Krajobraz Agentów AI on-chain ostatnio wykazuje oznaki odnowionej energii. Protokoły takie jak MCP (Model Context Protocol), A2A (Agent-to-Agent Protocol) i UnifAI zbiegają się, aby stworzyć nową, interaktywną infrastrukturę Multi-AI Agent. Infrastruktura ta ma na celu podniesienie Agentów AI z prostych usług rozpowszechniania informacji do poziomu funkcjonalnych aplikacji i usług narzędziowych. Kluczowe pytanie brzmi, czy to sygnał nadejścia drugiej wiosny dla Agentów AI on-chain.
Zrozumienie MCP (Model Context Protocol)
Opracowany przez Anthropic, Model Context Protocol reprezentuje otwarty standardowy protokół, którego celem jest ustanowienie ‘układu nerwowego’ łączącego modele AI z zewnętrznymi narzędziami. Protokół ten rozwiązuje kluczowe wyzwania związane z interoperacyjnością między Agentami a narzędziami zewnętrznymi. Poparcie ze strony gigantów branży, takich jak Google DeepMind, szybko umiejscowiło MCP jako uznany standard w branży.
Techniczne znaczenie MCP polega na standaryzacji wywołań funkcji, umożliwiając różnym Large Language Models (LLMs) interakcję z zewnętrznymi narzędziami przy użyciu jednolitego języka. Ta standaryzacja jest podobna do ‘protokołu HTTP’ w ekosystemie Web3 AI. Jednak MCP ma pewne ograniczenia, szczególnie w zdalnej, bezpiecznej komunikacji, które stają się bardziej wyraźne przy częstych interakcjach z udziałem aktywów.
Dekodowanie A2A (Agent-to-Agent Protocol)
Inicjowany przez Google, Agent-to-Agent Protocol to framework komunikacyjny dla interakcji między Agentami, przypominający ‘sieć społecznościową Agentów’. W przeciwieństwie do MCP, który koncentruje się na łączeniu narzędzi AI, A2A podkreśla komunikację i interakcję między Agentami. Wykorzystuje mechanizm Agent Card do rozwiązywania problemu odkrywania możliwości, umożliwiając współpracę Agentów między platformami i multi-modalną, wspieraną przez ponad 50 firm, w tym Atlassian i Salesforce.
Funkcjonalnie, A2A działa jako ‘protokół społecznościowy’ w świecie AI, ułatwiając współpracę między różnymi małymi podmiotami AI poprzez ustandaryzowane podejście. Poza samym protokołem, rola Google w promowaniu Agentów AI jest znacząca.
Analiza UnifAI
Pozycjonowany jako sieć współpracy Agentów, UnifAI ma na celu zintegrowanie mocnych stron zarówno MCP, jak i A2A, zapewniając Małym i Średnim Przedsiębiorstwom (MŚP) rozwiązania do współpracy Agentów między platformami. Jego architektura przypomina ‘warstwę środkową’, starającą się poprawić wydajność ekosystemu Agentów poprzez ujednolicony mechanizm odkrywania usług. Jednak w porównaniu z innymi protokołami, wpływ rynkowy i rozwój ekosystemu UnifAI są nadal stosunkowo ograniczone, co sugeruje potencjalne przyszłe skupienie się na konkretnych niszach.
DARK: Aplikacja serwera MCP na Solana
DARK reprezentuje implementację aplikacji serwera MCP zbudowanej na blockchainie Solana. Wykorzystując Trusted Execution Environment (TEE), zapewnia bezpieczeństwo, umożliwiając Agentom AI bezpośrednią interakcję z blockchainem Solana w celu wykonywania operacji, takich jak wysyłanie zapytań o salda kont i wystawianie tokenów.
Kluczowym elementem tego protokołu jest jego zdolność do wzmocnienia Agentów AI w przestrzeni DeFi, rozwiązując problem zaufanego wykonania operacji on-chain. Implementacja warstwy aplikacji DARK oparta na MCP otwiera nowe możliwości eksploracji.
Potencjalne kierunki rozwoju i możliwości dla Agentów AI On-Chain
Przy pomocy tych ustandaryzowanych protokołów, Agenci AI on-chain mogą badać różne kierunki rozwoju i możliwości:
Zdecentralizowane możliwości wykonywania aplikacji: Projekt DARK oparty na TEE rozwiązuje podstawowy problem – umożliwienie modelom AI niezawodne wykonywanie operacji on-chain. Zapewnia to wsparcie techniczne dla implementacji Agenta AI w sektorze DeFi, potencjalnie prowadząc do tego, że więcej Agentów AI autonomicznie wykonuje transakcje, wystawia tokeny i zarządza pulami płynności.
W porównaniu z czysto koncepcyjnymi modelami Agentów, ten praktyczny ekosystem Agentów ma rzeczywistą wartość. (Jednak, mając obecnie tylko 12 Akcji na GitHub, DARK jest wciąż we wczesnej fazie rozwoju, daleko od zastosowania na dużą skalę.)
