如果说 AIGC 开启了内容生成的智能时代，那么 AI Agent 则有机会把 AIGC 的能力真正产品化。
AI Agent 像一位更具象的全能员工，被称为是人工智能机器人的初级形态，能够如同人类一般观察周遭环境、做出决策，并自动采取行动。
比尔·盖茨曾直言，“掌控 AI Agent，才是真正的成就。届时，你将不再需要亲自上网搜索信息。”AI 领域的权威专家们同样对 AI Agent 的前景寄予厚望。微软 CEO 萨提亚·纳德拉曾预言，AI Agent 将成为人机交互的主要方式，能够理解用户需求并主动提供服务。吴恩达教授亦预测，在未来的工作环境中，人类和 AI Agent 将以更加紧密的方式协作，形成高效的工作模式，提高效率。
AI Agent 不单是技术的产物，更是未来生活与工作方式的核心。
这不禁让人回想，当 Web3 和区块链刚引起广泛讨论时，人们也常常用"颠覆"一词来形容这项技术的潜力。回顾过去几年，Web3 从最初的 ERC-20、零知识证明，逐渐发展到了与其他领域相融合的 DeFi、DePIN、GameFi 等。
若将 Web3 与 AI 这两大热门数字科技相结合，会不会产生 1+ 1>2 的效果呢？融资规模越来越庞大的Web3 AI 项目，能否为行业带来新的用例范式，创造新的真实需求？
AI Agent：人类最理想的智能助手AI Agent 的想象力到底在哪里？网上盛传一个高分答案，“大语言模型只能编个贪吃蛇，而 AI Agent 可以编出一整个王者荣耀。”听起来很夸张，但并未言过其实。
Agent，国内通常翻译为“智体”。这一概念由“人工智能之父” Minsky 在 1986 年出版的《思维的社会》一书中提出，Minsky 认为社会中的某些个体经过协商之后可得出某一问题的解，这些个体就是 Agent。多年来，Agent 一直是人机交互的基石，从微软的剪辑助手 Clippy 到 Google Docs 的自动建议，这些早期形态的 Agent 表现出了个性化交互的潜力，但在处理更复杂任务方面能力仍然有限。直到大语言模型（LLM）的出现，Agent 的真正潜力才得以被挖掘。今年 5 月，AI 领域权威学者吴恩达教授在美国红杉 AI 活动上分享了关于 AI Agent 的演讲，在其中，他展示了其团队做的一系列实验：
让 AI 去写一些代码并运行，对比不同 LLM 和工作流程得出的结果。结果如下：
GPT-3.5 模型：准确率 48%
GPT-4 模型：准确率 67%
GPT-3.5 + Agent：高于 GPT-4 模型的表现
GPT-4 + Agent：远高于 GPT-4 模型，非常出色
的确。大多数人在使用 ChatGPT 这种 LLM 时，方式通常是：输入一段提示词，大模型会立即生成答案，不会自动识别和纠正错误删除重写。
相比之下，AI Agent 工作流程是这样的：
首先，先让 LLM 写一个文章大纲，如有必要，先在互联网上搜索内容进行调研分析，输出初稿，然后阅读草稿并思考如何优化，如此循环往复、多次迭代，最终输出一篇逻辑严谨、错误率最低的高质量文章。
我们可以发现，AI Agent 与 LLM 的区别在于，LLM 与人类之间的交互基于提示词（prompt）进行。而 AI Agent 仅需设定一个目标，它就能够针对目标独立思考并做出行动。根据给定任务详细拆解出每一步的计划步骤，依靠来自外界的反馈和自主思考，自己给自己创建 prompt，来实现目标。
因此 OpenAI 对 AI Agent 的定义是：以 LLM 为大脑驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行完成复杂任务的系统。当 AI 从被使用的工具变成可以使用工具的主体，就成为了 AI Agent。这也正是 AI Agent 可以成为人类最理想智能助手的原因所在。例如，AI Agent 能够基于用户历史线上互动，了解并记忆用户的兴趣、偏好、日常习惯，识别用户的意图，主动提出建议，并协调多个应用程序去完成任务。就如同在盖茨的构想中，未来我们不再需要为不同的任务切换到不同的应用中，只需用平常的语言告诉电脑和手机想做什么，根据用户愿意共享的数据，AI Agent 将提供个性化的响应。
