Будущее AI приложений и агентов на OpenLedger
Тема
Openledger
Теги
OpenLedger
Обзор поста
От специализированных моделей до агентов, которые могут видеть, рассуждать и действовать — этот блог разбирает, как OpenLedger определяет будущее AI агентов и приложений, с контекстом, инструментами, памятью и логикой, встроенными в цепочку.
На ранних этапах машинного обучения большинство систем строились как монолитные модели, обученные один раз и затем замороженные. Со временем индустрия развивалась к тонкой настройке и специфическим вариантам задач. Эти модели заложили основу для адаптации к домену, но создание полезных AI приложений сегодня — это про то, как прокачать модель, чтобы она могла делать больше.
Мощная модель — это только часть уравнения. Чтобы ИИ-системы могли эффективно работать в реальном мире, им необходимо понимать свою проблемную область, взаимодействовать с живыми данными, извлекать исторический контекст и выполнять детерминированную логику. Так же, как ГПUs открыли масштаб для обучения, следующий шаг заключается в разблокировке взаимодействия, атрибуции и экономической согласованности на уровне приложений.
Это инфраструктура, которую предоставляет OpenLedger.
OpenLedger — это блокчейн ИИ. Он разработан не как универсальная цепочка, а как слой выполнения и атрибуции для интеллектуальных систем. Он предоставляет основу, на которой модели, данные, память и агенты становятся совместимыми компонентами. Этот блог подробно описывает инструменты, которые расширят модели, чтобы обеспечить широкий спектр агентов и приложений, добавляя контекст, поведение и память, необходимые им.
Специализированные модели (Краткий обзор)
Основой любого интеллектуального приложения является модель. Модели общего назначения предлагают гибкость, но когда они применяются к специализированным областям, они значительно выигрывают от тонкой настройки и адаптации. OpenLedger улучшает этот процесс через специализированный поток:
-> Datanets, которые являются кураторскими, совместными и атрибутируемыми репозиториями данных, построенными сообществом.
-> Фабрика моделей, которая упрощает тонкую настройку с помощью безкодовых рабочих процессов.
-> OpenLoRA, который предлагает экономически эффективные адаптеры, которые могут меняться в реальном времени, делая вывод легковесным и составным.
Эти компоненты были широко обсуждены в предыдущих постах. Они служат основой. И с правильными расширениями они позволяют создавать надежных, интеллектуальных агентов.
Протокол контекста модели (MCP)
Чтобы модель могла открыть файл, прочитать базу данных или вызвать инструмент, ей нужен доступ к внешнему состоянию и контексту. Чтобы предоставить моделям эту возможность, OpenLedger вводит Протокол контекста модели (MCP).
MCP определяет структуру для доставки контекста модели и получения структурированных ответов, которые могут быть выполнены. Он состоит из трех частей: клиента, который предоставляет данные, сервера, который обрабатывает вызовы инструментов, и маршрутизатора, который управляет потоком между ними.
На практике MCP уже была принята в системах, таких как Cursor, где агент может читать локальные файлы, редактировать кодовые базы и выполнять задачи с инструментами внутри среды разработки. Инструменты, такие как 21.dev, действуют как клиенты MCP, которые можно добавить в Cursor для создания динамических, реальных интерфейсов. Используя 21.dev, агенты получают возможность работать с живыми компонентами пользовательского интерфейса, генерируя выходные данные, которые отражают текущее состояние с визуально насыщенным слоем.
Будущее видение для MCP с OpenLedger
OpenLedger видит MCP как развивающийся реестр в блокчейне. Каждый инструмент MCP может быть зарегистрирован, версионирован и атрибутирован. Инструменты становятся составными компонентами, которые может вызывать любой агент, с учетом использования, записанным и вознагражденным в блокчейне. Это позволяет разработчикам публиковать считыватели файлов, рендереры или API-клиенты и вызывать их любым агентом на базе OpenLedger с полной атрибуцией и отслеживаемостью.
Генерация с увеличением извлечения
Некоторые знания слишком велики, слишком детализированы или слишком часто обновляются, чтобы быть встроенными непосредственно в веса модели. Однако они являются основополагающими для рассуждений. Генерация с увеличением извлечения (RAG) расширяет возможности модели, вводя память, специфичную для запросов, в реальном времени.
RAG отделяет хранение от вывода. Документы встраиваются в векторы, индексируются семантически и извлекаются во время выполнения на основе запроса пользователя. Извлеченное содержимое затем вводится в окно подсказки, обосновывая ответ модели.
Этот метод особенно актуален для агентов, специализированных на определенной области. Агент, обученный понимать определенную область, может получать доступ к блогам, документации, предложениям и обсуждениям сообщества. Вместо того чтобы запоминать весь этот контент, он запрашивает систему RAG, построенную на основе доверенных источников. Ответ точный, актуальный и основан на реальных фактах. Эта структура позволяет агентам избегать галлюцинаций, одновременно позволяя им искать, извлекать и рассуждать о динамическом контенте.
Будущее видение для RAG с OpenLedger
OpenLedger расширяет RAG в коллаборативный и атрибутируемый слой. Как и с наборами данных и моделями, каждый документ, хранящийся в индексе RAG, атрибутирован его вкладчику. Когда документ извлекается, это использование записывается. Это трансформирует RAG из системы памяти в механизм стимулов.
В будущем участники смогут регистрировать документы в блокчейне как часть распределенной графа знаний. Каждое событие извлечения будет вызывать микроатрибуции, создавая прозрачный поток кредитов и экономической ценности, связанной с информационным влиянием.