Współpracujące sieci blockchain Multi-Agent: Eksploracja scenariuszy współpracy wielu Agentów przez A2A i UnifAI wprowadza nowe możliwości efektu sieciowego do ekosystemu Agenta on-chain. Wyobraź sobie zdecentralizowaną sieć składającą się z różnych wyspecjalizowanych Agentów, potencjalnie przewyższającą możliwości pojedynczego LLM i tworzącą autonomiczny, oparty na współpracy, zdecentralizowany rynek. To doskonale wpisuje się w rozproszony charakter sieci blockchain.
Ewolucja krajobrazu Agenta AI
Sektor Agenta AI odchodzi od bycia napędzanym wyłącznie przez hype. Ścieżka rozwoju dla AI on-chain może obejmować najpierw zajęcie się problemami standardów między platformami (MCP, A2A), a następnie rozgałęzienie się na innowacje warstwy aplikacji (takie jak wysiłki DARK w DeFi).
Zdecentralizowany ekosystem Agentów utworzy nową warstwową architekturę rozszerzenia: warstwa bazowa składa się z podstawowych zabezpieczeń, takich jak TEE, warstwa środkowa obejmuje standardy protokołów, takie jak MCP/A2A, a górna warstwa zawiera określone pionowe scenariusze zastosowań. (Może to być negatywne dla istniejących protokołów standardowych Web3 AI on-chain.)
Dla ogólnych użytkowników, po doświadczeniu początkowego boomu i upadku Agentów AI on-chain, uwaga powinna przesunąć się z identyfikowania projektów, które mogą stworzyć największą bańkę wartości rynkowej, na te, które rzeczywiście rozwiązują podstawowe problemy integracji Web3 z AI, takie jak bezpieczeństwo, zaufanie i współpraca. Aby uniknąć wpadnięcia w kolejną pułapkę bańki, zaleca się monitorowanie, czy postępy projektu są zgodne z innowacjami technologii AI w Web2.
Kluczowe wnioski
- Agenci AI mogą mieć nową falę ekspansji warstwy aplikacji i możliwości hype oparte na standardowych protokołach Web2 AI (MCP, A2A, itp.).
- Agenci AI nie ograniczają się już do usług push informacji przez pojedyncze podmioty. Interaktywne i oparte na współpracy usługi narzędziowe Multi-AI Agent (DeFAI, GameFAI, itp.) będą kluczowym celem.
Głębsze spojrzenie na rolę MCP w standaryzacji interakcji AI
MCP, w swojej istocie, polega na stworzeniu wspólnego języka dla modeli AI do komunikowania się ze światem zewnętrznym. Pomyśl o tym jak o zapewnieniu uniwersalnego tłumacza, który pozwala systemom AI na interakcję z różnymi narzędziami i usługami bez potrzeby niestandardowych integracji dla każdego z nich. Jest to znaczący krok naprzód, ponieważ drastycznie zmniejsza złożoność i czas potrzebny do budowania aplikacji opartych na AI.
Jedną z kluczowych zalet MCP jest jego zdolność do abstrahowania od leżących u podstaw złożoności różnych narzędzi i usług. Oznacza to, że programiści AI mogą skupić się na logice swoich aplikacji, zamiast grzęznąć w szczegółach dotyczących interakcji z określonymi API lub formatami danych. Ta abstrakcja ułatwia również zamianę jednego narzędzia na inne, o ile oba obsługują standard MCP.
Ponadto MCP promuje bardziej modułowe i kompozycyjne podejście do rozwoju AI. Definiując jasny interfejs dla sposobu, w jaki modele AI wchodzą w interakcję z zewnętrznymi narzędziami, łatwiej jest budować złożone systemy AI, łącząc mniejsze, bardziej wyspecjalizowane komponenty. Ta modułowość ułatwia również ponowne wykorzystywanie i udostępnianie komponentów AI w różnych projektach.
Jednak standaryzacja, którą wnosi MCP, stwarza również pewne wyzwania. Zdefiniowanie wspólnego interfejsu, który działa dla szerokiej gamy narzędzi i usług, wymaga starannego rozważenia i kompromisów. Istnieje ryzyko, że standard stanie się zbyt ogólny i nie w pełni uchwyci niuansów konkretnych narzędzi. Dodatkowo, zapewnienie, że standard jest bezpieczny i chroni przed złośliwymi atakami, jest kluczowe.
Wizja A2A dotycząca ekosystemu AI opartego na współpracy
Podczas gdy MCP koncentruje się na interakcji między modelami AI a narzędziami zewnętrznymi, A2A przyjmuje szersze spojrzenie i przewiduje ekosystem współpracy agentów AI. Ten ekosystem umożliwiałby różnym agentom AI komunikację, koordynację i współpracę w celu rozwiązywania złożonych problemów.
