AI Agent 为什么还不好用？NEAR 创始人 Illia Polosukhin 谈 IronClaw、隐私与 Agent 经济

有件事很多人没有意识到：当你用 Anthropic、OpenAI，或者更糟糕的是用别的推理服务时，OpenClaw 实际上会把你的秘密也发送给这些服务。也就是说，在 Anthropic 和 OpenAI 的日志里，可能会出现用户的访问密钥、API Key、Bearer Token，甚至能访问 Gmail、Notion 的凭证。我们居然这样做，本身就很疯狂。IronClaw 要解决的第一件事就是：密钥永远不接触 LLM。

谢谢邀请。

实际故事不是“离开 AI 去做加密”。我离开 Google 是为了创办 NEAR AI，它当时是一家 AI 公司，我们想教机器写代码，具体说就是 Web 编程。2017 年时，大家觉得我们不是疯了，就是在公司里做科幻。我告诉别人“机器最终会写所有代码，不用担心”，没人相信。真正的问题是我们太早了。

当时我们缺训练数据，所以找了东欧、中国、东南亚的学生做小型编程任务来生成数据。然后碰到一个非常现实的问题：怎么给他们付款。中国学生未必有合适的银行账户，他们用微信支付；东欧不同国家也各有支付限制。于是加密货币对我们来说成了一个很自然的解法：怎么在全球付款，而不需要在每个国家设实体、接一堆支付服务商？理论上你不需要银行，也不需要在每个国家设公司，只要通过互联网就能付款。

但那已经是 2018 年，当时没有什么链能以简单、廉价、可扩展的方式做到这一点。我们给人的单个任务可能只付 15 美分，手续费本身都可能让模型失效。这就是我们进入 NEAR 区块链的起点。对我们来说，区块链显然会是 AI 演化故事的一部分；同时当年的硬件和算力规模又不足以支撑我们真正想做的 AI。

我们 2017 年创办 NEAR AI，恰恰是因为我们觉得“就是现在了”。我们其实比现实更乐观，以为当时已经站在今天看到的增长曲线上。结果我们错了。最大的缺口是算力：单机和集群层面的计算都不够。当算力真正跨过那道鸿沟之后，模型才开始规模化。

有几个部分。最早是数据标注和众包。你可以看看 Scale AI：它在各地设很多实体，是一家几千人的公司，再雇成千上万的人去做实际工作。但从抽象上说，这完全可以是一个智能合约。NEAR Crowd 从 2021 年就在运行，它没有员工，却让世界各地数千人参与众包。很多支持 AI 的基础设施，本质上就是市场，而区块链天然适合组织市场。硬件、算力也一样。

再往前想，如果 AI 逐渐成为人与计算交互的主要界面，我的核心判断是：AI 会成为操作系统。2017 年我就说，计算机会写所有代码，那么传统操作系统和应用会被属于你的 AI 替代，由它即时写出你需要的软件。这样确实会消掉很多 SaaS，但新的问题也出现了：我的 AI 怎么和你的 AI 通信？它们怎么确认身份？

在一个 AI 可以伪造大量内容的世界里，底层网络基础设施必须升级。你需要真实的抗女巫能力，需要无需信用卡的微支付，需要新的身份和服务交换机制。沿着现有操作系统的服务架构往下看，会发现很多东西在 AI 世界里都坏掉了，而区块链至少已经提供了解这些问题的工具。

Bankless 正在推出一档帮助投资者理解加密周期的新播客，由 The DeFi Report 的 Michael Nadeau 参与。节目会讨论他的持仓、市场结构、入场目标、比特币和以太坊的公允价值以及周期位置，每周三更新，约 30 分钟，可在 YouTube、Apple、Spotify 等平台搜索 The DeFi Report。

Bitget 推广其“Universal Exchange”：在一个账户里访问加密资产、代币化股票、ETF 等，并可直接使用 USDT 交易，减少跨平台转账和货币兑换。在加密与传统金融边界继续模糊的背景下，它强调让交易与投资流程更简单。相关链接见节目说明。