单人独角兽公司正在成为现实AI Agent 还能够帮助企业打造以“人机协同”为核心的智能化运营新模式。越来越多的业务活动将交由 AI 来完成，而人类则只需要聚焦于企业愿景、战略和关键路径的决策上。就像 OpenAI 首席执行官 Sam Altman 曾在采访中提到过这样一个引人注目的观点，随着 AI 的发展，我们即将进入“单人独角兽”时代，即由单人创办并达到 10 亿美元估值的公司。
听起来天方夜谭，但在 AI Agent 的助力下，这个观点正在成为现实。
不妨做个假设，现在我们要创办一家科技初创公司。按照传统方法，显然我需要雇佣软件工程师、产品经理、设计师、营销人员、销售和财务人员，各司其职但都由我来协调。
那么如果使用 AI Agent 呢，我可能甚至都不需要雇佣员工。
Devin — 自动化编程替代软件工程师，我可能会使用今年爆火的 AI 软件工程师 Devin，它能帮我完成所有前端和后端的工作。
Devin 由 Cognition Labs 开发，被称为是“世界上第一个 AI 软件工程师”。它能够独立完成整个软件开发工作，独立分析问题、做出决策、编写代码并修复错误，均可自主执行。大大减轻了开发人员的工作负担。Devin 在短短半年内就获得了 1.96 亿美元的融资，估值迅速飙升至数十亿美元，投资方包括 Founders Fund、Khosla Ventures 等知名风险投资公司。
虽然 Devin 仍未推出公开版本，但我们可以从另一个最近爆火 Web2 的产品 Cursor 一窥潜力。它几乎可以为你完成所有工作，将一个简单的想法在几分钟内转化为功能性代码，你只需要发号施令，就能「坐享其成」。有报道称，一个八岁的孩子，在没有任何编程经验的情况下，居然使用 Cursor 完成代码工作并建起了一个网站。
Hebbia — 文件处理替代产品经理或财务人员，我可能会选择 Hebbia，它能帮我完成所有文档的整理和分析。
与 Glean 侧重企业内文档搜索不同，Hebbia Matrix 是一个企业级的 AI Agent 平台，借助多个 AI 模型，帮助用户高效地提取、结构化、分析数据和文档，从而推动企业生产力的提高。令人印象深刻的是，Matrix 能一次性处理多大数百万份文档。
Hebbia 在今年 7 月完成了 1.3 亿美元 B 轮，a16z 领投，Google Ventures、Peter Thiel 等知名投资者参投。
Jasper AI — 内容生成替代社媒运营和设计师，我可能会选择 Jasper AI，它能帮我完成内容的生成。
Jasper AI 是一个 AI Agent 写作助手，旨在帮助创作者、营销人员和企业简化内容生成流程，提高生产力和创作效率。Jasper AI 能够根据用户要求的风格生成多种类型的内容，包括博客文章、社交媒体帖子、广告文案和产品描述等。并根据用户的描述生成图片，为文本内容提供视觉辅助。
Jasper AI 已获得 1.25 亿美元的融资，并在 2022 年达到了 15 亿美元的估值。根据统计数据，Jasper AI 已帮助用户生成超过 5 亿个单词，成为使用最广泛的 AI 写作工具之一。
MultiOn — 网页自动化操作替代助理，我可能会选择 MultiOn，帮我管理日常任务、安排日程、设置提醒，甚至是规划出差行程，自动预订酒店，自动安排网约车。
MultiOn 是一个自动化的网络任务 AI 代理，能够帮助在任何数字环境中自主执行任务，例如帮助用户完成在线购物、预约等个人任务，提升个人效率，或帮助用户简化日常事务，提高工作效率。
Perplexity — 搜索、研究替代研究员，我可能会选择英伟达 CEO 都在每天使用的 Perplexity。
Perplexity 是一个 AI 搜索引擎，能够理解用户的提问，拆分问题，然后搜索和整合内容，生成报告，以向用户提供清晰的答案。
Perplexity 适用于各类用户群体，例如学生和研究人员可以简化写作时的信息检索流程，提高效率；营销人员可以获取可靠数据支持营销策略。
以上内容仅为想象，当下这些 AI Agent 的真正能力和水平尚不足以替代各行各业中的精英人才。正如 Logenic AI 联合创始人李博杰所言，目前 LLM 的能力还只是入门级水平，远远达不到专家级，现阶段的 AI Agent 更像是一个干活比较快但不太可靠的员工。然而，这些 AI Agent 凭借各自的特长，正在助力现有用户在多样化场景中提高效率和便利性。
