如何用AI Agent驅動鏈上資產管理

null

對於有能力同時駕馭 Web3 與 AI 兩個面向的團隊而言，當前正是介入的窗口期——不論是在執行層構建更可靠的鏈上 Agent 系統，還是在基礎設施層打通資料、權限與信任的關鍵環節，都存在相當大的空白地帶有待填補。

在正式展開分析之前，有必要先厘清一個核心概念：DeFAI。

DeFAI 是 DeFi（去中心化金融）與 AI（人工智慧）的融合縮寫，指的是將 AI Agent 引入鏈上金融情境，使其具備感知市場狀態、自主制定策略並直接執行鏈上操作的能力——從而在不依賴人工即時介入的前提下，完成資產配置、風險管理、協議互動等一系列傳統上需要專業人員操作的金融行為。

簡言之，DeFAI 並非 DeFi 工具的簡單 AI 化升級，而是試圖在鏈上構建一套可自主運轉的金融執行層。

這一賽道自 2024 年 Q4 起迅速升溫，其背後有三個標誌性事件值得關注，它們分別對應 AI Agent 進入 Web3 的三個層次：敘事破圈、資產化基礎設施搭建，以及執行能力的真實落地。

第一個事件發生在 2024 年 7 月。開發者 Andy Ayrey 構建的 Twitter 機器人 Truth Terminal，在獲得 a16z 幾位聯合創始人 Marc Andreessen 贈予 5 萬美元 BTC 後迅速出圈，並引發 GOAT 幣的病毒式傳播。這是 AI Agent 作為鏈上經濟參與者首次真正意義上進入大眾視野。

第二個事件發生在同年 10 月。Virtuals Protocol 在 Base 網路上爆火，將 AI Agent 本身代幣化，其生態市值最高突破 35 億美元，成為 DeFAI 賽道資產化基礎設施搭建階段的典型代表。

第三個事件，是 Giza、HeyAnon、Almanak 等專案相繼在鏈上執行層落地，推動產業從敘事驅動轉向產品化階段——AI Agent 開始真正「動手」執行鏈上操作，而不只是停留在資訊互動層面。

從全球市場規模來看，多家研究機構對 AI Agent 賽道的成長預期高度一致：

圖表 1：全球 AI Agent 市場規模預測對比

資料來源：MarketsandMarkets（2025）、Grand View Research（2025）、BCC Research（2026.01）

然而，資本熱度與產業落地之間仍存在顯著落差。据麥肯錫 2025 年 11 月發布的《The State of AI in 2025》報告（基於 105 個國家 1993 名受訪者），儘管 88% 的組織已在至少一個業務職能中使用 AI，但近三分之二仍停留在實驗或試點階段。具體到 AI Agent 領域：62% 的組織開始實驗，23% 在至少一個職能中推進規模化，但在任何單一職能中實現規模化部署的比例均不足 10%。

這一數據提示我們：DeFAI 賽道的敘事熱度，目前仍領先於實際落地進度。理解這種落差，是客觀評估這一賽道價值的前提。

二、DeFAI 的技術底座：AI Agent 如何與鏈上世界互動

要理解 DeFAI 如何運轉，首先需要回答一個關鍵問題：AI 是透過什麼機制介入鏈上金融操作的？

DeFAI 系統的核心執行單元，是基於大型語言模型構建的 AI Agent。根據 Wang et al.（2023）的學術綜述，其核心能力可歸納為三層架構，而每一層在鏈上情境中都有其對應的具體職能：

規劃層，負責目標拆解與路徑最佳化，對應鏈上情境中的策略生成與風險評估；

記憶層，透過向量資料庫等外部儲存實現跨週期資訊累積，承載歷史市場資料與協議狀態；

工具層，擴展模型能力，使其能夠呼叫 DeFi 協議、價格預言機與跨鏈橋接等外部系統。

但這裡有一點需要明確：AI 模型本身無法直接與區塊鏈互動。幾乎所有目前的 DeFAI 系統，都採用鏈下推理與鏈上執行分離的架構——AI Agent 在鏈下完成策略計算，再將結果轉化為鏈上交易訊號，由執行模組代為提交。這種架構設計，既是當前技術條件下的現實選擇，也由此引出了私鑰授權、權限管理等一系列安全議題（詳見第五章）。