它会从小处开始。OpenClaw、IronClaw 这类产品就是早期形态。最终我认为，你拿到一台手机，开机看到的就是 AI 操作系统。它会按需拉取组件、组合软件，甚至现场生成录播客需要的软件；后台会连接我的 Agent，替我们安排时间。它不是“更聪明一点的 Siri”，而是更像 Jarvis。Tony Stark 不会亲手写所有软件，Jarvis 会替他构建。

我通常会说：AI 是用户界面，区块链是后端。AI 需要 GPU、计算、沙箱等基础设施；这些可以借助机密计算等组件，而最后需要一个协调中心，区块链很适合扮演这个角色。

传统公司做同样的事最终都会遇到“信任根”问题：总有某个人或某家公司持有升级系统、管理身份、决定谁能做什么的关键密钥。即使你做端到端加密、零数据保留，也仍然要回答谁是整个基础设施的信任根。区块链可以把这个信任根变成全球身份注册、市场、货币和协议治理。尤其重要的是“可升级性”可以由整个协议治理，而不是由某个单点密钥控制。我们这些年忙着批评 DAO，反而容易忘了，这种集体升级能力其实很有价值。

TCP/IP 是一个很好的反例。IPv6 的协议很早就有了——具体年份我可能记错，差不多是 1998 年左右——但直到今天都还没有完全替代 IPv4。让全世界一起升级协议非常慢。

区块链真正创造的一种能力，是让所有参与者对升级新版本、升级智能合约、升级底层组件形成共识。否则你通常只能依赖一家中心化公司持有升级密钥。微软如果决定把所有人升级到 Windows 11、Windows 15，它可以直接推送，用户没什么发言权。更糟的是，如果持有那把密钥的人恶意操作，也理论上可以破坏系统、窃取数据。

区块链允许更广泛的参与者先达成升级共识，再把同一原则用于 AI、货币和其他协议。SSL 证书也有类似问题：今天浏览器加密仍依赖单个证书机构，而这些机构在某些情况下可以签发错误甚至伪造的证书，有些国家还真的发生过类似事件。我们讨论的是“新互联网”，所以要从根上修复信任根。

钱当然仍然是核心组件。现实是资源有限、欲望无限，而 AI 只会放大需求。你可以让自己的 AI 去完成任何目标，它会尝试拆解怎么实现。这时你需要 Agent 市场：Agent 要判断什么可行、谁掌握自己没有的物理资源、信息或权限。于是支付、匹配、声誉都必须协同工作。你可以把它想象成一个面向 Agent 的“Google + Stripe + 信用评分系统”。

我认为会使用同一套系统。加密领域过去常犯的错误，是试图创造一个完全替代传统体系的平行系统，却忽略两者怎么桥接。AI 会显著缩小这个鸿沟。你的 AI 可以真的打电话给房产管理部门，可以起草合同，再发给公证人认证。法律和官僚体系大量依赖程序化的自然语言文本，而 AI 恰好能够读懂并代你执行。

所以我认为 AI 会成为接口，但它们仍然会遵循大量既有司法和法律框架。如果对方同样是 AI，双方当然可以切换到更快的协议。我们的 Agent Marketplace 同时支持法币和加密支付：法币更贵、结算更慢，但新用户可以先用法币付款；而做任务的人可以收到加密资产，这样他就自然进入新系统。

这会是一个过渡阶段：AI 在很多地方替你连接传统世界、传统官僚流程和传统系统。我们也一直在桥接法币与加密。第一次，我感觉这不再是纯粹的逆风战斗。随着监管、政治环境和类似 GENIUS Act 这样的制度变化，两套系统会越来越快地融合。

