DeFAI 工具概覽：AI 代理如何推動鏈上資產管理

撰文：GO2MARS

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——從而在不依賴人工實時干預的前提下，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。

簡而言之，DeFAI 並非將 DeFi 工具簡單地 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。

自 2024 年 Q4 起，這一賽道迅速升溫，背後有三個標誌性事件值得注意，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。

第一個事件發生於 2024 年 7 月。開發者 Andy Ayrey 建立的 Twitter 机器人 Truth Terminal，在獲得 a16z 聯合創始人 Marc Andreessen 贈予的 5 萬美元 BTC 後迅速走紅，並引發了 GOAT 幣的病毒式傳播。這是 AI Agent 首次真正意義上作為鏈上經濟參與者進入公眾視野。

第二個事件發生在同年 10 月。Virtuals Protocol 在 Base 網絡上爆紅，將 AI Agent 本身代幣化，其生態市值最高突破 35 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，資料來源：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%。

這組數據提示我們：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。

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；
• 記憶層透過向量資料庫等外部儲存實現跨週期資訊累積，承載歷史市場資料與協議狀態；
• 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互動。絕大多數當前的 DeFAI 系統，均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，透過任務拆解、記憶管理與工具調用實現閉環執行，而目前 AI Agent 與鏈上資產端互動也已經初具形態。

圖表 2：AI Agent 三層架構

在明確了 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互動型 Agent，到如今能夠真正介入鏈上操作的執行型系統。

Both differ fundamentally in target positioning, technical approaches, and risk levels.

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：

第一波是互動型 Agent，重點在於構建可對話、可分析的智能體框架。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」。

The essential difference between the two waves does not lie in technological complexity, but in whether they truly touch assets. This also determines that the challenges faced by the second-wave system in terms of trust mechanisms, permission design, and security architecture are far more complex than those of the first wave—this is precisely what the next chapter will focus on.

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

收益優化是目前最成熟的 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 網絡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，智能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

量化策略自動化：機構級能力的平民化

在量化策略自動化場景中，DeFAI 平台試圖將傳統量化團隊的全流程操作模組化、自動化，使個人用戶也能觸及機構級的策略執行能力。

以 Delphi Digital 支持的 Almanak 為例，其推出的 AI Swarm 系統將量化流程拆解為四個環節：

• 策略模組支援透過 Python SDK 撰寫投資邏輯並完成回測；
• 執行引擎在獲得用戶授權後自動運行已審核的策略代碼並觸發 DeFi 調用；
• 安全錢包基於 Safe + Zodiac 建立多重簽名體系，透過角色權限控制將策略執行權授予 AI Agent，確保資金始終在用戶可控範圍內；
• 策略金庫將策略打包為 ERC-7540 標準的可交易金庫，投資者可像參與基金份額一樣參與策略收益分配。

此架構的意義在於，AI 代理承擔數據分析、策略迭代與風險管理職能，用戶只需對系統輸出結果進行最終審核，無需組建專業量化團隊——實現所謂的「機構級別策略的平權」（項目宣稱）。

圖表 5：Almanak 平台首頁展示圖

自然語言指令執行：讓 DeFi 操作像發訊息一樣簡單

此情境的核心是基於用戶意圖的 DeFi 操作（Intent-based DeFi）：透過自然語言處理技術，用戶以日常語言下達交易指令，AI 將其解析並轉化為多步驟的鏈上操作，大幅降低普通用戶的操作門檻。

HeyAnon 建立了一個 DeFAI 聊天平台，用戶透過對話框輸入指令，AI 即可執行代幣兌換、跨鏈橋接、借貸、質押等鏈上操作，整合 LayerZero 跨鏈橋及 Aave v3 等協議，支援以太坊、Base、Solana 等多鏈部署。

圖表 6：HeyAnon 平台首頁展示圖

Wayfinder 由 Paradigm 投資，提供更進一步的全鏈交易服務。其 AI Agent（稱為 Shells）自動尋找不同鏈之間的最優交易路徑，執行跨鏈轉賬、代幣互換或 NFT 交互等操作，用戶無需關注底層 gas 費、跨鏈兼容性等技術細節。

圖表 7：Wayfinder 平台首頁展示圖

總體而言，自然語言界面顯著降低了 DeFi 的操作門檻，但也對底層意圖解析的準確性提出了更高要求——一旦 AI 對指令的理解出現偏差，操作結果可能與用戶預期相去甚遠。

Risk Management and Liquidation Monitoring: On-chain Protocol-Embedded Mechanisms