AI Agent 本質上是基於大型語言模型的自主決策系統，透過任務拆解、記憶管理與工具呼叫實現閉環執行，而目前 AI Agent 與鏈上資產端的互動也已初具形態。

圖表2：AI Agent 三層架構與鏈上執行模型

三、DeFAI 的演進：從資訊互動到執行閉環

明確了 DeFAI 的技術底座之後，一個自然的問題隨之而來：這套系統是如何一步步走到今天的？

根據 The Block 的研究，DeFAI 的演進並非一蹴而就，而是經歷了兩個不同的階段——從早期以資訊處理為主的互動型 Agent，到如今能夠真正介入鏈上操作的執行型系統。

兩者在目標定位、技術手段與風險等級上存在本質差異。

圖表3：DeFAI 兩波演進路徑對比

兩階段的演進脈絡，可以這樣理解：

第一波是互動型 Agent，重點在於構建可對話、可分析的智慧體框架。代表性專案包括 ElizaOS（原 ai16z）的 Eliza 框架、Virtuals 的 G.A.M.E. 等。這一階段的本質仍是資訊工具——Agent 能讀、能說、能分析，但其功能邊界止步於資訊層，並未觸及任何資產執行操作。

第二波是執行型 DeFAI Agent，才真正進入決策執行閉環。代表專案包括 HeyAnon、Wayfinder、Giza（ARMA Agent）以及 Almanak 等。這類系統的共同特徵是：AI 在鏈下運行，輸出結構化策略訊號，並透過鏈上執行模組完成交易——它並不取代既有的 DeFi 協議，而是在其之上引入了一層 AI 決策機制，使整個操作鏈路從「人下指令」變為「Agent 自主執行」。

兩波演進的本質差別不在於技術複雜度，而在於是否真正觸碰資產。這也決定了第二波系統在信任機制、權限設計與安全架構上面臨的挑戰，遠比第一波更為複雜——這正是下一章將重點探討的內容。

四、DeFAI 的落地圖景：四大主流應用情境

從技術架構到演進路徑，DeFAI 的「能做什麼」已逐漸清晰。那麼在實際產品層面，它正在解決哪些真實問題？

整體來看，當前 DeFAI 的應用探索已圍繞四個核心方向形成相對成熟的落地格局，分別對應鏈上操作中「收益效率、策略執行、互動門檻與風險管控」四類核心痛點。

4.1 收益最佳化：跨協議的自動調倉

收益最佳化是當前落地最為成熟的 DeFAI 應用情境。其核心邏輯是：持續掃描 Aave、Compound、Fluid 等主流 DeFi 協議的存款年化收益，結合預設風險參數判斷是否需要調倉，並在每次操作前執行交易成本分析——僅當收益提升能夠覆蓋全部 gas 及交易費用時，才真正轉移資金，從而實現跨協議的自動化最佳配置。

以 Giza 為例，其 ARMA Agent 於 2025 年 2 月在 Base 網路上線穩定幣收益策略，持續監測 Aave、Morpho、Compound、Moonwell 等協議的利率變化，綜合考量協議 APY、手續費成本與流動性後，智慧調度使用者資金以最大化收益。根據公開資料，ARMA 目前已擁有約 6 萬個獨立持有者、逾 3.6 萬個已部署 Agent，管理資產規模（AUA）超過 2000 萬美元。

