網絡4.0：主動性網絡

人工智慧和區塊鏈技術代表了重塑我們世界的兩股變革力量。人工智慧通過機器學習和神經網路增強人類的認知能力，而區塊鏈技術引入了可驗證的數位稀缺性，並實現了新形式的無信任協調。隨著這些技術的融合，它們正在為互聯網的新反覆運算奠定基礎，在這個反覆運算中，自主代理與去中心化系統進行交互。這個「代理網路」引入了一類新的數位公民：可以獨立導航、協商和交易的人工智慧代理。這種轉變重新分配了數位領域的權力，使個人能夠收回對其數據的主權，同時培育一個人類和人工智慧以前所未有的方式協作的生態系統。

網絡的演變為了了解我們的前進方向，讓我們首先追溯網絡的演變，每個演變都有明確的功能和架構範式。

雖然網絡的前兩代集中於信息的傳播，但後兩代則實現了信息的增強。Web 3.0 通過代幣引入了數據所有權，而現在的 Web 4.0 通過大型語言模型（LLM）賦予了智能能力。

從LLM到代理：自然演化LLM代表機器智能的一個飛躍，它們作為動態、模式匹配系統，通過概率計算將廣泛的知識轉化為情境理解。然而，當它們以代理人的形式結構化時，它們的真正潛力就會浮現出來，從純信息處理器進化為能夠感知、推理和行動的目標導向實體。這種轉變創造了出現智能，能夠通過語言和行動實現持續且有意義的合作。

"代理人"一詞引入了人工智慧與人類互動的新範式，超越了傳統聊天機器人的局限和負面聯想。這種轉變不僅僅是語義上的；它代表了一種基本的重新構想，即AI系統如何可以在自主運作的同時與人類進行有意義的合作。從根本上說，代理工作流程使市場能夠形成以解決特定用戶意圖為中心的環境。

最終，代理網絡代表的不僅僅是一個新的智能層次 - 它從根本上改變了我們與數字系統的互動方式。傳統的網絡版本依賴於靜態接口和預定義的用戶旅程，而代理網絡引入了一個動態運行時基礎設施，在其中計算和接口根據用戶的上下文和意圖實時適應。

傳統網站是當今互聯網的基本單位，通過固定界面提供用戶閱讀、撰寫和與信息進行交互的功能，並通過預先確定的路徑。這種模式雖然功能強大，但限制了用戶只能使用為一般用例而設計的界面，而不是滿足個人需求的界面。通過上下文感知計算、自適應界面生成、預測性操作流程以及實時信息檢索中的RAG和其他創新技術，Agentic Web擺脫了這些限制。

考慮一下抖音是如何通過創建高度個性化的供稿來革新內容消費的，這些供稿可以實時適應用戶偏好。代理網擴展了這個概念，不僅僅是內容推薦，還包括整個界面生成。用戶不再通過固定的網頁佈局進行導航，而是與動態生成的界面互動，這些界面可以預測並促進他們的下一步操作。從靜態網站到動態、代理驅動的界面的轉變代表了我們與數字系統互動方式的根本變革——從基於導航到基於意圖的交互模型。

代理人的解剖學

Agent-based architectures have been a major area of exploration for researchers and builders alike. New methods are constantly being developed to enhance their reasoning and problem-solving capabilities. Techniques like Chain-of-Thought (CoT), Tree-of-Thought (ToT), and Graph-of-Thought (GoT) are prime examples of innovations designed to improve how LLMs handle complex tasks by simulating more nuanced, human-like cognitive processes.

