MuleRun створює «здатного дивитись і рахувати» ланцюгового AI-агента: вбудовані високоякісні дані + недорогий висновок, переформатування ефективності транзакцій

BlockBeats повідомляє, 21 квітня, головний технічний директор MuleRun (МулРан)束骏亮 на офлайн-зустрічі на тему «Розшифровка Web 4.0: коли AI-агенти беруть під контроль дозволи в мережі» повідомив, що у сфері здобуття інформації традиційні методи, що покладаються на пошукові системи або безкоштовні API, важко задовольнити потреби високої точності, особливо у фінансових торгівельних сценаріях, де безкоштовні інтерфейси цінових даних мають затримки та відсутність даних, що ускладнює високочастотні або професійні рішення.

З цією метою MuleRun через попередню інтеграцію високоякісних джерел даних та інтерфейсів професійних інструментів знижує поріг входу для користувачів, дозволяючи без необхідності самостійного закупівлі або налаштування API використовувати систему даних, що охоплює дані з блокчейну, дані американського фондового ринку та багатовимірний аналіз.

Одночасно платформа вводить різноманітні «навички стратегій (Skills)», включаючи оцінку торгових стратегій, симуляцію дебатів з кількома ролями та квантове тестування. Задачі тестування виконуються на зовнішніх серверах, що вирішує проблему недостатньої обчислювальної потужності локально та у загальних хмарних середовищах, покращуючи реальний досвід квантових користувачів. Крім того, MuleRun розширює джерела даних, наприклад, підключаючи дані товарів для міжнародної електронної комерції, щоб підсилити здатність агентів отримувати інформацію в різних бізнес-сценаріях.

На рівні «інтелектуального прийняття рішень»束骏亮 підкреслив, що ядро агента полягає у здатності обробляти складні завдання, включаючи багатоперіодний аналіз даних, обчислення індикаторів та виконання стратегій. Одночасно, контроль витрат стає одним із ключових показників. Зараз системи штучного інтелекту зазнають високого споживання токенів, що безпосередньо впливає на вартість для користувачів. У відповідь MuleRun системно оптимізує використання токенів на інженерному рівні, суттєво знижуючи витрати при збереженні якості виконання завдань та підвищуючи ефективність виконання завдань за один бюджет.

束骏亮 зазначив, що якість даних та ефективність моделей безпосередньо визначають результати роботи AI-агента, і в майбутньому платформа продовжить балансувати між високоякісним доступом до даних та низькою вартістю інтелектуальних обчислень, щоб підтримувати більш складні застосування у блокчейні.