不仅仅限于科技公司，各行各业都可以在 AI Agent 的浪潮中获得益处。在教育领域，AI Agent 可以根据学生的学习进度、兴趣和能力提供个性化的学习资源和辅导；在金融领域，AI Agent 可以帮助用户管理个人财务，提供投资建议，甚至预测股票走势；在医疗领域，AI Agent 可以帮助医生进行疾病诊断和治疗方案的制定；在电商领域，AI Agent 还可以作为智能客服，通过自然语言处理和机器学习技术自动回答用户咨询，处理订单问题和退货请求，以此提高客户服务效率。
Multi-Agent：AI Agent 的下一步在上一节关于单人独角兽公司的设想中，单一的 AI Agent 在处理复杂任务时面临着局限性，难以满足实际需求。而运用多个 AI Agent 时，由于这些 AI Agent 基于异构 LLM，集体决策困难，能力有限，以至于还需要人类充当这些独立 AI Agent 之间的调度员，协调这些服务于不同应用场景的 AI Agent 去工作。这便催生了“Multi Agent（多智体框架）”的兴起。
复杂问题往往需要融合多方面的知识和技能，而单个 AI Agent 的能力有限，难以胜任。通过将不同能力的 AI Agent 进行有机组合，Multi-Agent 系统可以让 AI Agent 发挥各自的长处，取长补短，从而更有效地解决复杂问题。
这非常类似于我们实际中的工作流程或组织结构：由一个领导者分配任务，拥有不同能力的人，负责不同的任务，每个工序执行的结果给到下一个工序，最终得到最后的任务成果。
在实现过程上，由较低级别 AI Agent 执行各自的任务，而由级别较高的 AI Agent 分配任务，并对它们的完成情况进行监督。Multi-Agent 还能模拟我们人类的决策过程，就像我们遇到问题时会找人商量一样，多个 AI Agent 也可以模拟集体决策的行为，为我们提供更好的信息支持。例如由微软开发的 AutoGen 就满足了这一点：
能够创建不同角色的 AI Agent。这些 AI Agent 具有基本的对话能力，能够根据接收到的消息，生成回复。
通过 GroupChat 来创建由多个 AI Agent 参与的群聊环境，在这个 GroupChat 有一个管理员角色的 AI Agent 管理其他 AI Agent 的聊天记录、发言者顺序、终止发言等。
如果应用到单人独角兽公司的设想里，我们可以通过 Multi-Agent 架构创建几个不同角色的 AI Agent，比如项目经理、程序员或者主管。把我们的目标告诉它们，让它们任意去想办法，我们只要在一旁听汇报，如果觉得有意见或者它们做得不对的地方，就让它们改，直到满意为止。
相比单一的 AI Agent，Multi-Agent 可以实现：
可扩展性：通过增加 AI Agent 的数量来处理更大规模的问题，每个 AI Agent 处理任务的一部分，使得系统能够随着需求的增长而扩展。并行性：天然支持并行处理，多个 AI Agent 可以同时在问题的不同部分上工作，从而加速了问题解决。决策改进：通过聚合多个 AI Agent 的洞察力来增强决策制定，因为每个 AI Agent 都有自己的视角和专业知识。随着 AI 技术的不断进步，可以想象 Multi-Agent 框架将在更多行业发挥更大的作用，并推动 AI 驱动的各类新解决方案的发展。
AI Agent 之风，吹向 Web3迈出实验室，AI Agent 和 Multi-Agent 道阻且长。暂且不论 Multi-Agent，即便是当下最先进的单一 AI Agent ，其需要的算力资源和计算能力在物理层面仍有明确的上限，无法做到无限扩展。一旦面临极其错综复杂、计算量密集的任务，AI Agent 无疑将会遭遇算力瓶颈，性能大打折扣。再者，AI Agent 和 Multi-Agent 系统本质上是一种集中式的架构模式，这决定了它存在着极高的单一故障风险。更重要的是，OpenAI、微软、谷歌等公司基于闭源大模型的垄断商业模式，严重威胁独立、单一的 AI Agent 创业公司的生存环境，使得 AI Agent 无法顺利利用庞大的企业私有数据来使它们变得更聪明、更有效率。AI Agent 之间亟需民主化的协作环境，使得真正有价值的 AI Agent 得以服务更广阔的需求人群，为社会创造更大的价值。最后，虽然与 LLM 相比，AI Agent 更贴近产业，但其发展基于 LLM，而当前大模型赛道的特点是技术门槛高、资金投入多、商业模式尚且发展不成熟，AI Agent 通常很难获得融资以持续更新迭代。