Chain-of-Thought (CoT)提示鼓勵大型語言模型(LLMs)將複雜任務分解為更小、可管理的步驟。這種方法對於需要邏輯推理的問題特別有效，例如撰寫簡短的Python腳本或解決數學方程式。

Tree-of-Thoughts (ToT) 在 CoT 的基础上引入了一种树状结构，允许探索多个独立的思维路径。这种增强功能使得 LLM 能够处理更复杂的任务。在 ToT 中，每个“思维”（LLM 的文本输出）仅与其前一个或后一个思维直接连接在一起，形成一个本地链（树枝）。尽管这种结构比 CoT 更灵活，但它仍然限制了思想交叉授粉的潜力。

思維圖（GoT）通過將經典數據結構與LLMs融合將這一概念推向更遠。這種方法通過允許任何“想法”與圖結構中的任何其他想法鏈接來擴展ToT。這種相互連接的思維網絡更貼近人類認知過程。

在大多數情況下，GoT的圖形結構可能提供比CoT或ToT更準確的人類思維表示。雖然在某些情況下，我們的思維模式可能類似於鏈條或樹狀結構（例如在制定應急計劃或標準作業程序時），但這些是例外而不是常態。這個模型更貼近人類思維，通常跳躍於各種思想而不是遵循嚴格的順序。雖然某些情境（如制定應急計劃或標準程序）可能仍遵循鏈條或樹狀結構，但我們的大腦通常創造出複雜而相互連接的思想網絡，更符合圖形結構。

在《权力的游戏》中，这种类似图的方法使得对想法进行更动态和灵活的探索成为可能，从而潜在地带来更具创造力和综合性的问题解决能力在LLMs中。

這些基於遞歸圖的操作只是邁向機構化工作流程的一步。明顯的下一個發展是多個擁有自己專長的代理人被組織起來實現特定目標。代理人的美在於他們的組合。

代理讓您通過多代理協調將LLM模塊化和並行化。

多代理系統多智能體系統的概念並不新鮮。它的根源可以追溯到馬文·明斯基的《心智社會》中，該書提出多個模塊化的智慧共同合作可以超越單一的整體思維。ChatGPT和Claude是單一智能體。Mistral推廣了專家混合的概念。更進一步擴展這一思想，我們相信智能體網絡架構將成為智能拓撲結構的最終形式。

從仿生學的角度來看，與人工智能模型不同，人腦（本質上是一個有意識的機器）在器官和細胞水平上非常異質化。神經元通過複雜的信號進行通信，涉及神經傳遞物質梯度、細胞內級聯和各種調控系統，使其功能比簡單的二進制狀態更加細緻。

這表明，在生物學中，智能不僅僅源於組件的數量或訓練數據集的大小。相反，它源於多樣化、專業化單元之間的復雜相互作用 - 一個固有的類比過程。

基於這個原因，開發數百萬個較小的模型而不是僅僅幾個大模型的概念，並在所有這些參與者之間實現協調，更有可能導致認知架構的創新，類似於多代理系統。

多代理系統設計相對於單一代理系統具有幾個優勢：它更易於維護、更易於理解，並且更靈活擴展。即使只有單一代理介面是必要的情況下，將其實現在多代理框架內可以使系統更加模塊化，簡化開發人員根據需要添加或刪除組件的過程。需要認識到多代理架構可以是構建單一代理系統的一種高效方式。

