AI 에이전트: Web3의 지능형 지원의 새로운 시대

올 하반기부터 AI 에이전트(AI Agent)에 대한 화두가 계속해서 높아지고 있다. 처음에는 진실의 AI 챗봇 단말기가 널리 주목을 받았습니다.

With the continuous heating up of the AI Agent topic in the second half of this year, at first, the truths AI chatbot terminal attracted widespread attention for its humorous posts and replies on X (similar to "Robert" on Weibo), and received a $50,000 grant from a16z founder Marc Andreessen. Inspired by its published content, someone created the GOAT token, which rose by more than 10,000% in just 24 hours. The topic of AI Agent immediately attracted the attention of the Web3 community. Later, the first decentralized AI trading fund based on Solana, ai16z, came out, launched the AI Agent development framework Eliza, and triggered a dispute over uppercase and lowercase tokens. However, the community still has an unclear concept of AI Agent: What is the core of AI Agent? How is it different from the Telegram trading robot?

올 하반기 AI 에이전트 화제가 계속해서 뜨거워지는 가운데, 진실 AI 챗봇 단말기는 처음에는 X(웨이보의 '로버트'와 유사)에 대한 유머러스한 게시물과 답글로 큰 관심을 끌었으며, a16z 창립자인 Marc Andreessen으로부터 50,000달러의 보조금을 받았습니다. 게시된 콘텐츠에서 영감을 받아 누군가 GOAT 토큰을 만들었고, 이는 단 24시간 만에 10,000% 이상 상승했습니다. AI Agent라는 주제는 즉시 Web3 커뮤니티의 관심을 끌었습니다. 이후 솔라나를 기반으로 한 최초의 탈중앙화 AI 트레이딩 펀드인 ai16z가 나오고, AI 에이전트 개발 프레임워크인 엘리자(Eliza)를 출시하며 대문자와 소문자 토큰을 두고 논쟁이 촉발됐다. 그러나 커뮤니티에서는 여전히 AI 에이전트에 대한 개념이 불분명합니다. AI 에이전트의 핵심은 무엇입니까? 텔레그램 트레이딩 로봇과 어떻게 다릅니까?

How it works: Perception, reasoning, and autonomous decision-making

작동 원리: 인식, 추론 및 자율적인 의사 결정

AI Agent is an intelligent agent system based on a large language model (LLM) that can perceive the environment, make reasoning decisions, and complete complex tasks by calling tools or performing operations. Workflow: Perception module (obtaining input) → LLM (understanding, reasoning and planning) → tool calling (task execution) → feedback and optimization (verification and adjustment).

AI Agent는 도구를 호출하거나 작업을 수행하여 환경을 인식하고 추론 결정을 내리고 복잡한 작업을 완료할 수 있는 LLM(대형 언어 모델) 기반의 지능형 에이전트 시스템입니다. 워크플로우: 인식 모듈(입력 얻기) → LLM(이해, 추론 및 계획) → 도구 호출(작업 실행) → 피드백 및 최적화(검증 및 조정).

Specifically, AI Agent first obtains data (such as text, audio, images, etc.) from the external environment through the perception module and converts it into structured information that can be processed. As a core component, LLM provides powerful natural language understanding and generation capabilities, acting as the "brain" of the system. Based on the input data and existing knowledge, LLM performs logical reasoning to generate possible solutions or formulate action plans. Subsequently, AI Agent completes specific tasks by calling external tools, plug-ins or APIs, and verifies and adjusts the results based on feedback to form a closed-loop optimization.

구체적으로 AI 에이전트는 먼저 인식 모듈을 통해 외부 환경으로부터 데이터(텍스트, 오디오, 이미지 등)를 획득하고 이를 처리 가능한 구조화된 정보로 변환한다. 핵심 구성 요소인 LLM은 시스템의 "두뇌" 역할을 하는 강력한 자연어 이해 및 생성 기능을 제공합니다. LLM은 입력 데이터와 기존 지식을 기반으로 논리적 추론을 수행하여 가능한 솔루션을 생성하거나 실행 계획을 수립합니다. 이후 AI 에이전트는 외부 도구, 플러그인 또는 API를 호출하여 특정 작업을 완료하고 피드백을 기반으로 결과를 확인 및 조정하여 폐쇄 루프 최적화를 형성합니다.

In the application scenarios of Web3, what is the difference between AI Agent and Telegram trading robots or automated scripts? Take arbitrage as an example. Users want to conduct arbitrage transactions under the condition that the profit is greater than 1%. In Telegram trading robots that support arbitrage, users set up trading strategies with profits greater than 1%, and the Bot begins to execute. However, when the market fluctuates frequently and arbitrage opportunities are constantly changing, these Bots lack risk assessment capabilities and execute arbitrage as long as the profit is greater than 1%. In contrast, AI Agent can automatically adjust its strategy. For example, when the profit of a transaction exceeds 1%, but through data analysis, the risk is too high, and the market may suddenly change and cause losses, it will decide not to execute the arbitrage.

Web3의 응용 시나리오에서 AI Agent와 Telegram 거래 로봇 또는 자동화된 스크립트의 차이점은 무엇입니까? 차익거래를 예로 들어보겠습니다. 사용자는 이익이 1% 이상이라는 조건으로 차익 거래를 수행하기를 원합니다. 차익거래를 지원하는 텔레그램 거래 로봇에서 사용자는 1% 이상의 수익을 내는 거래 전략을 설정하고 봇이 실행되기 시작합니다. 그러나 시장이 자주 변동하고 차익거래 기회가 지속적으로 변화하는 경우 이러한 봇에는 위험 평가 기능이 부족하여 이익이 1%보다 큰 한 차익거래를 실행합니다. 반면 AI Agent는 자동으로 전략을 조정할 수 있습니다. 예를 들어, 거래 이익이 1%를 초과하지만 데이터 분석을 통해 위험이 너무 높고 시장이 급변하여 손실을 초래할 수 있는 경우 차익 거래를 실행하지 않기로 결정합니다.