Multi-Agent 的范式是 Web3 助力 AI 的绝佳角度，已经有不少 Web3 开发团队正在这些方面投入研发提供解决方案。
AI Agent 和 Multi-Agent 系统通常需要大量的计算资源来进行复杂的决策和处理任务。Web3 通过区块链和去中心化技术，可以构建去中心化的算力市场，使得算力资源可以在全球范围内更加公平和高效地分配和利用。Akash、Nosana、Aethir、 IO.net 等 Web3 项目可以对 AI Agent 决策和推理提供计算能力。
传统的 AI 系统往往是集中式管理，导致 AI Agent 面临单点故障和数据隐私问题，Web3 的去中心化特性可以使得 Multi-Agent 系统更加分散和自治，每个 AI Agent 可以独立地运行在不同的节点上，自主执行用户提出的需求，增强了鲁棒性和安全性。通过 PoS、DPoS 等机制建立针对质押者、委托者的激励惩罚机制，可以促进单一 AI Agent 或 Multi-Agent 系统的民主化。
在这方面，GaiaNet、Theoriq、PIN AI、HajimeAI 都有非常前沿的尝试。
Theoriq 是一个服务于“AI for Web3”的项目，希望通过 Agentic Protocol 建立 AI Agents 的调用和经济系统，普及 Web3 的开发和许多功能性场景，为 Web3 dApp 提供可验证的模型推理能力。
GaiaNet 以节点为基础的 AI Agent 创建和部署环境，以保护专家、用户的知识产权与数据隐私为出发点，抗衡中心化的 OpenAI GPT Store。
HajimeAI 则在两者基础上发力 AI Agent 工作流在实际需求中的建立和针对意图本身的智能化、自动化，呼应 PIN AI 提到的“AI 智能的个性化”。
同时，Modulus Labs 与 ORA Protocol 分别在 AI Agent 的 zkML 和 opML 的算法方向取得了进展。
最后，AI Agent 和 Multi-Agent 系统的开发和迭代往往需要大量的资金支持，而 Web3 可以通过前置流动性的特点帮助有潜力的 AI Agent 项目获取宝贵的早期支持。
Spectral 和 HajimeAI 均提出了支持发行链上 AI Agent 资产的产品构想：通过 IAO（Initial Agent Offering）发行代币，AI Agent 可以直接从投资者获得资金，同时成为 DAO 治理的一员，为投资者提供参与项目发展和分享未来收益的机会。其中 HajimeAI 的 Benchmark DAO 希望通过众筹加代币激励的方式，将去中心化的 AI Agent 评分和 AI Agent 资产发行有机结合起来，打造 AI Agent 依托 Web3 融资和冷启动的闭环，也是比较新颖的尝试。
AI 潘多拉魔盒已然开启，置身其中的每个人既兴奋又迷茫，热潮下是机遇还是暗礁，无人知晓。如今，各行各业都已不再是 PPT 融资时代，无论多么前沿的技术，也只有落地才能实现价值。AI Agent 的未来注定是一场漫长的马拉松， 而 Web3 正确保它不会在这场竞赛中黯然退场。
今年 5 月，AI 领域权威学者吴恩达教授在美国红杉 AI 活动上分享了关于 AI Agent 的演讲，在其中，他展示了其团队做的一系列实验：
让 AI 去写一些代码并运行，对比不同 LLM 和工作流程得出的结果。结果如下：
GPT-3.5 模型：准确率 48%
GPT-4 模型：准确率 67%
GPT-3.5 + Agent：高于 GPT-4 模型的表现
GPT-4 + Agent：远高于 GPT-4 模型，非常出色
的确。大多数人在使用 ChatGPT 这种 LLM 时，方式通常是：输入一段提示词，大模型会立即生成答案，不会自动识别和纠正错误删除重写。
相比之下，AI Agent 工作流程是这样的：
首先，先让 LLM 写一个文章大纲，如有必要，先在互联网上搜索内容进行调研分析，输出初稿，然后阅读草稿并思考如何优化，如此循环往复、多次迭代，最终输出一篇逻辑严谨、错误率最低的高质量文章。
我们可以发现，AI Agent 与 LLM 的区别在于，LLM 与人类之间的交互基于提示词（prompt）进行。而 AI Agent 仅需设定一个目标，它就能够针对目标独立思考并做出行动。根据给定任务详细拆解出每一步的计划步骤，依靠来自外界的反馈和自主思考，自己给自己创建 prompt，来实现目标。