Агент на базе OpenLedger, обученный на контенте, специфичном для платформы, таком как блоги, документация, предложения по управлению и разговоры пользователей, не будет нуждаться в запоминании всего контекста. Он может запрашивать децентрализованную систему RAG, построенную на основе проверенных источников сообщества. Каждый извлеченный фрагмент связывает обратно к своему автору, позволяя распределять вознаграждения даже в момент вывода.
С инфраструктурой OpenLedger RAG становится системой для проверяемого, стимулируемого рассуждения. Каждый абзац, цитата или точка данных могут быть отслежены, повторно использованы и монетизированы способами, которые отражают истинное влияние в экосистеме агентов.
Подсказки как логика поведения
Последний слой интеллектуального агента — это его поведение. Это не закодировано в весах или данных. Оно определяется через подсказки.
Подсказка структурирует взаимодействие. Она говорит модели, как думать, как форматировать свой вывод и какие ограничения соблюдать. Она действует как логический уровень, который управляет тем, как интерпретируются входные данные и как вызываются инструменты. В сложных агентах дизайн подсказок не является однократной инструкцией. Это может включать цепочки структурированных шаблонов, динамических контекстных полей и инструкций по планированию.
Инженерия подсказок позволяет разработчикам определять поведение агента, не изменяя саму модель. С правильным дизайном агенты становятся детерминированными в своих логических шагах. Их выходы остаются последовательными, использование инструментов ограничено, а ответы отражают как данный контекст, так и предполагаемую цель.
Будущее видение для подсказок с OpenLedger
OpenLedger рассматривает подсказки как программируемые активы. В будущем это может привести к стандарту смарт-контрактов для подсказок, позволяя их развертывать, версионировать и ссылаться на них напрямую в блокчейне. Подсказки станут основными строительными блоками в разработке агентов, с атрибуцией и переиспользованием, встроенными в их дизайн.
Реестр подсказок на OpenLedger позволит разработчикам создавать и публиковать многоразовые шаблоны, связанные с конкретными задачами, инструментами или моделями. Эти шаблоны могут быть связаны с агентами, обновляться с течением времени и монетизироваться на основе использования.
Каждая подсказка, используемая агентом, может быть отслежена обратно к своему автору. Атрибуция будет обеспечена на уровне инфраструктуры, что позволит обеспечить справедливые вознаграждения, прозрачную координацию и межагентную совместимость на уровне поведения. Подсказки больше не будут статическими строками, а динамическими, проверяемыми компонентами интеллектуальных систем.
Кейс: Создание торгового агента, обученного сообществом на OpenLedger
Вот как можно построить реального торгового агента с использованием OpenLedger. Он начинается с данных, строит модель, добавляет живые инструменты и становится рабочим приложением.
Шаг 1: Сбор данных сообщества
Процесс начинается с Datanet. Datanet — это платформа для совместной работы с данными сообщества. Трейдеры из Discord, Twitter и других сообществ вносят торговые стратегии, аннотации графиков, анализ токенов и торговые решения. Владельцы Datanet проверяют и подтверждают каждую подачу. После одобрения данные добавляются в Datanet и становятся частью растущего набора инструкций. Каждый участник записывается в блокчейне.
Шаг 2: Обучить специализированную модель
Используя проверенные данные из Datanet, модель настраивается для понимания торговых паттернов, того, как думают трейдеры, и как принимаются решения. Модель разворачивается с использованием OpenLoRA. Это позволяет сохранять модель легковесной, дешевле в эксплуатации и легко обновляемой.
Шаг 3: Добавить контекст в реальном времени с MCP
Агенту нужны живые рыночные данные для принятия решений. Через Протокол контекста модели (MCP) он подключается к:
-> CoinMarketCap для цен токенов
-> Binance и Coinbase для сделок в реальном времени
-> Kaito для трендовых идей в Twitter
-> Uniswap или PancakeSwap для ликвидности в блокчейне
Каждый раз, когда используется инструмент, атрибуция записывается в блокчейне.
Шаг 4: Использовать RAG для рыночной памяти
Агенту также нужен исторический контекст. Используя генерацию с увеличением извлечения (RAG), он извлекает информацию, такую как:
-> Белые книги токенов
-> Предложения DAO
-> Решения по управлению
-> Графики эмиссии
-> Записи прошлых взломов или крупных событий
Это дает агенту полное фоновое знание о токенах, которые он анализирует.
Шаг 5: Определить правила агента как подсказки
Подсказки говорят агенту, как комбинировать все данные и принимать решения. Агент проверяет цены, ликвидность, настроение и историю токенов.
-> Если настроение высокое, но управление слабое или есть прошлые проблемы, это сигнализирует о высоком риске.
-> Если волатильность высокая и настроение неясное, он ждет.
-> Если фундаментальные показатели и настроение сильные, это может свидетельствовать о возможном входе.
Подсказки версионированы, многократно используемы и полностью атрибутированы.
Шаг 6: Атрибутируйте все в блокчейне
Каждый набор данных, инструмент, подсказка и документ, используемые агентом, записываются в OpenLedger. Участники автоматически получают кредит, когда их работа способствует принятию решения агентом.
Результат
Данные сообщества становятся полностью функционирующим торговым агентом. Он читает живые рынки, понимает историю токенов, применяет рассуждения и принимает четкие решения. Все, что он делает, прозрачно, отслеживаемо и вознаграждает каждого участника. Вот как агенты строятся на OpenLedger.
