OKX 리서치: 10개 이상의 프로젝트를 세분화하여 AI 에이전트 맵을 표시합니다(위).

출처:OKX벤처스

AI 회로는 투기적 과대광고에서 실용적인 응용으로 진화하고 있습니다.

초기 AI 밈 토큰은 AI 핫스팟을 활용하여 폭발적으로 성장했지만, 이제는 보다 기능적인 AI 거래 도구, 지능형 투자 리서치, 체인 AI 경영진이 등장하고 있습니다. AI 기반 온체인 스나이핑 전략부터 온체인 작업을 자율적으로 실행하는 AI 에이전트, AI가 생성하는 탈중앙 금융 수익률 최적화 솔루션에 이르기까지, AI 회로는 빠르게 그 범위를 확장하고 있습니다.

<

그러나 대부분의 사람들은 AI 토큰의 시장 가치가 기하급수적으로 증가하는 것을 보면서도 그 가치의 논리를 해독할 좌표계를 찾지 못합니다. 어떤 AI 트랙이 장기적인 실행 가능성을 가지고 있나요? DeFAI는 AI를 가장 잘 활용하는 방법인가요? AI 프로젝트 평가의 기준은 무엇인가요? ...... OKX 벤처스의 새로운 연구 보고서는 개념 분석, 진화 역사, 적용 트랙, 프로젝트 사례에 이르기까지 AI 트랙 개발 지도를 심도 있게 해체하여 에 대한 이해를 돕고자 합니다. AI 가치에 대한 영감과 생각을 불러일으키고자 합니다.

이 보고서는 내용이 상당히 풍부하기 때문에 읽기 쉽도록 (위)와 (아래) 두 부분으로 나누었습니다. '이전' 문서입니다.

소개AI 에이전트 

AI 에이전트는 환경을 인식하고 의사결정을 내리고 그에 맞는 행동을 수행하는 능력을 갖춘 일종의 지능적 개체입니다. 기존 AI 시스템과 달리 AI 에이전트는 독립적으로 사고하고 특정 목표를 단계별로 달성하기 위한 도구를 호출할 수 있어 복잡한 작업을 처리할 때 더 큰 자율성과 유연성을 제공합니다.

요약하면 AI 에이전트는 AI 기술로 구동되는 에이전트로, 워크플로에는 지각 모듈(입력 수집), 대규모 언어 모델(이해, 추론 및 계획), 도구 호출(작업 실행), 피드백 및 최적화(검증 및 튜닝)가 포함됩니다.

OpenAI는 AI 에이전트를 복잡한 작업을 자동화할 수 있는 자율적인 이해, 인식, 계획, 기억 및 도구 사용 기능을 갖춘 대규모 언어 모델 중심의 시스템으로 정의합니다. 기존 AI와 달리 AI 에이전트는 독립적인 사고와 도구 호출을 통해 설정된 목표를 단계별로 완료할 수 있습니다.

AI 에이전트의 정의는 다음과 같은 핵심 요소로 요약할 수 있습니다. 인식, AI 에이전트는 센서, 카메라 또는 기타 입력 장치를 통해 주변 환경을 인식하여 필요한 정보를 얻고, 이해 및 추론( 추론), 인식 된 정보를 분석하고 합리적인 결정을 내리기 위해 복잡한 추론을 수행 할 수 있습니다; 의사 결정 (의사 결정), 분석 결과를 기반으로 AI 에이전트는 행동 계획을 수립하고 최상의 실행 경로를 선택할 수 있습니다; 행동 (행동), 마지막으로 AI 에이전트는 수립 된 계획을 수행하여 외부 도구 또는 인터페이스를 호출합니다. 외부 도구 또는 인터페이스를 호출하여 의도한 목표를 달성하기 위해 다른 시스템과 상호 작용합니다.

