本文目录
AI
赛道正在经历从投机炒作到实际应用落地的演变。
早期的 AI Meme 代币借势 AI 热点爆发，而如今更具功能性的 AI 交易工具、智能投研、链上 AI 执行体正在涌现。从 AI 驱动的链上狙击策略，到 AI Agent 自主执行链上任务、以及 AI 生成 DeFi 收益优化方案，AI 赛道的影响力正在迅速扩大。
但多数人看得到 AI 代币市值的指数级增长，却找不到解码其价值逻辑的座标系。哪些 AI 赛道具备长期生命力？ DeFAI是否是AI的最佳应用？AI项目评估的维度有哪些？……
OKX Ventures 最新研报深入拆解了 AI 赛道的发展版图，从概念解析、演变历程、应用赛道、以及项目案例，希望可以给大家认识AI价值带来一些启发与思考。
本次报告内容比较丰富，为了便于大家阅读，我们将其拆分为（上）、（下）两篇。此篇为「上篇」。
一、关于 AI Agent
AI Agent 是一种智能实体，具备感知环境、做出决策并执行相应动作的能力。不同于传统人工智慧系统，AI 代理能够独立思考并调用工具，从而逐步实现特定目标，这使得它们在处理复杂任务时具备更高的自主性和灵活性。
简而言之，AI 代理是由人工智慧技术驱动的代理人，其工作流程包括：感知模块（收集输入）、大型语言模型（理解、推理与规划）、工具调用（执行任务）以及反馈与优化（验证与调整）。
OpenAI 将 AI 代理定义为以大型语言模型为核心，具备自主理解、感知、规划、记忆和工具使用能力的系统，能够自动化执行复杂任务。与传统人工智慧不同，AI 代理能够通过独立思考和工具调用逐步完成设定目标。
AI Agent 的定义可以概括为以下几个关键要素：
- 感知（Perception），AI Agent 通过传感器、摄像头或其他输入设备感知周围环境，获取必要的资讯；
- 理解与推理（Reasoning），它能够分析感知到的资讯，并进行复杂的推理，以便做出合理的决策；
- 决策（Decision-making），基于分析结果，AI Agent 能够制定行动计划，选择最佳的执行路径；
- 行动（Action），最后，AI Agent 会执行所制定的计划，通过调用外部工具或接口与其他系统进行交互，实现预定目标。
AI Agent 的工作原理和流程通常包括以下几个步骤：
- 首先，资讯输入，接收来自环境的资讯，如用户指令、传感器数据等；
- 接着，数据处理，利用内置的算法和模型对输入数据进行处理，结合其记忆系统（短期和长期记忆）来理解当前状态；
- 然后，计划制定，根据处理结果，AI Agent 将大任务拆分为可管理的小任务，并制定具体的执行计划。
- 在执行阶段，AI Agent 通过调用外部 API 或工具，实施其计划并监控执行过程，以确保任务按预期完成；最后，反馈与学习，任务完成后，AI Agent 会根据结果进行自我反思和学习，从而提高未来的决策品质。
二、演变历程
AI 代币的演变路径展现了从初期 “MEME” 现象到深度技术融合的转变过程。起初，许多代币依靠短暂的概念炒作和社交媒体的热潮吸引用户的关注，如同网路热梗。然而，随着市场的不断成熟，AI 代币逐渐向更加实用和高阶的功能发展，逐步摆脱了单纯的炒作模式，向真正的区块链金融工具和数据分析平台转型。我们将深入探讨这些代币如何从概念性存在，逐渐发展成为具备实际应用价值的技术产品。
阶段 1：AI Meme（迷茫期）
初期的 AI 代币大多以 “MEME” 形式存在，诸如 $GOAT、$ACT、$FARTCOIN 等代币并未具备实际应用或功能，其价值主要依靠概念炒作与市场情绪的推动。在这一阶段，代币的用途尚不明确，市场与用户对其潜力知之甚少，代币的流行更多依赖于社交媒体的传播和短期炒作，呈现出一种神秘、不可捉摸的特性。
阶段 2：社交化（探索期）
随着市场对 AI 代币的逐渐关注，这些代币开始在社交领域发力。例如，$LUNA、$BULLY 等代币通过增强的社交功能吸引用户参与。在这一阶段，代币不仅仅作为炒作工具存在，更开始融入社区驱动和社交互动，推动市场的增长。代币逐步从单纯的「陪聊」功能扩展，开始探索与用户社交需求紧密结合的功能，形成了更加多元的社交属性。
阶段 3：垂直领域（功能深化期）
AI 代币开始从简单的社交和炒作模式中脱离，深入探索垂直领域的应用场景。代币如 $AIXBT 和 $ZEREBRO 等通过与区块链、DeFi 或创作工具的结合，逐渐为代币赋能，使其不再仅仅是投机工具，而是具备明确功能和目的的数位资产。此阶段标志着 AI 代币朝着更高效、更专业的方向发展，逐步形成其独特的市场地位。
阶段 3.5：基础设施（技术完善期）
在代币应用逐渐深入的同时，AI 代币开始着力建设更为坚实的技术基础设施。诸如 $AI16Z、$EMP 等代币的加入，进一步推动了代币的功能优化。代币不仅专注于经济激励和实用功能，还开始重视跨链技术、去中心化应用、硬体结合等基础设施的建设，逐步为其未来的持续发展奠定了技术根基。
阶段 4：数据分析（成熟期）
