DeFAI工具彙總：如何用AI Agent驅動鏈上資產管理

Go2Mars的Web3研究

特邀专栏作者

2026-04-07 05:54

本文約7843字，閱讀全文需要約12分鐘

對於有能力同時駕馭 Web3 與 AI 兩個維度的團隊而言，當前正是介入的窗口期——無論是在執行層構建更可靠的鏈上 Agent 系統，還是在基礎設施層打通數據、權限與信任的關鍵環節，都存在相當大的空白地帶有待填補。

AI總結

展開

核心觀點：DeFAI（去中心化金融與人工智慧融合）賽道正處於從概念驗證向產品化過渡的關鍵窗口期，技術可行性已初步驗證，但面臨安全、信任和規模化等系統性挑戰，為具備Web3與AI複合能力的團隊提供了填補基礎設施與執行層空白的機遇。
關鍵要素：
1. DeFAI旨在構建可自主運轉的鏈上金融執行層，其演進經歷了從資訊交互型到執行閉環型兩個階段，後者已能通過鏈下計算、鏈上執行的方式實際管理資產。
2. 當前落地應用聚焦四大場景：跨協議自動收益優化、量化策略自動化、自然語言指令執行以及風險管理與清算監控，旨在提升效率、降低門檻並加強風控。
3. 安全是核心挑戰，行業採用MPC（多方計算）或TEE（可信執行環境）管理私鑰，並疊加權限控制機制（如Almanak的Zodiac Roles Modifier）以防止Agent越權操作。
4. 麥肯錫2025年報告顯示，AI Agent在通用企業場景中規模化部署不足10%，DeFAI賽道敘事熱度領先於實際落地進度，多數專案本質仍是自動化工具而非自主Agent。
5. 未來趨勢包括：AI Agent更可能在監控預警等低風險場景獲機構信任，以及與RWA（真實世界資產）融合以管理更大規模的鏈上鏈下資產組合。

在正式展開分析之前，有必要先釐清一個核心概念：DeFAI。

DeFAI 是 DeFi（去中心化金融）與 AI（人工智慧）的融合縮寫，指的是將 AI Agent 引入鏈上金融場景，使其具備感知市場狀態、自主制定策略並直接執行鏈上操作的能力——從而在不依賴人工即時干預的前提下，完成資產配置、風險管理、協議交互等一系列傳統上需要專業人員操作的金融行為。

簡言之，DeFAI 並非 DeFi 工具的簡單 AI 化升級，而是試圖在鏈上構建一套可自主運轉的金融執行層。

這一賽道自 2024 年 Q4 起迅速升溫，其背後有三個標誌性事件值得關注，它們分別對應 AI Agent 進入 Web3 的三個層次：敘事破圈、資產化基礎設施搭建，以及執行能力的真實落地。

第一個事件發生在 2024 年 7 月。開發者 Andy Ayrey 構建的 Twitter 機器人 Truth Terminal，在獲得 a16z 聯合創始人 Marc Andreessen 5 萬美元 BTC 贈予後迅速出圈，並引發了 GOAT 幣的病毒式傳播。這是 AI Agent 作為鏈上經濟參與者首次真正意義上進入公眾視野。
第二個事件發生在同一年 10 月。Virtuals Protocol 在 Base 網路上爆火，將 AI Agent 本身代幣化，其生態市值最高突破 350 億美元，成為 DeFAI 賽道資產化基礎設施搭建階段的典型代表。
第三個事件，是 Giza、HeyAnon、Almanak 等項目相繼在鏈上執行層落地，推動行業從敘事驅動轉向產品化階段——AI Agent 開始真正「動手」執行鏈上操作，而不只是停留在資訊交互層面。

從全球市場規模來看，多家研究機構對 AI Agent 賽道的增長預期高度一致：

圖表 1：全球 AI Agent 市場規模預測對比

數據來源：MarketsandMarkets（2025）、Grand View Research（2025）、BCC Research（2026.01）

然而，資本熱度與產業落地之間仍存在顯著落差。據麥肯錫 2025 年 11 月發布的《The State of AI in 2025》報告（基於 105 個國家 1993 名受訪者），儘管 88% 的組織已在至少一個業務職能中使用 AI，但近三分之二仍停留在實驗或試點階段。具體到 AI Agent 領域：62% 的組織開始實驗，23% 在至少一個職能中推進規模化，但在任何單一職能中實現規模化部署的比例均不足 10%。