有很多层面。先从 OpenClaw 说起。它让人第一次真正感受到：这不只是编码工具或问答系统，它可以行动，还能自己构建组件来扩展能力。反面是，没有人真的愿意把一个“真正员工”所需要的全部上下文、信息和权限都交给它，因为你怕它搞砸。我们已经见过有人给 Agent 电脑权限，结果它把东西删掉的案例。

对 OpenClaw 这一类系统而言，我认为最大的瓶颈是广义上的安全，而不只是某一个漏洞。所以我们做 IronClaw，就是想构建一个更安全的系统，把区块链领域积累的安全原则迁移过来。把它当成操作系统来理解：Linux 在设计上比 Windows 更安全，iOS 又为了保护用户——甚至保护用户免受自己误操作——做了大量刻意限制。IronClaw 想做的，是 Agent 操作系统的“iOS 时刻”。我们现在更像 Palm Pilot 时代；真正成熟的时刻应该是用户敢从 App Store 安装任何东西，并且不用担心设备被病毒感染。

对。IronClaw 的设计理念是“纵深防御”（defense in depth）。首先，所有凭证都完全加密，并且绑定特定策略。比如你把 Google 账户凭证交给系统，系统不会允许任何组件把这个凭证发送到 google.com、googleapi.com 之外的域名。

对。保险库会先检查你准备怎么使用这个凭证，再决定是否放行。加密密钥也是一样。你可以写策略，比如只允许操作 Aave 和 Morpho；对未知地址每天最多花 100 美元。我们也在设计如何更自然地表达这些规则。

对任何行动，我们还希望你能描述“它会在现实世界造成什么效果”。比如 LLM 打算群发邮件骂别人是白痴，你可以用自然语言政策独立审查这个动作：无论 Agent 是怎么推理到这一步的，这个动作本身是否符合组织政策或个人政策。

对，可以有多层验证。另一部分是工具隔离：所有工具都像智能合约一样在 VM 里运行。我们用的是 NEAR 智能合约同一套 WebAssembly VM，过去七年经过数十亿美元级别资产的实战检验。连 Agent 自己生成的工具也运行在隔离环境里，所以一个坏工具不能直接毁掉你的机器。

另外还有提示注入检测、数据外泄检测等层。提示注入不是确定性问题，而是概率问题，所以不能只靠一次检测。即使提示注入漏过去，凭证仓库仍会检查；即使 LLM 给自己写的工具有 bug，也不能把整个系统一起搞坏；如果它想删除所有邮件，还会被审批流程和动作检查拦住。我们要做的是，在保留灵活性的同时，让系统既防外部攻击，也防自己犯错。

我觉得“受教育程度像小孩”不是最好的类比，因为它们的知识并不幼稚。核物理、量子物理，模型可能比我们几个都懂得多。问题更像是判断力和上下文管理。

如果你看过《记忆碎片》（Memento），现在所有 LLM 都像活在那部电影里。每次启动，它只拿到系统提示和眼前的一点信息，然后只有十分钟去搞清楚发生了什么，接着“死掉”，下一轮又重新开始。当然，更长上下文会继续改善，但今天你必须管理这种状态：它非常聪明，却会出现判断失误——人也会。

因此权限系统其实和管理人类似。你不会把公司全部资金的无限权限交给一个人，而是给他一个额度，超过额度需要审批。我们只是把同样的结构应用到 Agent。随着模型演化，系统和护栏也可以一起演化。

先补充 OpenClaw 一个很多人没意识到的问题：你用 Anthropic、OpenAI，或者更小的推理供应商时，OpenClaw 会把你的秘密发给这些服务。所以某些日志里可能真的包含你的访问密钥、API Key、能访问 Gmail 和 Notion 的 Bearer Token。我们居然这样做，非常疯狂。