在 DeFi 借貸與槓桿場景中，AI Agent 最常見的應用是即時監控鏈上頭寸健康度，並在清算閾值臨近前自動執行防護操作，此重要應用正逐步整合至各大主流 DeFi 協議中，成為 DeFi 平台的原生功能。

• Aave 以「健康因子」衡量頭寸安全性，當健康因子低於 1.0 時，借款人的倉位即觸發清算資格；
• Compound 則採用「清算抵押因子（Liquidation Collateral Factor）」機制，當帳戶借款餘額超出該因子所設定的上限時觸發強制平倉，各抵押資產的具體參數由鏈上治理分別設定。

人工監控在 24/7 高波動性鏈上市場中難以保持一致的響應效率，AI Agent 在此場景中可實現持續追蹤、智能評估與自動干預，將風控效率提升至人工或規則式自動化系統難以企及的水平。

圖表 8：Agent×DeFi 的四大主流應用場景

綜合來看，上述四大場景並非相互獨立，而是圍繞同一條主線形成互補：收益優化與量化策略自動化面向有一定資產規模的進階用戶，核心優勢在於執行效率與策略精度；自然語言交互致力於降低普通用戶的操作門檻；風險管理則是貫穿所有場景的底層安全保障。三者協同，共同構成了 DeFAI 當前生態的基本落地格局，也為後續更複雜的鏈上 Agent 應用奠定了基礎。

前述四大應用場景，無論是收益優化還是量化策略自動化，其得以實現的前提只有一個：AI Agent 必須持有某種形式的簽名權限，即對私鑰的訪問能力。這是整個 DeFAI 賽道最關鍵、也最容易被敘事熱度掩蓋的技術挑戰——一旦簽名機制出現漏洞，所有上層的策略能力都將失去意義。

目前，行業主流的私鑰安全管理方案分為兩類：MPC 多方計算與 TEE 可信執行環境。兩者在安全模型、自動化水平與工程複雜度上各有側重。

圖表 9：私鑰安全管理兩類主流方案對比表

• MPC（Multi-Party Computation，多方計算）的核心思路是通過密鑰拆分來消除單點故障。以常見的 2-of-3 門限簽名為例，即便某一份密鑰洩露，攻擊者也無法獨立完成簽名，資金安全不受影響。Vultisig 是該方向的代表性產品，這是一款基於 MPC/TSS 技術構建的開源多鏈自託管錢包，採用無單一助記詞架構，將密鑰安全與用戶自託管結合起來。
• TEE（Trusted Execution Environment，可信執行環境）走向另一條路：將私鑰與代理代碼一同封存於受硬體保護的隔離區域（enclave）內，AI 代理在 enclave 內完成策略計算與簽名，僅將簽名結果輸出至鏈上，外部環境對私鑰完全不可見。Intel SGX、AMD SEV、ARM CCA 等主流晶片均提供硬體級別的隔離與加密支援。Chainlink 已將 TEE 引入預言機網路，用於處理敏感資料，並通過遠端認證機制向外部證明執行環境的完整性。

然而，密鑰安全只是第一道防線。在實際部署中，無論採用哪種密鑰管理方案，都需要在其上疊加權限控制機制，以防止 Agent 越權操作。Almanak 的實踐提供了一個較為完整的參考框架：平台同時採用 TEE 保護策略邏輯與私密參數，並在部署引擎與用戶持有的 Safe 智能賬戶之間插入 Zodiac Roles Modifier 權限層——AI 發起的每筆交易，須與預先設定的合約地址、函數及參數白名單逐一比對，不符合授權範圍的交易將被自動拒絕。

這種最小權限原則的落實方式，目前已成為 DeFAI 系統安全設計的重要參考。它揭示了一個更深層的邏輯：DeFAI 的安全問題，本質上不是單一技術選型的問題，而是密鑰管理、權限邊界與執行審計三者協同構成的系統工程——任何一環的缺失，都可能成為整個鏈路上最薄弱的節點。這也正是下一章風險分析的出發點。

上述分析揭示出了一個核心結論：

VCX 的溢價並非來自於資產選擇的優異或更高的回報預期，而是因為它出售的是通道本身。為此，需要回答一個問題：VCX 究竟是一種什麼性質的產品？

從法律形式上看，它是一隻在 SEC 完成登記備案的封閉式基金，持倉透明、結構合規，與市面上任何一隻普通的股票型 ETF 並無本質區別。但從實際功能上看，它所出售的並非傳統意義上的「投資回報預期」，而是一種資產端的准入資格——以往只有頂級 VC 機構和合格投資者才能觸達——而這種資格，被打包成了 NYSE 上可以買賣的單位份額。