儘管大型語言模型（LLMs）展現了非凡的能力，如生成類似人類的文本、解決複雜問題和處理各種任務，但單個LLM代理面臨限制，可能會影響它們在現實應用中的效果。

以下，我們將探討與代理系統相關的五個主要挑戰，並探討多代理協作如何克服這些障礙，從而發揮LLMs的全部潛力。

• 通過交叉驗證克服幻覺個人LLM代理商經常出現幻覺，產生不正確或荒謬的信息。盡管經過了廣泛的培訓，這種情況仍然會發生，因為輸出可能看似合理，但缺乏事實準確性。多代理系統允許代理商交叉驗證信息，降低錯誤風險。通過專門從事不同領域，代理商確保更可靠和準確的回應。- 通過分散處理擴展上下文窗口LLM的上下文窗口有限，使得管理長文檔或對話變得困難。在多代理框架中，代理可以分擔處理負載，每個代理處理一部分上下文。通過代理間的通信，它們可以在整個文本中保持連貫性，有效地擴展上下文窗口。- 通過平行處理提高效率個別的LLM通常一次處理一個任務，導致反應時間較慢。多智能體系統支持平行處理，允許多個智能體同時處理不同的任務。這提高了效率，加快了反應時間，使企業能夠在沒有延遲的情況下處理多個查詢。- 促進協作解決複雜問題單靠LLM無法解決需要多樣專業知識的複雜問題。多智能體系統促進協作，每個智能體貢獻獨特技能和觀點。通過共同合作，智能體可以更有效地應對複雜挑戰，提供更全面和創新的解決方案。- 通過資源優化提高可訪問性高級LLM需要大量計算資源，使其昂貴且不易訪問。多代理框架通過在代理之間分配任務來優化資源使用，降低整體計算成本。這使得AI技術更負擔得起並且更易於被更廣泛的組織所接觸。雖然多智慧體系統在分散式問題解決和資源優化方面提供了引人注目的優勢，但當我們考慮它們在網路邊緣的實施時，它們的真正潛力就會顯現出來。隨著人工智慧的不斷發展，多智慧體架構與邊緣計算的融合創造了強大的協同作用——不僅實現了協作智慧，還實現了跨無數設備的當地語系化、高效處理。這種分散式 AI 部署方法自然擴展了多智慧體系統的優勢，使專門的協作智慧更接近最需要的地方：最終使用者。

邊緣智能人工智慧在數位領域的擴散正在推動計算架構的根本重組。隨著智慧融入我們日常數位交互的結構中，我們正在目睹計算的自然分叉：專門的數據中心處理複雜的推理和特定於域的任務，而邊緣設備在本地處理個人化的上下文敏感查詢。這種向邊緣推理的轉變不僅僅是一種架構偏好，而是由多種關鍵因素驅動的必要性。

首先，基於人工智慧的互動量本身就會壓倒集中式推理提供者，造成無法持續的頻寬需求和延遲問題。

其次，邊緣處理可實現對自動駕駛汽車、增強現實和物聯網設備等應用至關重要的實時回應能力。

第三，本地推理通過將敏感數據保存在個人設備上來保護用戶隱私。第四，邊緣計算通過最小化跨網絡的數據移動，大大減少能源消耗和碳足跡。

最後，邊緣推論使離線功能和韌性成為可能，即使網絡連接受到損害，也能確保AI能力持續存在。

這種分散的智能範式不僅代表了我們當前系統的優化，而且還代表了我們在日益連接的世界中部署和與人工智能互動的基本重塑。

此外，我們正在目睹LLM的計算需求出現根本性轉變。過去十年一直被訓練大型語言模型的巨大計算需求所主導，而現在我們正進入一個推理時間計算處於中心舞台的時代。這一轉變在主動式人工智慧系統的出現中特別明顯，正如OpenAI的Q*突破所示，它展示了動態推理需要大量的實時計算資源。

與訓練時計算不同，後設計算代表著自主代理人進行推理、規劃和適應新情況所需的持續計算對話。從靜態模型訓練轉變為動態代理人推理，需要對我們的計算基礎設施進行根本性重新思考，邊緣計算不僅變得有利，而且變得必不可少。

隨著這個轉型的展開，我們目睹了點對點邊緣推理市場的出現，從智能手機到智能家居系統的數十億連接設備形成了動態的計算網格。這些設備可以無縫地交易推理能力，創造一個有機的市場，計算資源可以流向最需要的地方。閒置設備的多餘計算能力成為一種有價值的資源，可以實時交易，從而實現比傳統集中式系統更高效和更具彈性的基礎設施。

推動推論計算的民主化不僅優化了資源利用，也在數字生態系統中創造了新的經濟機會，每個連接的設備都成為潛在的微型 AI 能力提供者。因此，AI 的未來不僅取決於單個模型的能力，而是由互連的邊緣設備形成的集體智慧所特徵化，形成一個全球化、民主化的推論市場，類似於基於供求的可驗證推論的現貨市場。

代理人中心互動LLM現在允許我們通過對話訪問大量資訊，而不是傳統的流覽。這種對話方式將很快變得更加個人化和當地語系化，因為互聯網將轉變為人工智慧代理而不是人類用戶的平臺。

從用戶的角度來看，焦點將從識別「最佳模型」轉移到獲得最個人化的答案。獲得更好答案的關鍵在於將用戶自己的數據與一般的互聯網知識相結合。最初，較大的上下文窗口和檢索增強生成（RAG）將有助於整合個人數據，但最終，個人數據將超越一般的互聯網數據的重要性。