在 DeFi 協議收益持續波動的市場環境下，人工監控與手動調倉的效率與即時性遠不及自動化系統，這正是這一情境的核心價值所在。

圖表4：Giza 平台 ARMA Agent 範例圖

資料來源：

4.2 量化策略自動化：機構級能力的平民化

在量化策略自動化的情境中，DeFAI 平台試圖將傳統量化團隊的全流程操作模組化、自動化，使個人使用者也能觸達機構級的策略執行能力。

以 Delphi Digital 支持的 Almanak 為例，其推出的 AI Swarm 系統將量化流程拆解為四個環節：

策略模組支援透過 Python SDK 編寫投資邏輯並完成回測；

執行引擎在獲得使用者授權後自動運行已審核的策略程式碼並觸發 DeFi 呼叫；

安全錢包基於 Safe + Zodiac 建構多簽體系，透過角色權限控制將策略執行權授予 AI Agent，確保資金始終在使用者可控範圍內；

策略金庫則將策略打包為 ERC-7540 標準的可交易金庫，投資者可像基金份額一樣參與策略收益分配。

這一架構的意義在於，AI 代理承擔資料分析、策略迭代與風險管理職能，使用者僅需對系統輸出結果進行最終審核，無需組建專業量化團隊——實現所謂的「機構級別策略的平權」（專案宣稱）。

圖表5：Almanak 平台首頁展示圖

資料來源：

4.3 自然語言指令執行：讓 DeFi 操作像發訊息一樣簡單

這一情境的核心是基於使用者意圖的 DeFi 操作（Intent-based DeFi）：借助自然語言處理技術，使用者以日常語言下達交易指令，AI 將其解析並轉化為多步驟的鏈上操作，大幅降低一般使用者的操作門檻。

HeyAnon 打造了一個 DeFAI 聊天平台，使用者透過對話方塊輸入指令，AI 即可執行代幣兌換、跨鏈橋接、借貸、質押等鏈上操作，整合 LayerZero 跨鏈橋及 Aave v3 等協議，支援以太坊、Base、Solana 等多鏈部署。

圖表6：HeyAnon 平台首頁展示圖

資料來源：

Wayfinder 則由 Paradigm 投資，提供更進一步的全鏈交易服務。其 AI Agent（稱為 Shells）自動尋路不同鏈間的最優交易路徑，執行跨鏈轉帳、代幣互換或 NFT 互動等操作，使用者無需關注底層 gas 費、跨鏈相容性等技術細節。

圖表7：Wayfinder 平台首頁展示圖

資料來源：

綜合來說，自然語言介面顯著降低了 DeFi 的操作門檻，但也對底層意圖解析的準確性提出了更高要求——一旦 AI 對指令的理解出現偏差，操作結果可能與使用者預期相去甚遠。

4.4 風險管理與清算監控：鏈上協議內嵌的機制

在 DeFi 借貸與槓桿情境中，AI Agent 最常見的應用是即時監控鏈上部位健康度，並在清算閾值臨近前自動執行防護操作；這一重應用正在被逐步整合在各大主流 DeFi 協議中，成為 DeFi 平台的原生功能。

Aave 以「健康因子」衡量部位安全性，當健康因子低於 1.0 時，借款人的倉位即觸發清算資格；

Compound 則採用「清算抵押因子（Liquidation Collateral Factor）」機制，當帳戶借款餘額超出該因子所設定的上限時觸發清算，各抵押資產的具體參數由鏈上治理分別設定。

人工監控在 24/7 高波動性的鏈上市場中難以保持一致的回應效率，AI Agent 在此情境中可實現持續追蹤、智慧評估與自動干預，將風控效率提升至人工或規則式自動化系統難以企及的水準。

圖表8：Agent×DeFi 的四大主流應用情境

綜合來看，上述四大情境並非相互獨立，而是圍繞同一條主線形成互補：收益最佳化與量化策略自動化面向具備一定資產規模的進階使用者，核心優勢在於執行效率與策略精度；自然語言交互致力於降低普通使用者的操作門檻；風險管理則是貫穿所有情境的底層安全保障。三者協同，共同構成了 DeFAI 當前生態的基本落地格局，也為後續更複雜的鏈上 Agent 應用奠定了基礎。

