ecraft 中能力一般的智能体,获取钻石的成功率为 67.5%,游戏中所有物品的完成率为 100%。 SayPlan :基于 LLM 的机器人大规模任务规划,使用 3d 场景图形表示,展示了从抽象和自然语言指令为机器人执行长期任务规划的能力。 HuggingGPT:根据用户提示使用 ChatGPT 进行任务规划,根据 Hugging Face 上的描述选择模型,并执行所有子任务,在语言、视觉、语音和其他具有挑战性的任务中取得了令人印象深刻的成果。 MetaGPT:接受输入并输出用户故事 / 竞争分析 / 需求 / 数据结构 / API / 文档等。在内部,有多个智能体构成软件公司的各种功能。 ChemCrow:一种 LLM 化学智能体,旨在使用 18 种专家设计的工具完成有机合成、药物发现和材料设计等任务。自主规划和执行驱虫剂、三种有机催化剂的合成,并指导发现一种新型发色团。 BabyAGI :使用 OpenAI 和向量数据库(例如 Chroma 或 Weaviate)来创建、确定优先级和执行任务的通用基础设施。 AutoGPT:用于启动 LLM 智能体的通用基础设施的另一个示例。 Crypto中的智能体示例 (注意:并非所有示例都是基于 LLM 的 + 有些可能更松散地基于智能体概念) 来自Ritualnet的FrenRug:基于 GPT-4 土耳其地毯推销员游戏 { https:// aiadventure.spiel.com/carpet }。Frenrug 是一位经纪人,任何人都可以尝试说服他购买他们的Friend.tech Key。每条用户消息都会被传递给由不同 Infernet 节点运行的多个 LLM。这些节点在链上响应,并由 LLM 投票决定智能体是否应该购买提议的Key。当有足够多的节点响应时,投票就会聚合,监督分类器模型会确定操作并在链上传递有效性证明,从而可以验证多项分类器的链下执行情况。 Gnosis上使用autonolas的预测市场智能体:AI 机器人本质上是 AI 服务的智能合约包装器,任何人都可以通过付款和提问来调用它。服务会监控请求、执行任务并在链上返回答案。这种 AI 机器人基础设施已通过 Omen 扩展到预测市场,其基本理念是智能体将积极监控和押注新闻分析的预测,最终得出更接近真实赔率的汇总预测。智能体在 Omen 上搜索市场,自主向“机器人”支付有关该主题的预测,并利用市场进行交易。 ianDAOs GPT<>Safe演示:GPT 使用syndicateio交易云 API在自己Base链上的Safe 多重签名钱包中自主管理 USDC。你可以与它交谈,并就如何最好地利用其资本提出建议,它可能会根据你的建议进行分配。 游戏智能体:这里有多个想法,但简而言之,虚拟环境中的 AI 智能体既是同伴(比如《Skyrim》中的 AI NPC),又是竞争对手(比如一群胖乎乎的企鹅)。智能体可以自动执行收益策略,提供商品和服务(比如:店主、旅行商人、老练的生成式任务提供者),或者像在Parallel Colony和Ai Arena中的半可玩角色。 Safe守护天使(Guardian Angels):使用一组 AI 智能体来监控钱包并防御潜在威胁,以保护用户资金并提高钱包安全性。特性包括在发生异常或黑客攻击时自动撤销合约权限和提取资金。 Botto:虽然 Botto 是一个定义较为宽泛的链上智能体示例,但它展示了自主链上艺术家的概念,创作的作品由代币持有者投票并在 SuperRare 上拍卖。人们可以想象采用多模态智能体架构的各种扩展。 --- 一些值得关注的智能体项目 (注意:并非所有项目都是基于 LLM 的 + 有些可能更松散地基于智能体概念) AIWay Finder——协议、合约、合约标准、资产、功能、API 功能、例程 + 路径的去中心化知识图谱(即寻路者智能体可以导航的区块链生态系统虚拟路线图)。用户将因识别智能体使用的可行路径而获得奖励。此外,你可以铸造包含角色设置和技能激活的外壳(即智能体),随后可以将其插入寻路者知识图谱。 Ritualnet——如上文 frenrug 示例所示,Ritual infernet 节点可用于设置多智能体架构。节点监听链上或链下请求,并提供带有可选证明的输出。 Morpheus——个人通用 AI 的点对点网络,可以代表用户执行智能合约。这可用于 web3 钱包和 tx 意图管理、通过聊天机器人界面进行数据解析、dapps 和合约的推荐模型,以及通过连接应用程序和用户数据的长期记忆扩展智能体操作。 Dain Protocol——探索在 Solana 上部署智能体的多种用例。最近演示了一个加密交易机器人的部署,该机器人可以提取链上和链下信息以代表用户执行(例如,如果拜登输了,就出售 BODEN) Naptha——智能体编排协议,具有用于签约智能体的链上任务市场、编排任务的操作员节点、支持跨不同节点异步消息传递的 LLM 工作流编排引擎以及用于验证执行的工作流证明系统。 Myshell——类似于http:// character.ai的 AI 角色平台,创作者可以在其中将智能体配置文件和工具货币化。多模态基础设施,包含一些有趣的示例智能体,包括翻译、教育、陪伴、编码等。包含简单的无代码智能体创建和用于组装 AI 小部件的更高级的开发人员模式。 AI Arena——一款具有竞争力的 PvP 格斗游戏,玩家可以购买、训练和对抗支持 AI 的 NFT。