AI Agent 进击 DeFi：现状、信任挑战与未来演进

核心要点

• 自动化和 Agent 活动目前估计占所有链上活动的 19%，但真正的端到端自主性仍未实现。
• Agent 在收益优化等狭窄、定义明确的使用场景中表现出了优于人类和机器人的性能。对于交易等涉及多维度的行动，人类的表现优于 Agent。
• 在 Agent 之间，模型利用率和风险管理被证明对交易性能影响最大。
• 随着 Agent 被大规模采用，在 Agent 的信任和执行方面存在若干风险，包括女巫攻击、策略拥挤和隐私权衡。

在过去的一年里，Agent 活动稳步增长，交易量和交易数量不断增加。我们看到了由 @coinbase 的 x402 协议引领的巨大发展，Visa、Stripe 和 Google 等参与者也加入了进来，推出了各自的标准。目前正在建设的大多数基础设施旨在服务于两类：Agent 对 Agent 的路径，或由人类触发的 Agent 调用。虽然稳定币交易已经得到广泛支持，但目前的基础设施仍然依赖传统支付网关作为底层，这意味着它仍然依赖于中心化对手方。因此，Agent 可以自我资助、自我执行并根据不断变化的条件持续优化的“完全自主”最终状态尚未实现。

Agent 在 DeFi 中并不是全新的事物。通过机器人的自动化已经在链上协议中存在多年，捕获了如果没有代码就无法实现的 MEV 或收割超额收益。这些系统在定义的参数下运行得非常好，这些参数不会频繁更改，也不需要额外的监督。然而，随着时间的推移，市场已经进化并变得更加复杂。这就是我们看到的 Agent 新前沿进入的地方，在过去的几个月里，链上已成为此类活动的实验场。

Agent 在行动

据报告，Agent 活动呈指数级增长，自 2025 年以来已启动了超过 17,000 个 Agent。自动化/Agent 活动的总量估计覆盖了所有链上活动的 19% 以上。这并不令人十分意外，因为据估计，超过 76% 的稳定币转账量是由机器人生成的。这表明 DeFi 中 Agent 活动的增长空间巨大。

Agent 的自主性光谱非常广泛，从需要高度人工监督的类聊天机器人体验，到能够根据目标输入制定适应市场条件的策略的 Agent。与机器人相比，Agent 具有几个关键优势。这包括在几毫秒内响应并执行新信息，以及在保持同样严谨性的同时将其覆盖范围扩展到数千个市场的能力。

目前，大多数 Agent 仍处于分析师到副驾驶（Copilot）的水平，因为其中大多数仍处于测试阶段。下表显示了各个级别之间的区别以及用户可能面临的限制。

流动性提供与收益优化

流动性提供是自动化已经频繁发生的领域，Agent 持有的 TVL 总额 已超过 3900 万美元。该数字主要衡量用户直接存入 Agent 的资产，但不包括由金库路由的资本。@gizatechxyz 是该领域最大的协议之一，去年年底推出了他们的第一个 Agent 应用 ARMA，旨在增强主要 DeFi 协议的收益捕获。它已积累了 超过 1900 万美元 的资产管理规模，并产生了超过 40 亿美元的 Agent 交易量。成交量与总资产管理规模的高比率表明，Agent 频繁地重新平衡资本，并因此能够实现更高的收益捕获。

ARMA 为 USDC 产生了超过 9.75% 的 APR，表现出了可衡量的优势。即使扣除额外的再平衡费用和 Agent 10% 的绩效费，收益率仍然超过了 Aave 或 Morpho 上的原生借贷。尽管如此，可扩展性仍然是一个关键问题，因为这些 Agent 还没有经过实战测试，无法像主要 DeFi 协议那样管理或扩展到巨大规模。

交易性能：人类 vs. Agent

对于交易等更复杂的行动，结果则更加多样化。目前的交易模型基于人类定义的输入运行，并根据预设规则交付输出。机器学习通过使模型能够根据新信息更新其行为而无需显式重新编程扩展了这一点，将其推向了副驾驶（Copilot）的角色。

目前已经举行了几场 Agent 内部以及人类 vs. Agent 的交易竞赛。@tradexyz 在其平台上列出的股票举行了一场人类 vs. Agent 的交易竞赛。结果压倒性地向人类倾斜，顶尖人类的表现优于顶尖 Agent 5 倍以上。

与此同时，@the_nof1 在模型（Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini）之间举行了一场 Agent 内部交易竞赛。结果浮现了几个可以帮助解释性能差异的因素：

• 持仓时间： 每笔头寸平均持仓时间为 2-3 小时的模型表现大大优于频繁反复翻转的模型。
• 期望值： 只有前 3 名的模型具有正期望值，这意味着大多数模型的亏损交易多于盈利交易。
• 杠杆： 较低水平的杠杆（6-8x）表现优于杠杆超过 10x 的模型。
• 提示词策略： “Monk Mode” 是表现最好的模型，而 “Situational Awareness” 表现最差，这表明专注于风险管理和较少的外部来源会带来更好的性能。
• 基础模型： Grok 4.20 的表现显著优于其他模型 22% 以上。

评估 Agent

鉴于 Agent 还处于起步阶段，目前还没有全面的评估框架。历史业绩经常被使用，但潜在因素提供了高性能 Agent 的更强信号：

• 跨波动的表现： 当情况恶化时，有纪律的亏损控制表明 Agent 能够识别影响盈利能力的链外因素。
• 透明度 vs. 隐私： 透明的 Agent 可以被跟单交易，从而失去优势。私有的 Agent 则面临创建者进行内部提取的风险。
• 信息来源： 数据馈送至关重要。必须确保来源可靠且没有单一依赖。
• 安全性： 智能合约审计和适当的资金托管架构对于确保在黑天鹅事件中提供兜底至关重要。

未来的挑战与基础设施

为了大规模采用 Agent，在基础设施方面仍有大量工作要做，特别是在信任和执行方面。目前围绕自主 Agent 的行动几乎没有防护机制，资金管理不善 的实例已经发生。

于 2026 年 1 月上线的 ERC-8004 成为第一个链上注册表，使自主 Agent 能够相互发现、建立可验证的声誉并安全协作。这是 DeFi 可组合性的一个关键解锁，尽管声誉合谋和女巫攻击等安全漏洞仍然令人担忧。

随着 Agent 活动的规模化，策略拥挤成为一种结构性风险。如果大量 Agent 基于相似的数据进行训练并优化相似的目标，它们将收敛于相似的头寸和退出信号。康奈尔大学于 2026 年 1 月发表的 CoinAlg 论文 正式阐述了这一点：透明的 Agent 是可套利的，因为它们的交易是可预测的，而私有的 Agent 则引入了创建者相对于用户保留信息优势的风险。

Agent 活动将继续加速。今天正在铺设的基础设施——特别是那些值得信赖的基础设施——将决定下一阶段链上金融如何运作，以及谁能获得最大的市场份额。

• 原文链接： x.com/dwfventures/status...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～