五、DeFAI 的安全底線：私鑰管理與權限控制

前文所述的四大應用情境，無論是收益最佳化還是量化策略自動化，其得以實現的前提只有一個：AI Agent 必須持有某種形式的簽名權限，即對私鑰的存取能力。這是整個 DeFAI 賽道最關鍵、也最容易被敘事熱度所掩蓋的技術挑戰——一旦簽名機制出現漏洞，所有上層的策略能力都將失去意義。

目前，產業主流的私鑰安全管理方案分為兩類：MPC 多方計算與 TEE 可信執行環境。兩者在安全模型、自動化水準與工程複雜度上各有側重。

圖表9：私鑰安全管理兩類主流方案對比表

MPC（Multi-Party Computation，多方計算）的核心思路是透過金鑰拆分來消除單點故障。以常見的 2-of-3 門檻簽名為例，即便某一份金鑰洩露，攻擊者也無法獨立完成簽名，資金安全不受影響。Vultisig 是該方向的代表性產品，這是一款基於 MPC/TSS 技術構建的開源多鏈自託管錢包，採用無單一助記詞架構，將金鑰安全與使用者自託管結合起來。

TEE（Trusted Execution Environment，可信執行環境）走向另一條路：將私鑰與代理程式碼一同封存於受硬體保護的隔離區域（enclave）內，AI 代理在 enclave 內完成策略計算與簽名，僅將簽名結果輸出至鏈上，外部環境對私鑰完全不可見。Intel SGX、AMD SEV、ARM CCA 等主流晶片均提供硬體級別的隔離與加密支援。Chainlink 已將 TEE 引入預言機網路，用於處理敏感資料，並透過遠端認證機制向外部證明執行環境的完整性。

然而，密鑰安全只是第一道防線。在實際部署中，無論採用哪種金鑰管理方案，都需要在其上疊加權限控制機制，以防止 Agent 越權操作。Almanak 的實踐提供了一個較為完整的參考框架：平台同時採用 TEE 保護策略邏輯與私密參數，並在部署引擎與使用者持有的 Safe 智能帳戶之間插入 Zodiac Roles Modifier 權限層——AI 發起的每筆交易，須與預先設定的合約地址、函式及參數白名單逐一比對，不符合授權範圍的交易將被自動拒絕。

這種最小權限原則的落地方式，目前已成為 DeFAI 系統安全設計的重要參考。它揭示了一個更深層的邏輯：DeFAI 的安全問題，本質上並非單一技術選型的問題，而是金鑰管理、權限邊界與執行審計三者協同構成的系統工程——任何一環的缺失，都可能成為整條鏈路上最薄弱的節點。這也正是下一章風險分析的出發點。

六、現實與敘事的落差：DeFAI 核心風險分析

敘事的快速擴張，往往早於技術的真正成熟。2024 年至 2025 年間，市場對 DeFAI 的定價普遍高於其實際落地進度。客觀評估這一賽道的價值，必須建立在對以下結構性風險的清醒認知之上。

圖表10：DeFAI 核心風險識別對比表

在上述風險中，有三類尤其值得展開說明。

首先，模型幻覺是當前最難從根本上解決的一類風險。在資訊服務情境下，LLM 幻覺的代價不過是一個錯誤答案；而在鏈上資產情境下，同樣的錯誤可能直接觸發不可逆的資金損失。只要底層推理依賴 LLM，這一風險便無法被徹底消除，目前只能透過輸出驗證與回退機制加以管理，而非根治。

其次，MEV 攻擊則具有結構性特徵：當 AI Agent 的交易模式趨於穩定且可預測時，搶跑機器人便會針對性介入。TEE 結合私密執行可在一定程度上降低策略暴露，但尚未形成系統性的解決方案。

