「你養龍蝦了嗎？」最近 Web3er 打招呼，可能十有八九都是這句。
2026 年開年，自中國春晚上機器人炸翻全場後，以 OpenClaw 為代表的新一代 AI Agent 成為科技圈中的新寵。有人用 AI 做客服、有人用 AI 寫代碼、有人甚至開始嘗試用 Agent 去模擬一整套「數位員工」，最近在各類互聯網平台屢屢被提及的一個概念「一人公司」，就是一個人透過一個 AI 工作流，就能跑起過去需要一個小團隊才能完成的工作。
Web3 這邊當然也沒有閒著。最近如果多看看行業媒體，會發現不少項目也開始圍繞 AI Agent 做文章。有的在研究 Agent 怎麼直接調用鏈上資產或合約，有的在做 Agent 的支付、身份或金融基礎設施，有人在討論「Agent 經濟體系」，讓 AI 可以像用戶一樣參與網絡，甚至有人又開始喊起了「Web4.0」的新口號。
看到這裡，其實會有一種很熟悉的感觉。
人們常說時尚圈是個循環，誰曾想科技圈（或稱加密圈）也是如此。還記得2022年熊市初期，ChatGPT一夜爆紅，AI瞬間成為人人討論的話題。Web3圈當然也沒閒著，很快便冒出一堆新概念，例如AI Agent、AI交易員、自動化策略等，彷彿只要與AI沾上邊，就能講出新故事。但這種熱鬧並未持續太久，待加密市場重新上漲後，大家的注意力很快又回到了Crypto本身。
而這次 2025 年下半年，加密市場又出現了熊市趨勢，於是 Web3 開始尋找新概念接盤。
但是，在 Portal Labs 看來，問題恰恰出在這裡。當一個敘事開始流行時，許多 Web3 創業團隊其實並不是在做技術和商業判斷，而是在做敘事判斷：哪個概念火，就做哪個。而後便栽了跟頭——
許多團隊在真正推進項目時才發現，概念可以很快搭建起來，但產品卻很難落地。用戶在哪裡？具體場景是什麼？靠什麼持續收費？能不能拉到投資？這些問題往往要到項目進行一段時間後才逐漸浮現出來。
當熱度退去，市場上留下的往往是一地尚未跑通的項目。有的產品停在 Demo 階段，有的勉強上線卻找不到用戶，還有一些乾脆隨著敘事一起消失。短時間內看起來像是一個新賽道被打開，但過一段時間回頭看，真正留下來的東西其實並不多。
因此，是繼續深耕 Crypto，還是轉向 AI，成了難題。選擇前者，市場又不景氣，投入未必有回報；選擇後者，又缺乏底氣。AI 的技術門檻、人才結構和競爭環境都與 Web3 不同。許多團隊過去幾年累積的技術棧、產品經驗和社區資源，其實都是建立在 Crypto 體系內，一旦徹底轉向 AI，等於重新進入一個完全陌生的賽道。從模型能力、數據資源到工程團隊，幾乎都需要重新搭建。
更現實一點的是，AI 賽道本身已經非常擁擠。無論是大模型公司、傳統互聯網企業，還是大量初創團隊，都在這個領域裡投入了巨大的資源。對於一個原本做 Web3 的創業團隊來說，如果只是因為敘事轉向而進入這個市場，很容易發現自己既沒有技術優勢，也沒有行業資源。
其實，對許多 Web3 創業團隊來說，還有一條可以實踐的路徑。不一定非要轉型做 AI，而是繼續走自己的 Web3 路徑，同時思考 Crypto 能在 AI 體系中補上什麼能力。
如果仔細觀察現在這一波 AI 發展，你會發現很多關鍵環節其實還沒有完全解決。
最典型的就是數據。模型越來越強，但訓練數據從哪裡來、數據是否可信合規，尤其是 AI Agent 如何實現 1v1 定制化，這些問題一直沒有一個很好的機制。對於依賴大規模數據訓練的 AI 來說，這是一個長期存在的基礎問題。