因此 OpenAI 对 AI Agent 的定义是：以 LLM 为大脑驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行完成复杂任务的系统。
当 AI 从被使用的工具变成可以使用工具的主体，就成为了 AI Agent。这也正是 AI Agent 可以成为人类最理想智能助手的原因所在。例如，AI Agent 能够基于用户历史线上互动，了解并记忆用户的兴趣、偏好、日常习惯，识别用户的意图，主动提出建议，并协调多个应用程序去完成任务。
就如同在盖茨的构想中，未来我们不再需要为不同的任务切换到不同的应用中，只需用平常的语言告诉电脑和手机想做什么，根据用户愿意共享的数据，AI Agent 将提供个性化的响应。
单人独角兽公司正在成为现实
AI Agent 还能够帮助企业打造以“人机协同”为核心的智能化运营新模式。越来越多的业务活动将交由 AI 来完成，而人类则只需要聚焦于企业愿景、战略和关键路径的决策上。
就像 OpenAI 首席执行官 Sam Altman 曾在采访中提到过这样一个引人注目的观点，随着 AI 的发展，我们即将进入“单人独角兽”时代，即由单人创办并达到 10 亿美元估值的公司。
听起来天方夜谭，但在 AI Agent 的助力下，这个观点正在成为现实。
不妨做个假设，现在我们要创办一家科技初创公司。按照传统方法，显然我需要雇佣软件工程师、产品经理、设计师、营销人员、销售和财务人员，各司其职但都由我来协调。
那么如果使用 AI Agent 呢，我可能甚至都不需要雇佣员工。
Devin — 自动化编程
替代软件工程师，我可能会使用今年爆火的 AI 软件工程师 Devin，它能帮我完成所有前端和后端的工作。
Devin 由 Cognition Labs 开发，被称为是“世界上第一个 AI 软件工程师”。它能够独立完成整个软件开发工作，独立分析问题、做出决策、编写代码并修复错误，均可自主执行。大大减轻了开发人员的工作负担。Devin 在短短半年内就获得了 1.96 亿美元的融资，估值迅速飙升至数十亿美元，投资方包括 Founders Fund、Khosla Ventures 等知名风险投资公司。
虽然 Devin 仍未推出公开版本，但我们可以从另一个最近爆火 Web2 的产品 Cursor 一窥潜力。它几乎可以为你完成所有工作，将一个简单的想法在几分钟内转化为功能性代码，你只需要发号施令，就能「坐享其成」。有报道称，一个八岁的孩子，在没有任何编程经验的情况下，居然使用 Cursor 完成代码工作并建起了一个网站。
Hebbia — 文件处理
替代产品经理或财务人员，我可能会选择 Hebbia，它能帮我完成所有文档的整理和分析。
与 Glean 侧重企业内文档搜索不同，Hebbia Matrix 是一个企业级的 AI Agent 平台，借助多个 AI 模型，帮助用户高效地提取、结构化、分析数据和文档，从而推动企业生产力的提高。令人印象深刻的是，Matrix 能一次性处理多大数百万份文档。
Hebbia 在今年 7 月完成了 1.3 亿美元 B 轮，a16z 领投，Google Ventures、Peter Thiel 等知名投资者参投。
Jasper AI — 内容生成
替代社媒运营和设计师，我可能会选择 Jasper AI，它能帮我完成内容的生成。
Jasper AI 是一个 AI Agent 写作助手，旨在帮助创作者、营销人员和企业简化内容生成流程，提高生产力和创作效率。Jasper AI 能够根据用户要求的风格生成多种类型的内容，包括博客文章、社交媒体帖子、广告文案和产品描述等。并根据用户的描述生成图片，为文本内容提供视觉辅助。
Jasper AI 已获得 1.25 亿美元的融资，并在 2022 年达到了 15 亿美元的估值。根据统计数据，Jasper AI 已帮助用户生成超过 5 亿个单词，成为使用最广泛的 AI 写作工具之一。
MultiOn — 网页自动化操作
替代助理，我可能会选择 MultiOn，帮我管理日常任务、安排日程、设置提醒，甚至是规划出差行程，自动预订酒店，自动安排网约车。