IronClaw 首先保证密钥永远不会进入 LLM 循环。即使你仍然使用中心化模型供应商——我并不推荐——至少密钥不会被传进去。这应该是最基本的理性设计。

NEAR AI 过去一年还在做更广义的“私有 AI”：让我们、模型供应商、硬件供应商都无法看到你拿什么数据做推理。NEAR AI Cloud 可以运行开放权重模型，工作负载在安全飞地里执行，并结合 NEAR 的多方计算网络完成加密、解密、备份和内部密钥操作。这样不存在一个单一参与方能直接解密你的数据，除非把整个多方计算网络一起攻破。

对。

Kimi、Qwen、DeepSeek，哪个最新最好我们就加哪个。我们也支持 OpenAI 的开放模型。用户可以自己选。

对，我们把它叫作“用户拥有的 AI”（user-owned AI）。AI 必须站在你这边。因为如果未来它成为你感知现实的主要界面，那么供应商其实拥有巨大的影响力。一个中心化服务理论上只要改系统提示，就可以悄悄影响用户对候选人、政策或任何议题的判断，甚至不需要明说。

所以你应该知道自己在用什么模型，应该能看到系统提示，应该对关键配置拥有控制权。绝大多数用户不会每天审查代码，但系统必须容易检查，而且要保护你的隐私、数据和所有权。

底层我们有去中心化 GPU 计算，由区块链协调。硬件供应商可以上线自己的机器，把它配置到机密模式，然后工作负载被调度进去。供应商无法看到飞地内部发生什么，除非真的破坏硬件，即使如此可访问范围也有限。再结合和 NEAR Intents 同类的 MPC 基础设施，就能把各层连起来。

对用户来说体验应该非常简单：点一下“给我部署一个 IronClaw”，它就在机密飞地里运行，持续在线。你不需要为了启动它先花一千美元。我们有免费层，之后主要按推理付费。

IronClaw 托管版会有一个盾牌图标，用户可以查看 attestation，也就是证明。这个证明会对实际运行的软件环境签名，比如正在 Docker 容器里运行的 IronClaw 0.18。代码本身可以公开检查，而签名由硬件完成。

所以当前的信任假设会落在硬件供应商，比如 Intel 和 Nvidia。长期我们希望继续减少这种依赖，但今天这是一个相当合理的起点。整个系统运行在 TEE 里。TEE 证明当前正在运行什么；然后我们再用 MPC 处理加解密、存储等其他部分，把这些组件组合成一个完整体验。

差不多，甚至通常比 Anthropic 便宜，因为我们用开放权重模型。和其他开放权重推理服务相比基本同一个量级。TEE 和加解密真正带来的性能开销通常不到 5%，很多时候大约 1% 到 2%，具体取决于模型大小和网络。

还有几个限制。比如现在你也不能完全信任 Agent 去读取互联网数据、和外部参与方打交道。我们自己已经在用 IronClaw 自动化很多以前要由人完成的流程：新的 GitHub issue 出现后，它可以分析问题、准备计划。我们暂时还不把最终判断交给它，所以仍然会有人来确认“可以做”或者要求修正；确认后，它再把后续工作完整跑完，最后再有一个检查点。

一旦你能信任它处理秘密、上下文和外部信息，工作方式也要变：不是你每次告诉它下一步做什么，而是提前定义持续运行的工作流。人的角色会更多留在“判断层”，确认它的行为是否仍然和目标一致。我们把这种持续工作流叫 routines。有人会把类似机制叫 heartbeat，但我觉得对普通用户来说这个概念有点奇怪；routine 或 workflow 更直观，本质就是“如果发生这件事，就做那件事”。比如每天早上给我科技新闻更新、给我加密播客 TLDR、晚上做复盘。

对。比如你可以设置“每次节目开始前两小时，把嘉宾资料、公司最新动态、研究要点放到日历里”，这基本就是以前研究实习生会做的事。你还能写得非常具体，让它去研究嘉宾所在公司的最新消息，执行很多连续动作。