再比如身份與協作。當 AI Agent 開始參與任務執行、自動交易甚至運營決策時，它們本身也需要身份、權限以及協作規則。誰可以調用某個 Agent？Agent 之間如何分工？執行任務之後如何結算？這些問題，本質上都涉及到開放網絡中的身份和價值分配。
還有支付問題。AI Agent 一旦開始在網絡中自主調用服務、獲取數據或執行任務，就意味著它們需要一種可以自動結算的小額支付系統。而在傳統互聯網體系裡，這樣的支付結構其實很難實現。
這些看起來都是AI的問題，但許多解決方案其實早已存在於Crypto的技術體系中。無論是數據激勵網絡、鏈上身份體系，還是開放支付網絡，本來就是Web3過去幾年一直在探索的方向。
如果 Web3 創業團隊真的打算往這些方向去嘗試，有幾件事情是必須先想清楚的。
首先應關注團隊自身的技術能力。不同的 Web3 項目，其技術積累差異極大。有的團隊擅長開發鏈上協議，有的長期專注於數據網絡，也有的更偏向應用層產品。如果團隊過去幾年一直從事與數據相關的基礎設施，例如數據採集、數據萃取或數據市場，那麼圍繞 AI 的數據層進行延伸會相對自然，例如數據貢獻網絡、可驗證數據源，或為模型提供可激勵的數據市場。如果團隊原本更偏向鏈上協議或基礎設施，則可考慮圍繞 AI Agent 的運行環境開展工作，例如 Agent 的鏈上身份、權限管理、任務執行協議，或為 Agent 提供自動結算與支付功能。而對於本身就在從事應用層產品的團隊，例如交易工具、內容平台、社區產品或消費應用，AI 更適合作為能力層嵌入原有產品體系，例如利用 AI 提升數據分析能力、自動化運營流程，或透過 Agent 完成原本需人工處理的部分功能。
其次，應關注是否存在真實的業務場景。許多AI項目之所以迅速消失，並非技術不足，而是從一開始就缺乏明確的使用場景。概念可以講得非常熱門，但真正需要這個產品的人在哪裡、他們為何使用、又為何願意為之付費，這些問題往往未被認真回答。有些概念在行業中被廣泛討論，例如「AI+Web3」、「Agent經濟體系」、「AI交易員」，聽起來都很宏大，但如果再深入追問一層，真正穩定存在的用戶群體其實並不多。相反，一些看起來不那麼「性感」的需求，例如數據處理、自動化運營、資訊篩選或任務執行，反而在現實業務中長期存在。正因如此，在判斷是否進入某個AI方向時，与其先看概念是否熱門，不如先審視場景本身：這個場景是否是長期存在的業務問題？是否已有人為此付費？AI是否真的能在這個環節中提升效率？如果這些條件成立，那麼這個方向才更有可能從敘事轉化為產品。
還需要進一步查看 Web3 創業團隊是否擁有能夠真正進入這些環節的資源。
前面提到的數據、身份、支付這些方向，本質上都不是單純的技術問題，而是網絡資源的問題。
例如數據網絡，如果團隊沒有穩定的數據來源，也沒有能夠持續貢獻數據的用戶群體，那麼即使技術被開發出來，也很難形成真正的網絡效應。同樣，若想建立 AI Agent 的身份體系或協作網絡，也需要有真實的開發者、應用或 Agent 參與其中，否則協議本身很難形成生態。支付與結算體系也遵循類似的邏輯。一旦 AI Agent 開始在網絡中調用服務、獲取數據或執行任務，小額支付就會變得極其頻繁。但這種支付網絡只有在大量 Agent 和服務同時存在的情況下才有意義，否則它仍只是一個技術模塊。
因此，對許多 Web3 團隊來說，真正需要評估的並不是「這個方向有沒有技術空間」，而是自己能否成為這個網絡的一部分。團隊是否已具備數據來源、開發者生態或應用場景，這些往往決定了一個項目能否真正進入 AI 的基礎設施層，而非停留在概念層。