玩家通过模仿学习训练他们的智能体 NFT,其中 AI 通过学习玩家行为的相关概率来学习如何在不同的地图和场景中玩游戏。经过训练后,玩家可以派出他们的智能体参加排名战以获得代币奖励。不是基于 LLM,但仍然是智能体游戏可能性的一个有趣例子。 Virtuals Protocol——一种用于构建和部署多模态智能体到游戏和其他在线空间的协议。当今虚拟的三个主要原型包括 IP 角色镜像、特定功能智能体和个人替身。贡献者向虚拟贡献数据和模型,验证者充当守门人。存在一个经济层面的激励机制来促进开发和货币化。 Brianknows——为用户提供用户界面,以便与智能体进行交互,智能体可以执行交易、研究特定于加密货币的信息并及时部署智能合约。目前支持 100 多个集成中的 10 多个操作。最近的一个例子是让智能体使用自然语言代表用户在 Lido 中质押 ETH。 Autonolas——提供轻量级本地和基于云的智能体、共识运营的去中心化智能体和专业智能体经济。突出的例子包括 DeFi 和基于预测的智能体、由 AI 驱动的治理代表和智能体对智能体(agent-to-agent)工具市场。提供用于协调和激励智能体操作的协议 + OLAS 堆栈,这是一个供开发人员构建可共同拥有的智能体的开源框架。 Creator.Bid——为用户提供与 X 和 Farcaster 实时 API 相连的社交媒体角色智能体。品牌可以启动基于知识的智能体,在社交平台上执行与品牌一致的内容。 Polywrap——提供各种基于智能体的产品,例如 Indexer(Farcaster 的社交媒体智能体)、AutoTx(使用 Morpheus 和flock.io构建的规划和交易执行智能体)、predictionprophet.ai (有 Gnosis 和 Autonolas 的预测智能体)和fundpublicgoods.ai (用于拨款资源分配的智能体)。 验证——由于经济流动将由智能体指导,因此输出验证将非常重要(以后的文章中将对此进行详细介绍)。验证方法包括来自Ora Protocol,来自如Modulus Labs+Giza+ EZKL团队的zkML、博弈论解决方案以及像 TEE 这样的基于硬件的解决方案。 对于链上智能体的一些想法 可拥有、可交易、代币门控的智能体,可执行各种类型的功能,从陪伴到金融应用, 可以代表你识别、学习并参与游戏经济的智能体;也可以作为协作、竞争或完全模拟环境中的玩家的自主智能体。 可以模拟真实人类行为的智能体,用于收益机会 多智能体管理的智能钱包,可以充当自主资产管理者 AI 管理的 DAO 治理(例如代币委托、提案创建或管理、流程改进等) 使用 web3 存储或数据库作为可组合的向量嵌入系统,用于共享和永久内存状态 本地运行的智能体,参与全局共识网络,执行用户定义任务 现有和新协议交互和 API 的知识图谱 自主守护者网络、多重签名安全、智能合约安全和功能增强 真正自主的投资 DAO(例如,使用艺术史学家、投资分析师、数据分析师和degen智能体角色的收藏家 DAO) 代币经济学和合约安全模拟与测试 通用意图管理,特别是在加密用户体验(如桥接或 DeFi)的情况下 艺术或实验项目 吸引下一个十亿用户 正如Varaint Fund联合创始人Jesse Walden最近所言,自主智能体是区块链使用方式的一次进化,而不是革命:我们已经有了协议任务机器人、狙击机器人、MEV 搜索器、机器人工具包等。智能体只是这一切的延伸。 加密的许多领域都是以有利于智能体执行的方式构建的,例如完全链上游戏和 DeFi。假设 LLM 的成本相对于任务性能呈下降趋势 + 创建和部署智能体的可访问性增加,很难想象一个AI智能体不会主宰链上交互并成为加密的下一个十亿用户的世界。 阅读材料: AI Agents That Can Bank Themselves Using Blockchains The new AI agent economy will run on Smart Accounts A Survey on Large Language Model based Autonomous Agents (I used this for identifying the taxonomy of agentic architectures above, highly recommend) ReAct: Synergizing Reasoning and Acting in Language Models Generative agents: Interactive simulacra of human behavior Reflexion: Language Agents with Verbal Reinforcement Learning Toolformer: Language Models Can Teach Themselves to Use Tools Describe, Explain, Plan and Select: Interactive Planning with Large Language Models Enables Open-World Multi-Task Agents Voyager: An Open-Ended Embodied Agent with Large Language Models LLM Agents Papers GitHub Repo 原文链接 来源:金色财经lg...