AI 에이전트의 작동 원리 및 프로세스는 일반적으로 다음과 같은 단계를 포함합니다. 먼저 사용자 명령, 센서 데이터 등 환경으로부터 정보를 수신하는 정보 입력, 내장된 알고리즘과 모델을 사용하여 입력된 데이터를 처리하는 데이터 처리, 입력된 데이터를 결합하여 메모리 시스템(단기 및 장기 메모리)과 결합하여 현재 상태를 파악하는 데이터 처리, 처리 결과에 따라 큰 작업을 관리 가능한 작은 작업으로 분할하고 구체적인 실행 계획을 수립하는 계획 수립 단계가 이어집니다. 실행 단계에서는 AI 에이전트가 계획을 실행하고 외부 API나 도구를 호출하여 실행 과정을 모니터링하여 작업이 예상대로 완료되었는지 확인하며, 마지막으로 피드백 및 학습 단계에서는 작업이 완료된 후 결과를 바탕으로 AI 에이전트가 스스로 반성하고 학습하여 향후 의사 결정의 품질을 향상시킵니다.

둘째,  

초기 "MEME" 현상에서 기술 통합의 깊이까지 AI 토큰의 경로가 진화하는 과정을 살펴볼 수 있습니다. 초기에는 많은 토큰이 인기 인터넷 테리어처럼 단기간의 개념 과대 광고와 소셜 미디어의 열광에 의존하여 사용자의 관심을 끌었습니다. 그러나 시장이 계속 성숙해짐에 따라 AI 토큰은 점차 실용적이고 고차원적인 기능으로 나아가고 있으며, 순수한 과대광고에서 벗어나 진정한 블록체인 금융 도구 및 데이터 분석 플랫폼으로 변모하고 있습니다. 개념적인 존재에서 실용적인 응용 가치를 지닌 기술 상품으로 진화한 AI 토큰에 대해 자세히 알아보겠습니다.

단계1:AI 밈(혼란기)

 초기 단계의 AI 토큰은 대부분 다음과 같은 형태입니다. GOAT, $ ACT, $ FARTCOIN 및 기타 토큰과 같은 "MEME"형태의 존재는 실제 응용 프로그램이나 기능이 없으며, 그 가치는 주로 투기 개념과 시장 정서에 따라 달라집니다. 이 단계에서 토큰의 사용은 아직 불분명하고 시장과 사용자는 토큰의 잠재력에 대해 거의 알지 못하며 토큰의 인기는 소셜 미디어의 확산과 단기적인 과대 광고에 더 의존하여 신비하고 파악하기 어려운 성격을 나타냅니다.

2단계: 사회화(탐색기)

AI 토큰에 대한 시장의 관심이 점차 높아지면서 이러한 토큰은 소셜 영역에서 존재감을 드러내기 시작했습니다. 예를 들어, $LUNA와 $BULLY와 같은 토큰은 향상된 소셜 기능을 통해 사용자의 참여를 유도합니다. 이 단계에서 토큰은 과대 광고 도구로 사용될 뿐만 아니라 시장 성장을 주도하기 위해 커뮤니티 중심 및 사회적 상호 작용을 통합하기 시작합니다. 토큰은 순수한 '채팅' 기능에서 점차 확장되어 사용자의 사회적 요구와 밀접하게 통합된 기능을 탐색하기 시작했고, 그 결과 더욱 다양한 사회적 속성을 갖게 되었습니다.

3단계: 수직적 영역(기능 심화기)

AI 토큰은 단순한 소셜 및 하이프 모드에서 벗어나 수직적 영역의 적용 시나리오를 탐색하기 시작했습니다. AIXBT, $ZEREBRO와 같은 토큰은 블록체인, DeFi 또는 창작 도구와 결합하여 점차 힘을 얻어 더 이상 단순한 투기 도구가 아닌 명확한 기능과 목적을 가진 디지털 자산으로 거듭났습니다. 이 단계에서는 AI 토큰이 보다 효율적이고 전문적인 방향으로 발전하여 점차 고유한 시장 지위를 형성하게 됩니다.

3.5단계: 인프라(기술 개선)

토큰의 응용이 점차 심화되는 가운데, AI 토큰은 더욱 견고한 기술 인프라를 구축하기 시작합니다. AI16Z와 $EMP와 같은 토큰이 추가되면서 토큰의 기능 최적화가 더욱 촉진되었습니다. 토큰은 경제적 인센티브와 실용적인 기능에 초점을 맞출 뿐만 아니라 크로스 체인 기술, 탈중앙화 애플리케이션, 하드웨어 조합 및 기타 인프라 구축에 관심을 기울이기 시작하여 점차적으로 미래의 지속 가능한 발전을 위한 기술적 기반을 마련하고 있습니다.

