that the Agent understands the external conditions of the market. This data is usually provided to the Agent through an API interface;

Off-Chain-Daten: Erhalten Sie Preisinformationen, Marktnachrichten und makroökonomische Indikatoren von externen Datenanbietern (wie CoinMarketCap, Coingecko), um sicherzustellen, dass der Agent die externen Marktbedingungen versteht. Diese Daten werden dem Agenten normalerweise über eine API-Schnittstelle bereitgestellt;

Decentralized data source: Some agents may obtain price oracle data through a decentralized data feed protocol to ensure the decentralization and credibility of the data.

Dezentrale Datenquelle: Einige Agenten erhalten möglicherweise Preisorakeldaten über ein dezentrales Datenfeed-Protokoll, um die Dezentralisierung und Glaubwürdigkeit der Daten sicherzustellen.

2. Model Reasoning: After data collection is completed, the AI Agent enters the reasoning and calculation phase. Here, the Agent relies on multiple AI models for complex reasoning and prediction:

2. Modellbegründung: Nachdem die Datenerfassung abgeschlossen ist, tritt der KI-Agent in die Begründungs- und Berechnungsphase ein. Hier verlässt sich der Agent für komplexe Überlegungen und Vorhersagen auf mehrere KI-Modelle:

Supervised and unsupervised learning: AI models can analyze the behavior of markets and governance forums by training on labeled or unlabeled data. For example, they can predict future market trends by analyzing historical trading data, or predict future market trends by analyzing governance forum data. , speculate the outcome of a voting proposal;

Überwachtes und unüberwachtes Lernen: KI-Modelle können das Verhalten von Märkten und Governance-Foren analysieren, indem sie mit gekennzeichneten oder nicht gekennzeichneten Daten trainieren. Sie können beispielsweise zukünftige Markttrends vorhersagen, indem sie historische Handelsdaten analysieren, oder zukünftige Markttrends vorhersagen, indem sie Governance-Forumsdaten analysieren. , über das Ergebnis eines Abstimmungsvorschlags spekulieren;

Reinforcement learning: Through trial and error and feedback mechanisms, AI models can autonomously optimize strategies. For example, in token trading, AI Agents can determine the best time to buy or sell by simulating multiple trading strategies. This learning method allows Agent to continuously improve under changing market conditions;

Reinforcement Learning: Durch Versuch und Irrtum und Feedback-Mechanismen können KI-Modelle autonom Strategien optimieren. Beim Token-Handel können KI-Agenten beispielsweise den besten Zeitpunkt für den Kauf oder Verkauf ermitteln, indem sie mehrere Handelsstrategien simulieren. Diese Lernmethode ermöglicht es Agent, sich unter sich ändernden Marktbedingungen kontinuierlich zu verbessern;

Natural Language Processing (NLP): By understanding and processing user natural language input, Agents can extract key information from governance proposals or market discussions to help users make better decisions. This is especially useful in scanning decentralized governance forums or processing user instructions. It is especially important when.

Natural Language Processing (NLP): Durch das Verstehen und Verarbeiten von Benutzereingaben in natürlicher Sprache können Agenten wichtige Informationen aus Governance-Vorschlägen oder Marktdiskussionen extrahieren, um Benutzern dabei zu helfen, bessere Entscheidungen zu treffen. Dies ist besonders nützlich beim Scannen dezentraler Governance-Foren oder beim Verarbeiten von Benutzeranweisungen. Es ist besonders wichtig, wenn.

3. Decision making: Based on the collected data and the results of reasoning, the AI Agent enters the decision-making stage. In this stage, the Agent not only needs to analyze the current market situation, but also make trade-offs between multiple variables:

3. Entscheidungsfindung: Basierend auf den gesammelten Daten und den Ergebnissen der Überlegungen tritt der KI-Agent in die Entscheidungsphase ein. In dieser Phase muss der Agent nicht nur die aktuelle Marktsituation analysieren, sondern auch Kompromisse zwischen mehreren Variablen eingehen:

Optimization Engine: Agent uses the optimization engine to find the best execution plan under various conditions. For example, when performing liquidity provision or arbitrage strategies, Agent must consider factors such as slippage, transaction fees, network latency, fund size, etc. in order to find The optimal execution path;