MultiOn 是一个自动化的网络任务 AI 代理，能够帮助在任何数字环境中自主执行任务，例如帮助用户完成在线购物、预约等个人任务，提升个人效率，或帮助用户简化日常事务，提高工作效率。
Perplexity — 搜索、研究
替代研究员，我可能会选择英伟达 CEO 都在每天使用的 Perplexity。
Perplexity 是一个 AI 搜索引擎，能够理解用户的提问，拆分问题，然后搜索和整合内容，生成报告，以向用户提供清晰的答案。
Perplexity 适用于各类用户群体，例如学生和研究人员可以简化写作时的信息检索流程，提高效率；营销人员可以获取可靠数据支持营销策略。
以上内容仅为想象，当下这些 AI Agent 的真正能力和水平尚不足以替代各行各业中的精英人才。正如 Logenic AI 联合创始人李博杰所言，目前 LLM 的能力还只是入门级水平，远远达不到专家级，现阶段的 AI Agent 更像是一个干活比较快但不太可靠的员工。
然而，这些 AI Agent 凭借各自的特长，正在助力现有用户在多样化场景中提高效率和便利性。
不仅仅限于科技公司，各行各业都可以在 AI Agent 的浪潮中获得益处。在教育领域，AI Agent 可以根据学生的学习进度、兴趣和能力提供个性化的学习资源和辅导；在金融领域，AI Agent 可以帮助用户管理个人财务，提供投资建议，甚至预测股票走势；在医疗领域，AI Agent 可以帮助医生进行疾病诊断和治疗方案的制定；在电商领域，AI Agent 还可以作为智能客服，通过自然语言处理和机器学习技术自动回答用户咨询，处理订单问题和退货请求，以此提高客户服务效率。
Multi-Agent：AI Agent 的下一步
在上一节关于单人独角兽公司的设想中，单一的 AI Agent 在处理复杂任务时面临着局限性，难以满足实际需求。而运用多个 AI Agent 时，由于这些 AI Agent 基于异构 LLM，集体决策困难，能力有限，以至于还需要人类充当这些独立 AI Agent 之间的调度员，协调这些服务于不同应用场景的 AI Agent 去工作。这便催生了“Multi Agent（多智体框架）”的兴起。
复杂问题往往需要融合多方面的知识和技能，而单个 AI Agent 的能力有限，难以胜任。通过将不同能力的 AI Agent 进行有机组合，Multi-Agent 系统可以让 AI Agent 发挥各自的长处，取长补短，从而更有效地解决复杂问题。
这非常类似于我们实际中的工作流程或组织结构：由一个领导者分配任务，拥有不同能力的人，负责不同的任务，每个工序执行的结果给到下一个工序，最终得到最后的任务成果。
在实现过程上，由较低级别 AI Agent 执行各自的任务，而由级别较高的 AI Agent 分配任务，并对它们的完成情况进行监督。
Multi-Agent 还能模拟我们人类的决策过程，就像我们遇到问题时会找人商量一样，多个 AI Agent 也可以模拟集体决策的行为，为我们提供更好的信息支持。例如由微软开发的 AutoGen 就满足了这一点：
能够创建不同角色的 AI Agent。这些 AI Agent 具有基本的对话能力，能够根据接收到的消息，生成回复。
通过 GroupChat 来创建由多个 AI Agent 参与的群聊环境，在这个 GroupChat 有一个管理员角色的 AI Agent 管理其他 AI Agent 的聊天记录、发言者顺序、终止发言等。
如果应用到单人独角兽公司的设想里，我们可以通过 Multi-Agent 架构创建几个不同角色的 AI Agent，比如项目经理、程序员或者主管。把我们的目标告诉它们，让它们任意去想办法，我们只要在一旁听汇报，如果觉得有意见或者它们做得不对的地方，就让它们改，直到满意为止。
相比单一的 AI Agent，Multi-Agent 可以实现：
可扩展性：通过增加 AI Agent 的数量来处理更大规模的问题，每个 AI Agent 处理任务的一部分，使得系统能够随着需求的增长而扩展。
并行性：天然支持并行处理，多个 AI Agent 可以同时在问题的不同部分上工作，从而加速了问题解决。
决策改进：通过聚合多个 AI Agent 的洞察力来增强决策制定，因为每个 AI Agent 都有自己的视角和专业知识。
随着 AI 技术的不断进步，可以想象 Multi-Agent 框架将在更多行业发挥更大的作用，并推动 AI 驱动的各类新解决方案的发展。