단계4단계: 데이터 분석(성숙)

성숙 단계에 접어든 AI 토큰은 시장에서 점차 안정화되고 더 복잡한 암호화폐 투자 연구 및 분석 기능을 통합하기 시작하여 토큰 생태 및 거버넌스 구조를 개선되었습니다. 트리시그와 쿠키와 같은 토큰은 더 이상 단순한 도구가 아니라 경제 시스템의 일부가 되었으며 데이터 분석, 커뮤니티 거버넌스, 투자 의사 결정과 같은 고차원적인 분야에서 널리 사용되고 있습니다. 이 시점에서 AI 토큰은 점차 기능이 향상되어 시장에 대한 심층 분석과 의사 결정 지원을 제공할 수 있게 되었으며, 암호화폐 시장에서 중요한 자산이 되었습니다.

단계4.5: 금융 애플리케이션(생태 융합기)

디파이 분야가 더욱 발전함에 따라 금융 애플리케이션에서 AI 토큰의 융합이 점점 더 심도 있게 이루어지고 있습니다. 새로운 개념인 "DeFAI"를 탄생시켰습니다. AI를 통해 복잡한 디파이의 운영이 쉬워지고, 일반 사용자들도 쉽게 온체인 금융 활동에 참여할 수 있게 되었습니다. 그리핀, 오빗, 에이아이엑스비티 등 대표적인 토큰은 시장에서 기본 기능부터 복잡한 금융 서비스까지 점차 완전한 체인을 형성하여 온체인 상호작용을 최적화하고 참여의 문턱을 낮추며 사용자에게 더 많은 기회와 편의를 제공하고 있습니다.

III.AI 에이전트 프레임워크

(I)Web3 및 Web3은 Web3와 동일합니다. Web2데이터 비교 

웹2의 AI 에이전트가 추천 알고리즘에서 폭발적으로 성장하는 동안, 웹3의 실증 시험장은 더 많은 AI 에이전트 혁신을 낳았습니다. 그러나 데이터에 따르면 Web3와 Web2 프로젝트는 기여자 분포, 코드 커밋 및 GitHub 스타에서 상당한 차이를 보입니다. Web3와 Web2 프로젝트의 데이터를 비교함으로써 기술 혁신, 커뮤니티 활동, 시장 수용도 측면에서 두 프로젝트의 현재 상태를 더 잘 이해할 수 있습니다. 특히 깃허브 플랫폼에서 이러한 프로젝트의 활동과 인기는 향후 기술 트렌드와 커뮤니티 생태계의 변화에 대한 인사이트를 얻는 데 도움이 되는 중요한 지표를 제공합니다.

이미지 src="https://img.jinse.cn/7351802_watermarknone.png" title="7351802" alt="kfyeYq4DK8M4y6v82VWW3cvW46bH0NJQNKCGTI2H.png">< /p>

개발자 참여 측면에서 보면 웹2 프로젝트의 기여자 수가 웹3 프로젝트보다 훨씬 많습니다. 구체적으로 Web3 프로젝트의 기여자 수는 575명인 반면 Web2 프로젝트는 9,940명에 달해 Web2 생태계의 성숙도와 더 넓은 개발자 기반을 반영합니다. <기여자 수 기준 상위 3개 프로젝트는 다음과 같습니다: Starkchain 3,102명, Informers-agents 3,009명, Llamaindex 1,009명, Llamaindex 1,000명이 기여했습니다. strong>1,391명의 기여자.

이미지 src="https://img.jinse.cn/7351803_watermarknone.png" title="7351803" alt="9yI5kifGMsfOWJXVdHKJM7vjvAMm3epYqWWlvOCN.png">< /p>

코드 커밋 분포에서도 웹2 프로젝트가 웹3 프로젝트보다 훨씬 더 많은 커밋을 기록했습니다. 웹3 프로젝트의 총 커밋 수는 9,238건인데 비해 웹2 프로젝트는 40,151건으로, 웹2 프로젝트가 더 활발하게 개발되고 업데이트 빈도도 더 안정적이라는 것을 알 수 있습니다. 코드 커밋 수 기준 상위 3개 프로젝트는 다음과 같습니다: ElipsOS가 5,905개의 커밋으로 선두를 차지했고, 5,602개의 코드 커밋을 기록한 Dust가 2위, LangChain이 3위에 올랐습니다. strong>가 5,506건으로 3위를 차지했습니다.