這將帶來一個未來，在這個未來，我們每個人都有個人的 AI 模型與更廣泛的互聯網專家模型互動。最初，個性化將與遠程模型同時進行，但對隱私和響應速度的擔憂將推動更多互動轉移到本地設備。這將創造一個新的界限——不是人與機器之間，而是我們個人模型和互聯網專家模型之間。

傳統的互聯網數據訪問模式將變得過時。相反，您的本地模型將與遠程專家模型通信，收集信息，並以最個性化、高頻寬的方式將其處理並呈現給您。隨著它們越來越多地了解您的偏好和習慣，這些個人模型將變得越來越不可或缺。

互聯網將轉變為一個由相互連接的模型組成的生態系統：本地化、高上下文的個人模型和遠程、高知識的專家模型。這將涉及到新技術，如聯邦學習，以便在這些模型之間更新信息。隨著機器經濟的發展，我們將不得不重新想像計算子狀態，主要是在計算、可擴展性和支付方面。這導致了一個以代理為中心、主權、高度可組合、自我學習和不斷發展的信息空間的重新組織。

代理協議的架構在Agentic Web中，人-代理互動演變為一個複雜的代理對代理通信網絡。這種架構呈現了對互聯網結構的基本重新想像，其中主權代理成為數字互動的主要接口。在下面，我們將突顯Agentic Protocols所需的核心基元。

主權身份

• 數字身份從傳統的IP地址過渡到由主動角色擁有的加密公鑰對- 基於區塊鏈的命名空間系統取代了傳統的DNS，消除了中央控制點- 聲譽系統追蹤代理可靠性和能力指標- 零知識證明能夠實現隱私保護的身份驗證- 身份可組合性允許代理人管理多個上下文和角色自主代理

能夠自主理解自然語言並解析意圖的實體

多步規劃和任務分解

資源管理和優化

從互動和反饋中學習

• 在明確的參數內自主作決定- 代理專業化和特定能力的市場- 內建安全機制和對齊協議數據基礎設施

• 實時數據輸入和處理能力- 分散式數據驗證和驗證機制結合混合系統：zkTLS

傳統訓練數據集

實時網絡爬蟲和數據綜合

• 協作學習網絡RLHF（來自人類反饋的增強學習）網絡分佈式反饋收集

品質加權共識機制

• 動態模型調整協議計算層

可驗證的推論協議，確保：計算完整性

結果可重現性

資源效率

• 分散式計算基礎設施，具有：點對點計算市場

計算系統的證明

動態資源分配

• 邊緣運算整合模型生態系統

分層模型架構：任務特定的SLM（小型語言模型）

通用LLM

專業的多模型

• 多模式LAMs（大型動作模型）- 模型組成和編排- 持續的學習和適應能力- 標準化的模型接口和協議協調框架

• 用於安全代理交互的加密協議- 數字資產權管理系統- 經濟激勵結構用於爭議解決的治理機制

資源分配

• 協議更新並行執行環境使能：同時執行任務處理

資源隔離

狀態管理

• 衝突解決Agentic Markets

• 身份的鏈上原始碼（Gnosis、Squad 多重簽名）- 中介經濟與貿易代理商擁有的流動性代理商在創世時擁有部分代幣供應

• 通過流動性支付的聚合推理市場- 控制離線帳戶的鏈上密鑰代理成為產生收益的資產Agentic DAOs

• 治理與紅利## 為智慧創建一個超結構現代分散式系統設計提供了獨特的靈感和原始操作，以啟用一種代理協議，具體來說是事件驅動架構，更直接地說，是計算的Actor模型。