进入成熟期，AI 代币已逐渐在市场中稳定下来，开始融入更复杂的加密投研分析功能，推动代币生态和治理结构的完善。$TRISIG 和 $COOKIE 等代币不再是简单的工具，它们已成为经济体系的一部分，广泛应用于数据分析、社区治理和投资决策等高阶领域。此时，AI 代币的功能逐步提升，已经能够为市场提供深度的分析与决策支持，成为加密市场中的重要资产。
阶段 4.5：金融应用（生态融合期）
随着 DeFi 领域的进一步发展，AI代币在金融应用上的融合愈发深入，催生了 “DeFAI” 这一新兴概念。通过人工智慧，DeFi 的复杂操作变得更加简便，普通用户也能轻松参与链上金融活动。代表代币如 $GRIFFAIN、$ORBIT、$AIXBT 等逐渐在市场中形成了从基础功能到复杂金融服务的完整链条，优化了链上交互，降低了参与门槛，为用户带来了更多的机会和便捷。
三、AI Agent 框架
（一）Web3 与 Web2 数据对比
当 Web2 的 AI Agent 在推荐算法里内卷时，Web3 的试验场也正在孕育更多 AI Agent 创新。但数据表明，Web3 和 Web2 的项目在贡献者分布、程式码提交和 GitHub Stars 的情况上表现出明显的差异。通过对比 Web3 和 Web2 项目的数据，我们可以更好地理解两者在技术创新、社群活跃度以及市场接受度等方面的现状。
特别是在 GitHub 平台上，这些项目的活跃度和受欢迎程度为我们提供了重要的指标，帮助我们洞察未来技术发展趋势和社群生态变化。
在开发者参与方面，Web2 项目的贡献者数量明显高于 Web3 项目。具体来看，Web3 项目的贡献者为 575 人，而 Web2 项目的贡献者多达 9,940 人，反映出 Web2 生态的成熟和更广泛的开发者基础。贡献者排名前三的项目是：Starkchain 3,102 名贡献者；Informers-agents 3,009 名贡献者；Llamaindex 1,391 名贡献者。
在程式码提交分布方面。Web2 项目的提交量也明显高于 Web3 项目。Web3 项目的总提交次数为 9,238 次，而Web2 项目则高达 40,151 次，表明 Web2 项目的开发活跃度更高，更新频率较为稳定。程式码提交量排名前三的项目是：ElipsOS 以 5,905 次提交领跑；紧随其后的是 Dust，共提交了 5,602 次程式码；LangChain 排名第三，提交次数为 5,506 次。
GitHub Stars 分布方面。Web2 项目在 GitHub 上的受欢迎程度远超 Web3 项目，Web2 项目累计获得 526,747 颗 Stars，而 Web3 项目则获得了 15,676 颗 Stars。这一差距反映了 Web2 项目在开发者社群的广泛认可和长期积累的市场影响力。Stars 数量排名前三的项目是：JS Agents 无疑是最受欢迎的，获得了 137,534 颗 Stars；紧随其后的是 LangChain，以 98,184 颗 Stars 位居第二，；MetaGPT 排名第三，获得了 46,676 颗 Stars。
总的而言，Web2 项目在贡献者数量和程式码提交频率上明显领先，显示出其成熟且稳定的生态系统。庞大的开发者基础和持续的技术创新，使 Web2 项目在市场中保持强劲的竞争力。相比之下，Web3 项目尽管贡献者数量较少，但一些项目在程式码提交频率上的表现突出，表明其拥有稳定的核心开发团队，并能持续推动项目发展。Web3 生态系统虽然目前较为初步，但其潜力不可小觑，逐步形成的开发者社群和用户基础为未来的成长奠定了坚实的基础。
在项目受欢迎程度上，GitHub Stars 的分布揭示了 JavaScript 和 Python 在 AI 代理框架开发中的重要地位。JS Agents 和 LangChain 是最受欢迎的项目，显示出 AI 与加密货币结合的趋势正在受到广泛关注。虽然 Web3 项目的 Stars 数量远低于 Web2 项目，但一些 Web3 项目如 MetaGPT 依然表现不凡，赢得了开发者的认可。整体来看，Web3 项目虽处于追赶阶段，但随着技术的进一步成熟和生态扩展，其在未来市场中的地位有望稳步提升。
（二）主流区块链AI Agent 框架
（三）现有区块链AI Agent 框架面临的挑战
大厂竞品的「降维打击」
OpenAI、Google、Microsoft等科技巨头正迅速推出官方级多工具代理，凭借强大的资金和技术优势，随时可能占领市场并将初创框架边缘化。通过深度整合大型语言模型（LLM）、云端服务以及工具生态，这些大厂能够提供全面且高效的解决方案，使得中小型框架面临更大的竞争压力，生存空间被极大挤压。
稳定性和可维护性不够
目前所有 AI 代理普遍面临较高的错误率和“幻觉”问题，尤其在多轮调用模型时，容易出现无限循环或兼容性Bug。一旦代理被要求执行多个子任务，这些错误往往会被层层放大，导致系统不稳定。对于需要高度可靠性的企业应用，这些框架目前尚难提供足够的稳定性和生产级别的保障，限制了它们在实际商业环境
