MuleRun membangun Agen AI on-chain yang "dapat melihat dan menghitung": data berkualitas tinggi terintegrasi + inferensi biaya rendah, merevolusi efisiensi transaksi

BlockBeats berita, 21 April, proyek AI pribadi yang berevolusi sendiri pertama di dunia MuleRun (骡子快跑) Chief Technology Officer Shu Junliang berbagi dalam acara offline bertema “Membaca Ulang Web 4.0: Ketika Agen AI Mengambil Alih Hak Akses di Rantai” bahwa dalam hal kemampuan memperoleh informasi, metode pengambilan data tradisional yang bergantung pada mesin pencari atau API gratis sulit memenuhi kebutuhan presisi tinggi, terutama dalam skenario perdagangan keuangan, seperti antarmuka data pasar gratis yang mengalami penundaan dan kehilangan data, sehingga tidak dapat mendukung pengambilan keputusan frekuensi tinggi atau profesional.

Oleh karena itu, MuleRun melalui integrasi awal sumber data berkualitas tinggi dan antarmuka alat profesional, menurunkan hambatan akses pengguna, tanpa perlu membeli atau mengonfigurasi API sendiri, dapat memanggil sistem data yang mencakup data di atas rantai, data pasar saham AS, dan kemampuan analisis multidimensi.

Selain itu, platform memperkenalkan berbagai “Keterampilan Strategi (Skills)”, termasuk evaluasi strategi perdagangan, simulasi debat multi-peran, serta pengujian kuantitatif dan lain-lain. Di mana, tugas pengujian dilakukan melalui server eksternal, mengatasi masalah kekurangan daya komputasi di lingkungan lokal dan cloud umum, meningkatkan pengalaman pengguna kuantitatif secara nyata. Selain itu, MuleRun juga memperluas sumber data yang beragam, misalnya mengakses data produk e-commerce lintas negara, untuk meningkatkan kemampuan Agen dalam memperoleh informasi di berbagai skenario bisnis.

Di tingkat “Pengambilan Keputusan Cerdas”, Shu Junliang menekankan bahwa inti dari Agen adalah kemampuan menangani tugas kompleks, termasuk analisis data multi-siklus, perhitungan indikator, dan pelaksanaan strategi. Pada saat yang sama, pengendalian biaya menjadi salah satu indikator kunci. Saat ini, sistem AI secara umum menghadapi masalah konsumsi Token yang tinggi, yang langsung mempengaruhi biaya penggunaan pengguna. Untuk itu, MuleRun melakukan optimisasi sistematis terhadap penggunaan Token di tingkat rekayasa, secara signifikan menurunkan biaya sambil memastikan kualitas penyelesaian tugas, meningkatkan efisiensi pelaksanaan tugas di bawah anggaran satuan.

Shu Junliang menyatakan bahwa kualitas data dan efisiensi model akan secara langsung menentukan kinerja tugas AI Agent, dan ke depan platform akan terus mencari keseimbangan antara akses data berkualitas tinggi dan perhitungan cerdas berbiaya rendah, guna mendukung skenario aplikasi di atas rantai yang lebih kompleks.