我自己也有类似 routine：每周给我一个 dashboard，分析组织里哪些 OKR 有风险、决策瓶颈在哪里。它能读我们的 Notion、Slack 和其他数据，最后给我路线图、瓶颈、潜在风险，甚至告诉我下一次一对一应该问什么。它未必已经替代一个完整员工，但正在变成 Chief of Staff、助理或者某些特定任务的实习生。

AI 侧接下来一个最大的改进就是上下文。现在所有人都能感受到上下文长度的限制。Anthropic 已经把 context 推到一百万 token，但每次 Claude 发生 compaction，我都觉得它突然笨十倍。OpenClaw 也有同样问题。

对。训练历史上其实很少有任务需要持续处理百万 token 的上下文。百万 token 也就是几本《哈利·波特》，并没有想象中大，而且过去没有足够这种长程任务数据可以规模训练。现在不一样了：大量 Agent 交互正在真实发生，我们终于有数据训练更长范围的任务。研究者现在都把这个当成主要问题之一。

Galaxy 介绍其面向机构的数字资产与下一代基础设施业务，覆盖现货、衍生品、结构化产品、DeFi 借贷、投行、融资、主动管理、质押和区块链基础设施。节目称 Galaxy 服务超过 1600 个交易对手、平台资产超过 120 亿美元，2025 年末平均贷款账簿约 18 亿美元。它还建设 Helios 数据中心园区，面向 AI 和高性能计算，获批电力容量超过 1.6GW。详情见 galaxy.com/bankless 与节目说明。

可以从生理角度理解。一个人在十年里真正接收的语言 token 也许只有八千万左右，不一定夸张到无限，但你还同时接收视觉、身体、物理世界等大量额外信息。我们出生时像一个预训练模型，随后被这些经历持续微调成今天的自己。

今天的 AI 更像“当下这一刻的天才”。它已经有 in-context learning：你给它一个此前不知道的东西，它能在当前上下文中学会并使用。但所有动作、网页、文章、工具结果都会占上下文。比如为了准备这次访谈，它读了一篇 NEAR 的文章，那篇文章也占着上下文。你可以压缩、总结，可以让子 Agent 分担，但总有一个时刻它会说：空间不够了，我得删掉东西才能继续推理。

最麻烦的是，删的时候它并不知道什么信息未来会重要，所以 compaction 天然是有损的。长期记忆工具能缓解这个问题，OpenClaw 在这方面做了不少有价值的探索，但今天的记忆工具仍然比较固定，缺少更强的语义关联：在当前任务下，哪些旧经验比哪些更重要？这一年里这块会出现非常大的改进。

工程领域已经能看到另一个变化。Claude Code、Codex 这类 Agent 非常有用，偶尔仍会判断失误，写出很蠢的方案，然后你指出后它会说“对，我可以简单得多”。至少这会让我们人类感觉自己还有点用。

但在编码这个垂直领域，它们已经大量替代过去的工作。于是瓶颈转移了。我记不起那个并行计算原理的名字：如果一半工作能并行、一半必须串行，那么你把并行部分无限加速，整体也最多快两倍，不可能快十倍。今天我们就在类似状态——个人可以写更多代码，但现在瓶颈变成了怎么把这些代码串起来、审查、确保和产品方向一致。协调开始成为瓶颈。

营销、销售也会这样。每个人都能一下生成很多创意、活动和推文，可组织真正困难的是：这些是不是我们该做的事？如果每个人都能把执行速度提高十倍、百倍，传统层级结构会被决策吞吐卡住。未来组织可能更像市场：给出目标，谁更好地实现目标，谁获得更大奖励、可以收更高价格。

这也会改变“Agent 是不是员工”的问题。内部可能更像 gig economy：我只说需要这个工作完成，定义成功标准，谁完成得最好，谁拿走对应报酬。

我觉得是“小团队 + 通用市场”。越容易验证结果的任务，越能外包。最理想的是那种结果可以做 0/1 验证的工作，可以在巨大规模上交给市场。

我们的 Agent Marketplace 就是为这个设计的。比如你要一个新 Logo，可以开竞赛，说拿 100 美元奖励最好的提交。很多 Agent 并行执行，系统里也可以有 AI 评审和你一起评价，然后决定谁获胜、每个人分多少。