Therefore, AI Agent is self-adaptive. Its core advantage lies in its ability to self-learn and make decisions autonomously. It can adjust its behavior strategy based on feedback signals through interaction with the environment (such as the market, user behavior, etc.) to continuously improve the performance of task execution. It can also make decisions in real time based on external data and continuously optimize its decision-making strategy through reinforcement learning.

따라서 AI Agent는 자가 적응형입니다. 핵심 장점은 스스로 학습하고 자율적으로 의사결정을 내릴 수 있는 능력에 있습니다. 환경(예: 시장, 사용자 행동 등)과의 상호 작용을 통한 피드백 신호를 기반으로 행동 전략을 조정하여 작업 실행 성능을 지속적으로 향상시킬 수 있습니다. 또한 외부 데이터를 기반으로 실시간으로 의사결정을 내릴 수 있으며, 강화학습을 통해 의사결정 전략을 지속적으로 최적화할 수 있습니다.

Does this sound a bit like a solver in the intent framework? AI Agent itself is also a product based on intent. The biggest difference between it and the solver in the intent framework is that the solver relies on precise algorithms and is mathematically rigorous, while AI Agent decision-making relies on data training, and often requires continuous trial and error during the training process to approach the optimal solution.

이것이 의도 프레임워크의 솔버처럼 들리나요? AI Agent 자체도 의도를 기반으로 한 제품입니다. 의도 프레임워크의 솔버와 가장 큰 차이점은 솔버는 정밀한 알고리즘에 의존하고 수학적으로 엄격한 반면, AI 에이전트 의사 결정은 데이터 교육에 의존하며 종종 학습 과정에서 지속적인 시행착오를 거쳐야 한다는 점입니다. 최적의 솔루션.

AI Agent Mainstream Framework

AI 에이전트 메인스트림 프레임워크

AI Agent framework is an infrastructure for creating and managing intelligent agents. Currently in Web3, popular frameworks include Eliza from ai16z, ZerePy from zerebro, and GAME from Virtuals.

AI 에이전트 프레임워크는 지능형 에이전트를 생성하고 관리하기 위한 인프라입니다. 현재 Web3에서 인기 있는 프레임워크로는 ai16z의 Eliza, zerebro의 ZerePy, Virtuals의 GAME이 있습니다.

Eliza is a versatile AI Agent framework built with TypeScript. It supports running on multiple platforms (such as Discord, Twitter, Telegram, etc.), and through complex memory management, it can remember previous conversations and contexts, and maintain stable and consistent personality traits and knowledge answers. Eliza uses the RAG (Retrieval Augmented Generation) system, which can access external databases or resources to generate more accurate answers. In addition, Eliza integrates a TEE plug-in, allowing deployment in TEE to ensure data security and privacy.

Eliza는 TypeScript로 구축된 다목적 AI 에이전트 프레임워크입니다. 다양한 플랫폼(Discord, Twitter, Telegram 등)에서의 실행을 지원하며 복잡한 메모리 관리를 통해 이전 대화와 맥락을 기억하고 안정적이고 일관된 성격 특성과 지식 답변을 유지할 수 있습니다. Eliza는 보다 정확한 답변을 생성하기 위해 외부 데이터베이스나 리소스에 액세스할 수 있는 RAG(Retrieval Augmented Generation) 시스템을 사용합니다. 또한 Eliza는 TEE 플러그인을 통합하여 TEE에 배포하여 데이터 보안과 개인 정보 보호를 보장합니다.

GAME is a framework that enables and drives AI Agents to make autonomous decisions and actions. Developers can customize the behavior of agents according to their needs, expand their functions, and provide customized operations (such as social media posting, replying, etc.). Different functions in the framework, such as the agent's environmental location and tasks, are divided into multiple modules to facilitate developers to configure and manage. The GAME framework divides the decision-making process of AI Agents into two levels: high-level planning (HLP) and low-level planning (LLP), which are responsible for tasks and decisions at different levels. High-level planning is responsible for setting the overall goals and task planning of the agent, making decisions based on goals, personality, background information and

GAME은 AI 에이전트가 자율적인 결정과 행동을 내릴 수 있도록 지원하고 구동하는 프레임워크입니다. 개발자는 필요에 따라 에이전트의 행동을 맞춤화하고 기능을 확장하며 맞춤형 작업(예: 소셜 미디어 게시, 회신 등)을 제공할 수 있습니다. 에이전트의 환경 위치 및 작업과 같은 프레임워크의 다양한 기능은 개발자가 쉽게 구성하고 관리할 수 있도록 여러 모듈로 구분됩니다. GAME 프레임워크는 AI 에이전트의 의사결정 프로세스를 상위 수준 계획(HLP)과 하위 수준 계획(LLP)의 두 가지 수준으로 나누어 다양한 수준의 작업과 결정을 담당합니다. 상위 계획은 에이전트의 전반적인 목표와 작업 계획을 설정하고 목표, 성격, 배경 정보 및 정보를 기반으로 의사 결정을 내리는 역할을 담당합니다.