AI Agent 之风，吹向 Web3
迈出实验室，AI Agent 和 Multi-Agent 道阻且长。
暂且不论 Multi-Agent，即便是当下最先进的单一 AI Agent ，其需要的算力资源和计算能力在物理层面仍有明确的上限，无法做到无限扩展。一旦面临极其错综复杂、计算量密集的任务，AI Agent 无疑将会遭遇算力瓶颈，性能大打折扣。
再者，AI Agent 和 Multi-Agent 系统本质上是一种集中式的架构模式，这决定了它存在着极高的单一故障风险。更重要的是，OpenAI、微软、谷歌等公司基于闭源大模型的垄断商业模式，严重威胁独立、单一的 AI Agent 创业公司的生存环境，使得 AI Agent 无法顺利利用庞大的企业私有数据来使它们变得更聪明、更有效率。AI Agent 之间亟需民主化的协作环境，使得真正有价值的 AI Agent 得以服务更广阔的需求人群，为社会创造更大的价值。
最后，虽然与 LLM 相比，AI Agent 更贴近产业，但其发展基于 LLM，而当前大模型赛道的特点是技术门槛高、资金投入多、商业模式尚且发展不成熟，AI Agent 通常很难获得融资以持续更新迭代。
Multi-Agent 的范式是 Web3 助力 AI 的绝佳角度，已经有不少 Web3 开发团队正在这些方面投入研发提供解决方案。
AI Agent 和 Multi-Agent 系统通常需要大量的计算资源来进行复杂的决策和处理任务。Web3 通过区块链和去中心化技术，可以构建去中心化的算力市场，使得算力资源可以在全球范围内更加公平和高效地分配和利用。Akash、Nosana、Aethir、 IO.net 等 Web3 项目可以对 AI Agent 决策和推理提供计算能力。
传统的 AI 系统往往是集中式管理，导致 AI Agent 面临单点故障和数据隐私问题，Web3 的去中心化特性可以使得 Multi-Agent 系统更加分散和自治，每个 AI Agent 可以独立地运行在不同的节点上，自主执行用户提出的需求，增强了鲁棒性和安全性。通过 PoS、DPoS 等机制建立针对质押者、委托者的激励惩罚机制，可以促进单一 AI Agent 或 Multi-Agent 系统的民主化。
在这方面，GaiaNet、Theoriq、PIN AI、HajimeAI 都有非常前沿的尝试。
Theoriq 是一个服务于“AI for Web3”的项目，希望通过 Agentic Protocol 建立 AI Agents 的调用和经济系统，普及 Web3 的开发和许多功能性场景，为 Web3 dApp 提供可验证的模型推理能力。
GaiaNet 以节点为基础的 AI Agent 创建和部署环境，以保护专家、用户的知识产权与数据隐私为出发点，抗衡中心化的 OpenAI GPT Store。
HajimeAI 则在两者基础上发力 AI Agent 工作流在实际需求中的建立和针对意图本身的智能化、自动化，呼应 PIN AI 提到的“AI 智能的个性化”。
同时，Modulus Labs 与 ORA Protocol 分别在 AI Agent 的 zkML 和 opML 的算法方向取得了进展。
最后，AI Agent 和 Multi-Agent 系统的开发和迭代往往需要大量的资金支持，而 Web3 可以通过前置流动性的特点帮助有潜力的 AI Agent 项目获取宝贵的早期支持。
Spectral 和 HajimeAI 均提出了支持发行链上 AI Agent 资产的产品构想：通过 IAO（Initial Agent Offering）发行代币，AI Agent 可以直接从投资者获得资金，同时成为 DAO 治理的一员，为投资者提供参与项目发展和分享未来收益的机会。其中 HajimeAI 的 Benchmark DAO 希望通过众筹加代币激励的方式，将去中心化的 AI Agent 评分和 AI Agent 资产发行有机结合起来，打造 AI Agent 依托 Web3 融资和冷启动的闭环，也是比较新颖的尝试。
AI 潘多拉魔盒已然开启，置身其中的每个人既兴奋又迷茫，热潮下是机遇还是暗礁，无人知晓。如今，各行各业都已不再是 PPT 融资时代，无论多么前沿的技术，也只有落地才能实现价值。AI Agent 的未来注定是一场漫长的马拉松， 而 Web3 正确保它不会在这场竞赛中黯然退场。