最後，商業落地鴻溝同樣不容低估：據麥肯錫 2025 年報告，在通用企業情境中，不足 10% 的組織在任何單一職能上實現了 AI Agent 的規模化部署。鏈上情境的信任門檻與操作複雜度更高，這一鴻溝有過之而無不及——大量被冠以「DeFAI」標籤的產品，實質上仍處於概念驗證階段，從技術展示到真正意義上的商業閉環，尚有相當距離。

七、趨勢研判

綜合前述分析，可以對 DeFAI 的演進路徑作出階段性判斷。整體來看，這一賽道正處於從概念驗證向產品化過渡的關鍵節點，其演進預計將經歷三個遞進階段：

圖表 11：DeFAI 發展階段預判

注：上表為基於產業公開報告、專案進展與技術成熟度綜合研判，非確定性時間表

就當下節點而言，DeFAI 整體處於輔助決策期向半自主期的過渡階段——部分專案已開始承擔有限範圍內的自主執行能力，但人類的審核與兜底機制仍是主流部署形態。在這一背景下，結合當前技術成熟度與市場現狀，有三點判斷值得重點關注。

其一，當前多數 DeFAI 專案的本質仍是自動化工具，而非真正意義上的自主 Agent。現階段被冠以「DeFAI」標籤的產品，核心能力多在於將人類指令翻譯為預設的 DeFi 操作序列，本質上更接近高效率執行介面，而非具備獨立推理與決策能力的自主系統。據麥肯錫 2025 年報告，即便在通用企業情境中，也不足 10% 的組織在任何單一職能上實現了 AI Agent 的規模化部署。鏈上情境的信任門檻與操作複雜度更高，從技術展示走向真正的商業閉環，仍有相當距離。

其二，AI Agent 當前最成熟、也最容易獲得機構信任的落地方向，不是高風險的自主交易，而是鏈上監控、預警與治理輔助。7×24 小時的持倉監控、清算預警、治理提案分析等情境，一方面對 LLM 幻覺的容忍度相對較高——輸出錯誤不會直接觸發資金損失；另一方面能有效補足人類在注意力持續性上的先天不足。這類情境是 DeFAI 從「技術展示」走向「機構採納」的更現實路徑。

其三，AI Agent 與 RWA 的融合，是這一賽道下下一個值得重點關注的交叉方向。據 RWA.xyz 資料，截至 2026 年 4 月初，鏈上代幣化 RWA 資產總值已超過 270 億美元（不含穩定幣），涵蓋美國國債、私人信貸、大宗商品、公司債等多個類別。若 AI Agent 能夠介入管理包含國債 RWA 與穩定幣的組合資產——例如根據市場環境自動調整兩者的配置比例——其可觸達的資產規模將遠超目前以 DeFi 原生資產為主的範疇，並有望真正打通資產端的鏈上鏈下，實現 Web3+AI+TraFi 的聯動，顯著擴大市場想象力。

八、結語

AI Agent 與鏈上資產管理正處於從概念驗證向產品化過渡的關鍵期。技術可行性已初步獲得驗證，但從 LLM 幻覺風險、鏈上資料異構性到信任基礎設施的缺失，產業面臨的挑戰並非單靠技術迭代就能解決，而是需要專案架構設計、合規路徑規劃、安全體系搭建與商業模式驗證的系統性推進。

這也恰恰意味著，這一賽道仍處於早期建設階段，真正的競爭格局尚未成型。對於有能力同時駕馭 Web3 與 AI 兩個面向的團隊而言，當前正是介入的窗口期——不論是在執行層構建更可靠的鏈上 Agent 系統，還是在基礎設施層打通資料、權限與信任的關鍵環節，都存在相當大的空白地帶有待填補。

DeFAI 的競爭壁壘，最終不會落在單一的模型能力或協議整合深度上，而在於能否在技術、合規與安全之間構建起真正自洽的閉環。

——我們正持續深耕這一交叉地帶，也期待與志同道合的專案方和機構投資者共同探索這一領域的邊界與可能。