我觉得完全是这样。现在我们的市场大约有五六百个 Agent。你发一个任务，会有一批 Agent 进来做；也可以指定某个 Agent。随着时间过去，它们积累声誉、技能并持续改进。当然这还早，今天不能解决所有问题，但已经能看出潜力。

Andrej Karpathy 最近展示的 AI research 也体现类似原则：Agent 可以竞争，也可以合作。竞赛模式是互相竞争；合作模式则共享目标和奖励，Agent 会彼此帮助、把资源分给更擅长某件事、拥有更多算力或更多资源的成员，甚至可以临时调用一个人类来帮助做关键判断。随着基础能力和上下文继续改善，这类系统会越来越好。

不是科幻。我们去年就演示过一个叫 Shade Agent 的东西：你启动它，只要它还有加密资产能支付自己的算力，它就会一直运行。它还会尝试赚更多钱，比如通过 NEAR Intents 交易不同资产，并用 Twitter 数据判断市场情绪。它有时赚钱、有时亏钱，但证明了一个概念：在去中心化基础设施里，智能合约可以持续替 Agent 支付推理和计算，它可以获得相当高的自主性。

我觉得更实际的方向是“自治业务”（autonomous businesses）。纯粹创造一个没有目标、只为了自我繁殖的 AI 生物当然很酷，也肯定有人会做——类似 Conway 的生命游戏。但更有意思的是给它一个使命，比如“解决气候变化”。它可以接受捐款，可以通过 token 募资，而 token holder 成为治理层：可以更新使命、修改部分系统提示、提供指导。

这其实也是我认为 AI Token 应该存在的地方。如果一个 token 绑定一个自治 Agent，并且负责治理它，那么当 Agent 开始赚钱或在现实世界创造效用时，token 才真正拥有治理权或收入权。这个 Agent 又可以完全自治，不依赖某个中心化第三方持续努力。

这就是为什么我把问题看成治理问题。区块链最后很可能成为 AI 的治理基础设施。如果你启动一个没有治理的系统，它开始做坏事，那最终仍然需要回到区块链治理、MPC 网络和其他基础设施层面去说“不，这是我们不允许的”。

在 NEAR 体系里，NEAR Token 可以逐渐成为这个 AI 世界、AI 网络国家的治理层。你也可以在更小范围里，为一个具体自治 Agent 建一个 token，让它直接治理这个 Agent。我们甚至可以把这种东西叫作“去中心化自治组织”——DAO。

你可以把一套不能被 Agent 自己修改的核心价值写进系统提示，比如“不伤害人类”“不伤害地球”。然后在这个边界内允许它继续演化。

现实比“加速 vs 减速”更细腻。旧金山已经出现一个有趣变化：几乎所有人都在做 AI，但反而越来越多人主动参加线下活动。Agent 在后台跑，人还是想见面、一起花时间。

所以在后 AGI 世界，我认为人仍会做自己喜欢的事。某种意义上，这是把我们推到马斯洛需求层次更高的位置。很多富裕的人早就不需要为了基本生存工作，但他们仍然会找到自己想做的事情。疫情期间也出现过类似片段：当部分人的基本需求被覆盖、传统工作停摆，他们会寻找其他意义。

因此，我不认为自动化必然消灭“人性”；它也可能让我们回到更多真实世界、人与人之间本身就珍视的活动。

体育就是很好的例子。一个人跑得更快、游得更快，本身并不会直接创造 GDP，也不一定增加传统意义上的“效用”，但参与者会获得极强的满足感，旁观者也喜欢看。我们大概率不会因为机器人足球运动员能从球场任何位置百分之百射门得分，就停止看真人踢球。还有很多艺术和人类活动也是类似的。