Optimierungs-Engine: Der Agent verwendet die Optimierungs-Engine, um den besten Ausführungsplan unter verschiedenen Bedingungen zu finden. Beispielsweise muss der Agent bei der Umsetzung von Liquiditätsbereitstellungs- oder Arbitragestrategien Faktoren wie Slippage, Transaktionsgebühren, Netzwerklatenz, Fondsgröße usw. berücksichtigen, um den optimalen Ausführungspfad zu finden;

Multi-agent system collaboration: In order to cope with complex market conditions, a single agent sometimes cannot fully optimize all decisions. In this case, multiple AI agents can be deployed, each focusing on different task areas, to improve the overall system's decision-making through collaboration. Efficiency. For example, one agent focuses on market analysis and another agent focuses on executing trading strategies.

Zusammenarbeit mehrerer Agentensysteme: Um komplexe Marktbedingungen zu bewältigen, kann ein einzelner Agent manchmal nicht alle Entscheidungen vollständig optimieren. In diesem Fall können mehrere KI-Agenten eingesetzt werden, die sich jeweils auf unterschiedliche Aufgabenbereiche konzentrieren, um durch Zusammenarbeit die Entscheidungsfindung des Gesamtsystems zu verbessern. Effizienz. Beispielsweise konzentriert sich ein Agent auf die Marktanalyse und ein anderer Agent auf die Umsetzung von Handelsstrategien.

4. Hosting and operation: Since AI Agent needs to process a lot of calculations, it is usually necessary to host its model on an off-chain server or distributed computing network:

4. Hosting und Betrieb: Da AI Agent viele Berechnungen verarbeiten muss, ist es normalerweise notwendig, sein Modell auf einem Off-Chain-Server oder einem verteilten Computernetzwerk zu hosten:

Centralized hosting: Some AI agents may rely on centralized cloud computing services such as AWS to host their computing and storage needs. This approach helps ensure the efficient operation of the model, but it also brings potential risks of centralization;

Zentralisiertes Hosting: Einige KI-Agenten verlassen sich möglicherweise auf zentralisierte Cloud-Computing-Dienste wie AWS, um ihre Rechen- und Speicheranforderungen zu hosten. Dieser Ansatz trägt dazu bei, den effizienten Betrieb des Modells sicherzustellen, birgt jedoch auch potenzielle Risiken einer Zentralisierung;

Decentralized hosting: To reduce the risk of centralization, some agents use decentralized distributed computing networks (such as Akash) and distributed storage solutions (such as Arweave) to host models and data. Such solutions ensure the model Decentralized operation while providing persistence of data storage;

Dezentrales Hosting: Um das Risiko einer Zentralisierung zu verringern, verwenden einige Agenten dezentrale verteilte Computernetzwerke (wie Akash) und verteilte Speicherlösungen (wie Arweave), um Modelle und Daten zu hosten. Solche Lösungen stellen den dezentralen Betrieb des Modells sicher und sorgen gleichzeitig für die Persistenz der Datenspeicherung;

On-chain interaction: Although the model itself is hosted off-chain, the AI Agent needs to interact with the on-chain protocol in order to perform smart contract functions (such as transaction execution, liquidity management) and manage assets. This requires secure key management and transactions. Signing mechanisms such as MPC (Multi-Party Computation) wallets or smart contract wallets.

Interaktion in der Kette: Obwohl das Modell selbst außerhalb der Kette gehostet wird, muss der KI-Agent mit dem Protokoll in der Kette interagieren, um intelligente Vertragsfunktionen (z. B. Transaktionsausführung, Liquiditätsmanagement) auszuführen und Vermögenswerte zu verwalten. Dies erfordert eine sichere Schlüsselverwaltung und Transaktionen. Signierungsmechanismen wie MPC-Wallets (Multi-Party Computation) oder Smart-Contract-Wallets.

5. Interoperability: The key role of AI Agent in the DeFi ecosystem is to interact seamlessly with

5. Interoperabilität: Die Schlüsselrolle des AI Agent im DeFi-Ökosystem besteht in der nahtlosen Interaktion mit