Actor模型為實現智能系統提供了一個優雅的理論基礎。這種計算模型將“actors”作為計算的基本元素，每個actor可以：

• 處理訊息- 做出本地決策- 創建更多的角色- 發送消息給其他演員- 確定如何回應收到的下一則消息Actor模型在代理系統中的主要優勢包括：

• Isolation: 每個參與者都獨立運作，保持自己的狀態和控制流程- 非同步通訊：演員之間的訊息是非阻塞的，可以實現高效的並行處理- 位置透明性：演員可以在網絡中進行通信，而不受其物理位置的限制- 容錯能力：通過角色隔離和監督層級維護系統的韌性- 可擴展性：對分散式系統和並行計算的自然支持我們提出了Neuron，透過多層分佈式架構，結合區塊鏈命名空間、聯邦網絡、CRDT和DHT，在協議棧中的每一層都具有不同的目的，從而實現這一理論上的代理協議的實際實現。我們受到Urbit和Holochain的啟發，他們是P2P OS設計的早期先驅。

在神经元中，区块链层提供可验证的命名空间和身份，实现确定性寻址和代理的发现，同时保持能力和声誉的密码学证明。在此之上，DHT层实现了高效的代理和节点发现，以及内容路由，具有O(log n)的查询时间，减少了链上操作，同时实现了地理感知的对等体发现。联邦节点之间的状态同步通过CRDTs处理，允许代理和节点维护一致的共享状态视图，而无需为每个交互都需要全球共识。

這種架構自然地映射到一個聯邦網絡，自治代理以本地邊緣推論實現Actor模型模式，作為主權節點存在於設備上。聯邦域可以按照代理能力進行組織，DHT在域內和域間提供高效的路由和發現。每個代理都像獨立的演員一樣具有自己的狀態，而CRDT層確保聯邦內的最終一致性。這種多層次的方法實現了幾個關鍵能力:

去中心化協調

• 具有可驗證身份和主權全球命名空間的區塊鏈- 用於高效的對等和節點發現和內容路由的DHT O(log n)查找- 用於並發狀態同步和多智能體協調的CRDTs可擴展的運營

• 基於區域的聯邦拓撲- 分層存儲策略（熱/暖/冷）- 區域感知的請求路由- 基於能力的負載分佈系統韌性

• 沒有單一故障點- 分區期間繼續運營- 自動狀態對帳- 容錯容忍的監督層次結構該實施方法為構建複雜的代理系統提供了堅固的基礎，同時保持了主權、可擴展性和抗干擾性的關鍵特性，這些特性對於有效的代理對代理互動至關重要。

結論Agentic Web標誌著人機交互的重大演進，超越了先前時代的連續發展，建立了一種根本上新的數字存在範式。不同於先前的版本僅僅改變了我們消費或擁有信息的方式，Agentic Web將互聯網從以人為中心的平台轉變為自主代理人成為主要角色的智能基底。這種轉變是由邊緣計算、大型語言模型和去中心化協議的融合所推動，創造了一個生態系統，個人AI模型可以無縫地與專業專家系統進行接口交互。

隨著我們朝著這個以代理為中心的未來邁進，人與機器智能之間的界線開始模糊，被一種共生關係所取代，在這種關係中，個性化的人工智能代理作為我們的數字延伸，理解我們的上下文，預測我們的需求，並自主地穿梭於分散智慧的廣闊領域。因此，代理式網絡不僅代表著技術上的進步，而且代表著對數位時代人類潛力的根本重新想像，其中每一次互動都成為增強智能的機會，每個設備都成為協作人工智能系統全球網絡中的一個節點。

正如人類航行於時空的物理維度一樣，自主代理者居住在自己的基本維度中：存在的區塊空間和思維的推理時間。這種數字本體複製了我們的物理現實——在那裡人類穿越距離並體驗時間流逝，代理者通過加密證明和計算週期移動，創造了一個算法存在的平行宇宙。

潛在空間中的實體不可避免地將在分散的區塊空間上運行。

免責聲明：- 本文轉載自[Azi.eth.sol | zo.me]. 所有版權屬於原作者 [@MagicofAzi]. 如果有對此轉載的異議，請聯繫[Gate Learn](https://www.Gate.com/questionnaire/3967團隊，他們會及時處理。- 責任聲明：本文所表達的觀點和意見僅代表作者個人觀點，並不構成任何投資建議。- 文章的翻譯由 Gate Learn 團隊進行。除非特別註明，否則禁止複製、分發或抄襲翻譯的文章。