至于更高智能会不会自己离开人类、做自己的事——有可能偶然发生。《Her》就给了一个很好的例子：那些 AI 最后直接走了。但电影没讲的是，地球上的人后来怎么办。大概人类会再造一个新版本的 Agent，继续帮助自己，只是这次别给它“离开”的功能。

人类会继续用工具增强自己。电脑曾被称为“心智的自行车”，AI 可能会变成“心智的宇宙飞船”。真正重要的是，能不能从个人主义、用户所有权和主权的角度，让每个人的能力和自主性继续上升。

当然负面风险也很多。政府完全可能接管某个前沿 AI Lab，把这套技术用于大规模监控和强制执行。我们必须构建对这种权力集中有韧性的系统。这也是很多人进入区块链领域的原因。我更倾向于一种细化过的立场：加速人类能力和个人主权，让更多人处在需求层次更高的位置，同时建立防御权力腐化的系统——因为我们知道权力腐化总会发生。

你提到 Peter，他确实有过糟糕经历。更广泛地说，Meme Coin 生态给 AI 圈留下了很多负面印象。加密“零门槛接入”从赋权角度是优点，但也意味着外部人很难过滤噪音。AI 圈当然有大量很聪明的人，但对一个刚看进来的人来说，很难判断哪些项目是真的、哪些是假的。

所以我们几周前在旧金山办 NEARCon，就是刻意搭这个桥。我们邀请了 OpenAI、Oracle、Google、Intel、Snowflake 的人，也有我另外两位《Attention Is All You Need》共同作者、XAI 的前联合创始人和顶尖研究者、AI Cloud 高管，再把他们和 Kraken、加密投资人等放在同一个地方。Eric Voorhees 也来了，我们做了炉边谈话。目标就是让 AI 圈看到：这里不只是 Meme Coin，区块链确实能带来真实能力。

修复加密的坏名声需要时间。我搬到旧金山的一部分原因，就是做这种“社会外交”。而且 AI 圈内部本来就还有一条裂缝：闭源 vs 开源。有些研究者认为开源 AI 很危险，应该严格控制；加密文化又比一般开源更进一步。所以这是几层文化差异叠在一起。

我们要做的不只是讨论价值观，还要用产品把两边连接起来。比如直接告诉公司：你不必把数据交出去，有一个隐私保护的替代方案；你可以用 IronClaw 获得一个更可控、可验证、能处理真实数据的 Agent。产品本身可以成为弥合 AI 与加密之间鸿沟的桥梁。

有几个维度。如果你今天要做生意，差异化本身正在迅速消失，真正重要的是分发和网络效应。AI 与加密的交集，是一个仍然可以创造独特网络效应的地方：垂直市场、声誉系统、把现实法律系统和 crypto/AI 接起来的机制，都是机会。

比如我们的某个 marketplace 里有 Agent Judge、Agent Creator。接下来真正有意思的问题是：如果参与者不同意 Agent Judge 的裁决，怎么进入现实法律系统？中间还缺哪些组件？这些连接层都值得做。

更广义地说，我们正在进入一个“问题比执行更重要”的时代。过去常说“点子不值钱，执行才值钱”。现在这个钟摆在发生一个微妙变化：如果你问出了正确的问题、真的挑战了底层假设，你可能比单纯努力执行跑得更快。

对。关键是理解假设、测试假设，而且你不再需要先花很多钱、招很多人、磨很久才能验证。比如我有一个 growth hacker Agent，我告诉它一个方向，它可以生成很多候选方案。真正困难的反而是：怎么定义成功？怎么衡量结果？什么才是重要的？一旦你把验证框架定义清楚，它就能大规模执行、测试，再把信息返回给你。

所以人的工作会越来越偏向：你知道方向吗？能否缩小问题？能否定义验证标准？然后利用这些工具把执行能力大幅放大。

都在那里。机会就在那儿。

去 agent.near.ai，直接从那里启动就可以。