因此，市場願意為此支付 16 至 30 倍 NAV 的溢價，本質上是為這項准入權定價，而非對底層資產未來收益的評估。

從這一角度看，VCX 與 MicroStrategy（MSTR）之間的對比頗能說明問題。兩者表面上做的是類似的事：將難以直接獲取的稀缺資產（比特幣／頂級 Pre-IPO 股權）封裝為二級市場可交易的證券，並在市場上呈現出遠超底層資產價值的溢價。但兩者的資本運作邏輯存在根本差異：

• MSTR 透過持續發行可轉換債券和優先股籌資，並將資金用於追加購買比特幣，這套機制賦予其動態擴表和持續增持的能力，使其股價溢價在一定程度上具有內生的維持基礎。
• VCX 則受制於封閉式基金的結構約束：資產規模在發行完成後基本鎖定，無法通過再融資持續買入新資產，持倉的流動性也高度依賴底層公司的 IPO 或併購退出。一旦散戶情緒退潮，或六個月鎖定期屆滿後流通籌碼增加，其溢價的收窄壓力將遠大於 MSTR。

VCX 與 MSTR（Strategy）模式對比

換言之，MSTR 的溢價由一套持續運轉的資本機制支撐，而 VCX 的溢價主要來自於籌碼稀缺與情緒驅動。這種產品邏輯本身並無對錯之分，但它所蘊含的風險，卻比普通封閉式基金更難被市場正確定價：

一旦散户以遠高於 NAV 的價格買入，實際支付的並非資產本身的價值，而是這種准入資格的溢價——而這個溢價，在底層公司完成 IPO、公開市場形成直接交易通道之後，將面臨迅速歸零的壓力。

綜合前述分析，可對 DeFAI 的演進路徑作出階段性判斷。整體來看，這一賽道正處於從概念驗證向產品化過渡的關鍵節點，其演進預計將經歷三個遞進階段：

圖表 11：DeFAI 發展階段預判

註：上表基於行業公開報告、項目進展與技術成熟度綜合研判，非確定性時間表

就當下節點而言，DeFAI 整體處於輔助決策期向半自主期的過渡階段——部分項目已開始承擔有限範圍內的自主執行能力，但人類的審核與兜底機制仍是主流部署形態。在這一背景下，結合當前技術成熟度與市場現狀，有三點判斷值得重點關注。

其一，當前大多數 DeFAI 項目的本質仍是自動化工具，而非真正意義上的自主 Agent。現階段被冠以「DeFAI」標籤的產品，核心能力多在於將人類指令翻譯為預設的 DeFi 操作序列，本質上更接近高效執行介面，而非具備獨立推理與決策能力的自主系統。據麥肯錫 2025 年報告，即便在通用企業場景中，也不足 10% 的組織在任何單一職能上實現了 AI Agent 的規模化部署。鏈上場景的信任門檻與操作複雜度更高，從技術演示走向真正的商業閉環，仍有相當距離。

其次，AI Agent 目前最成熟且最容易獲得機構信任的落地方向，並非高風險的自主交易，而是鏈上監控、預警與治理輔助。7×24 小時的持倉監控、清算預警、治理提案分析等場景，一方面對 LLM 幻覺的容忍度相對較高——輸出錯誤不會直接觸發資金損失；另一方面能有效彌補人類在注意力持續性上的先天不足。此類場景是 DeFAI 從「技術展示」走向「機構採納」的更現實路徑。

第三，AI Agent 與 RWA 的融合，是這一賽道下一個值得重點關注的交叉方向。據 RWA.xyz 數據，截至 2026 年 4 月初，鏈上代幣化 RWA 資產總值已超過 270 億美元（不含穩定幣），涵蓋美國國債、私人信貸、大宗商品、公司債等多個類別。若 AI Agent 能夠介入管理包含國債 RWA 與穩定幣的組合資產——例如根據市場環境自動調整兩者的配置比例——其可觸及的資產規模將遠超當前以 DeFi 原生資產為主的範疇，並有望真正打通資產端的鏈上鏈下，實現 Web3+AI+TraFi 的聯動，顯著擴大市場想像力。

AI 代理與鏈上資產管理正處於從概念驗證向產品化過渡的關鍵時期。技術可行性已初步得到驗證，但從 LLM 幻覺風險、鏈上數據異構性到信任基礎設施的缺失，行業面臨的挑戰並非單靠技術迭代就能解決，而是需要項目架構設計、合規路徑規劃、安全體系搭建與商業模式驗證的系統性推進。

這也恰恰意味著，這一賽道仍處於早期建設階段，真正的競爭格局尚未成型。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。

DeFAI 的競爭壁壘，最終不會落在單一的模型能力或協議集成深度上，而在於能否在技術、合規與安全之間構建起真正自洽的閉環。