這一數據提示我們：DeFAI 賽道的敘事熱度，目前仍領先於實際落地進度。理解這一差距，是客觀評估這一賽道價值的前提。

DeFAI 的技術底座：AI Agent 如何與鏈上世界交互

要理解 DeFAI 如何運轉，首先需要回答一個關鍵問題：AI 是通過什麼機制介入鏈上金融操作的？

DeFAI 系統的核心執行單元，是基於大語言模型構建的 AI Agent。根據 Wang et al.（2023）的學術綜述，其核心能力可歸納為三層架構，而每一層在鏈上場景中都有其對應的具體職能：

規劃層，負責目標拆解與路徑優化，對應鏈上場景中的策略生成與風險評估；
記憶層，通過向量資料庫等外部存儲實現跨週期資訊積累，承載歷史市場數據與協議狀態；
工具層，擴展模型能力，使其能夠調用 DeFi 協議、價格預言機和跨鏈橋接等外部系統。

但這裡有一點需要明確：AI 模型本身無法直接與區塊鏈交互。幾乎所有當前的 DeFAI 系統，都採用鏈下推理與鏈上執行分離的架構——AI Agent 在鏈下完成策略計算，再將結果轉化為鏈上交易信號，由執行模組代為提交。這一架構設計，既是當前技術條件下的現實選擇，也由此引出了私鑰授權、權限管理等一系列安全議題。

AI Agent 本質上是基於大語言模型的自主決策系統，通過任務拆解、記憶管理與工具調用實現閉環執行，而目前 AI Agent 與鏈上資產端交互也已經初具形態。

圖表 2：AI Agent 三層架構

DeFAI 的演進：從資訊交互到執行閉環

明確了 DeFAI 的技術底座之後，一個自然的問題隨之而來：這套系統是如何一步步走到今天的？

根據 The Block 的研究，DeFAI 的演進並非一蹴而就，而是經歷了兩個不同的階段——從早期以資訊處理為主的交互型 Agent，到如今能夠真正介入鏈上操作的執行型系統。

兩者在目標定位、技術手段與風險等級上存在本質差異。

圖表 3：DeFAI 兩波演進路徑對比

兩階段的演進脈絡，可以這樣理解：

第一波是交互型 Agent，重點在於構建可對話、可分析的智慧體框架。代表性項目包括 ElizaOS（原 ai16z）的 Eliza 框架、Virtuals 的 G.A.M.E. 等。這一階段的本質仍是資訊工具——Agent 能讀、能說、能分析，但其功能邊界止步於資訊層，並未觸及任何資產執行操作。

第二波是執行型 DeFAI Agent，才真正進入決策執行閉環。代表項目包括 HeyAnon、Wayfinder、Giza（ARMA Agent）以及 Almanak 等。這類系統的共同特徵是：AI 在鏈下運行，輸出結構化策略信號，並通過鏈上執行模組完成交易——它並不替代現有的 DeFi 協議，而是在其之上引入了一層 AI 決策機制，使整個操作鏈路從「人下指令」變為「Agent 自主執行」。

兩波演進的本質區別不在於技術複雜度，而在於是否真正觸碰資產。這也決定了第二波系統在信任機制、權限設計與安全架構上面臨的挑戰，遠比第一波更為複雜——這正是下一章將重點探討的內容。

DeFAI 的落地圖景：四大主流應用場景

從技術架構到演進路徑，DeFAI 的「能做什麼」已逐漸清晰。那麼在實際產品層面，它正在解決哪些真實問題？

整體來看，當前 DeFAI 的應用探索已圍繞四個核心方向形成相對成熟的落地格局，分別對應鏈上操作中「收益效率、策略執行、交互門檻與風險管控」四類核心痛點。

收益優化：跨協議的自動調倉

收益優化是當前落地最為成熟的 DeFAI 應用場景。其核心邏輯是：持續掃描 Aave、Compound、Fluid 等主流 DeFi 協議的存款年化收益，結合預設風險參數判斷是否需要調倉，並在每次操作前執行交易成本分析——僅當收益提升能夠覆蓋全部 gas 及交易費用時，才真正轉移資金，從而實現跨協議的自動化最優配置。

以 Giza 為例，其 ARMA Agent 於 2025 年 2 月在 Base 網路上線穩定幣收益策略，持續監測 Aave、Morpho、Compound、Moonwell 等協議的利率變化，綜合考量協議 APY、手續費成本與流動性後，智慧調度用戶資金以最大化收益。根據公開數據，ARMA 目前已擁有約 6 萬個獨立持有者、逾 3.6 萬個已部署 Agent，管理資產規模（AUA）超過 2000 萬美元。

在 DeFi 協議收益持續波動的市場環境下，人工監控與手動調倉的效率與及時性遠不及自動化系統，這正是這一場景的核心價值所在。

圖表 4：Giza 平台 ARMA Agent 示例圖