Mechanizm Agent Card jest kluczowym elementem A2A, umożliwiając agentom odkrywanie wzajemnych możliwości i wymianę informacji. Mechanizm ten pozwala agentom reklamować swoje umiejętności i usługi, ułatwiając innym agentom ich znajdowanie i wykorzystywanie. Agent Card zapewnia również ustandaryzowany sposób opisywania możliwości agentów, zapewniając, że są one zrozumiałe dla innych agentów, niezależnie od ich podstawowej implementacji.
Skupienie się A2A na komunikacji i współpracy otwiera szeroki zakres możliwości dla zastosowań AI. Wyobraź sobie zespół agentów AI pracujących razem nad zarządzaniem łańcuchem dostaw, z których każdy jest odpowiedzialny za określone zadanie, takie jak prognozowanie popytu, optymalizacja logistyki lub negocjowanie umów. Współpracując i wymieniając się informacjami, agenci ci mogliby uczynić łańcuch dostaw bardziej wydajnym i odpornym.
Jednak budowanie ekosystemu AI opartego na współpracy również stwarza znaczące wyzwania. Zapewnienie, że agenci mogą sobie ufać i bezpiecznie wymieniać informacje, jest kluczowe. Ponadto, opracowanie protokołów rozwiązywania konfliktów i koordynowania działań między wieloma agentami jest niezbędne.
Ambicja UnifAI, aby zniwelować lukę
UnifAI ma na celu zniwelowanie luki między MCP i A2A, zapewniając ujednoliconą platformę do budowania i wdrażania aplikacji AI. Stara się połączyć mocne strony obu protokołów, oferując programistom kompleksowy zestaw narzędzi do interakcji z usługami zewnętrznymi i współpracy z innymi agentami AI.
Skupienie się UnifAI na MŚP jest szczególnie godne uwagi. MŚP często brakuje zasobów i wiedzy specjalistycznej, aby budować złożone systemy AI od podstaw. Zapewniając gotową do użycia platformę, UnifAI może pomóc MŚP we wdrażaniu technologii AI i ulepszaniu procesów biznesowych.
Jednak UnifAI stoi przed wyzwaniem konkurowania z ugruntowanymi graczami na rynku AI. Aby odnieść sukces, będzie musiał zaoferować przekonującą propozycję wartości, która odróżni go od istniejących rozwiązań. Mogłoby to obejmować skupienie się na określonych niszach rynkowych lub zapewnienie unikalnych funkcji, które nie są dostępne gdzie indziej.
Odważny krok DARK w kierunku DeFi
Implementacja serwera MCP przez DARK na Solanie stanowi odważny krok w kierunku integracji AI z zdecentralizowanymi finansami (DeFi). Wykorzystując Trusted Execution Environment (TEE), DARK umożliwia agentom AI bezpieczną interakcję z blockchainem Solana, otwierając szereg możliwości dla aplikacji DeFi opartych na AI.
Jedną z kluczowych zalet DARK jest jego zdolność do automatyzacji złożonych strategii DeFi. Agenci AI mogą być zaprogramowani do monitorowania warunków rynkowych, wykonywania transakcji i zarządzania pulami płynności, wszystko bez interwencji człowieka. Ta automatyzacja może poprawić wydajność i zmniejszyć ryzyko błędu ludzkiego.
Jednak integracja AI z DeFi stwarza również znaczące ryzyko. Agenci AI mogą być podatni na ataki, które wykorzystują luki w ich kodzie lub w podstawowych protokołach DeFi. Ponadto, wykorzystanie AI w DeFi może budzić obawy dotyczące przejrzystości i odpowiedzialności.
Przyszłość Agentów AI: Podejście Wielowarstwowe
Ewolucja agentów AI prawdopodobnie będzie przebiegać zgodnie z wielowarstwowym podejściem, z różnymi warstwami odpowiedzialnymi za różne aspekty systemu. Warstwa bazowa skupi się na zapewnieniu podstawowego bezpieczeństwa i zaufania, wykorzystując technologie takie jak TEE. Warstwa środkowa będzie składać się ze standardów protokołów, takich jak MCP i A2A, które umożliwiają interoperacyjność i współpracę. Górna warstwa będzie zawierać określone pionowe aplikacje, dostosowane do różnych branż i przypadków użycia.
To wielowarstwowe podejście pozwoli na budowanie agentów AI w sposób modułowy i skalowalny. Różne warstwy mogą być rozwijane i ulepszane niezależnie, bez wpływu na funkcjonalność innych warstw. Ta modułowość ułatwi również dostosowanie agentów AI do nowych technologii i przypadków użycia.
Jednak zapewnienie, że różne warstwy współpracują ze sobą bezproblemowo, będzie kluczowym wyzwaniem. Różne warstwy muszą być zaprojektowane tak, aby były ze sobą kompatybilne, i muszą istnieć jasne interfejsy między nimi. Ponadto, zapewnienie, że różne warstwy są bezpieczne i chronią przed złośliwymi atakami, jest kluczowe.