全面深度解析Multi Agent：Web3与AI终将相互成就？

multi agent是什么？深度解析multi agent！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，ldquo;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。

以上就是代码网小编给大家分享的全面深度解析multi agent：web3与ai终将相互成就的详细介绍了，希望大家喜欢！