GitHub Stars배포 현명하게. 웹2 프로젝트는 웹3 프로젝트보다 깃허브에서 훨씬 더 인기가 많으며, 웹2 프로젝트의 누적 별 수는 526,747개인데 비해 웹3 프로젝트는 15,676개입니다. 이러한 격차는 개발자 커뮤니티에서 웹2 프로젝트가 널리 인정받고 있고 시장에서 오랫동안 존재하고 있다는 것을 반영합니다. 스타 수 기준 상위 3개 프로젝트는 다음과 같습니다. JS Agents가 137,534개의 별을 획득하여 의심할 여지 없이 가장 인기가 높았고, LangChain>이 98,534개의 별을 획득하여 그 뒤를 바짝 뒤쫓고 있습니다. 가 98,184개의 별을 기록하며 2위를, MetaGPT가 46,676개의 별을 기록하며 3위를 차지했습니다.

전반적으로 웹2 프로젝트는 기여자 수와 코드 커밋 빈도 면에서 확실히 앞서며 성숙하고 안정적인 생태계를 보여주고 있습니다. 대규모 개발자 기반과 지속적인 기술 혁신 덕분에 Web2 프로젝트는 시장에서 강력한 경쟁력을 유지할 수 있었습니다. 반면, 웹3 프로젝트는 기여자 수는 적지만 코드 제출 빈도 측면에서 뛰어난 성과를 보이는 프로젝트도 있어 안정적인 핵심 개발팀을 보유하고 있으며 프로젝트 개발을 지속적으로 추진할 수 있음을 보여줍니다.웹3 생태계는 비교적 신생이지만 그 잠재력을 과소평가해서는 안 되며 개발자 커뮤니티와 사용자 기반이 점진적으로 형성되면서 향후 성장을 위한 탄탄한 기반을 마련하고 있습니다.

프로젝트 인기도 측면에서 GitHub 스타의 분포는 AI 에이전트 프레임워크 개발에서 JavaScript와 Python의 중요성을 보여줍니다. 가장 인기 있는 프로젝트는 JS 에이전트와 LangChain으로, AI와 암호화폐를 결합하는 트렌드가 널리 주목받고 있음을 보여줍니다. 웹3 프로젝트의 별 개수는 웹2 프로젝트에 비해 훨씬 적지만, MetaGPT와 같은 일부 웹3 프로젝트는 여전히 좋은 성과를 거두며 개발자들로부터 인정을 받고 있습니다. 전반적으로 웹3 프로젝트는 추격 단계에 있지만, 기술이 더욱 성숙하고 생태계가 확장됨에 따라 향후 시장에서의 입지는 꾸준히 높아질 것으로 예상됩니다.

(2) 메인스트림 블록체인AI 에이전트프레임워크 

데이터 출처: https://www.aiagenttoolkit.xyz/# 프레임워크

(iii) 기존 블록체인이 직면한 과제AI 에이전트프레임워크  

대규모 경쟁자 . "다운그레이드 스트라이크". 오픈AI, 구글, 마이크로소프트 등 거대 기술 기업들은 막강한 자금력과 기술적 우위를 바탕으로 언제든 시장을 장악하고 스타트업 프레임워크를 위협할 수 있는 공식 수준의 멀티 툴 에이전트를 빠르게 출시하고 있습니다. 이러한 대형 업체들은 대규모 언어 모델(LLM), 클라우드 서비스, 툴링 생태계를 심층적으로 통합함으로써 포괄적이고 효율적인 솔루션을 제공할 수 있게 되어 중소 프레임워크는 더욱 큰 경쟁 압력에 직면하고 있으며 생존 공간이 크게 좁아지고 있습니다.

안정성 및 유지보수성 부족. 현재 모든 AI 에이전트는 일반적으로 높은 오류율과 '팬텀' 문제에 직면해 있으며, 특히 모델이 여러 차례 호출될 때 무한 루프 또는 호환성 버그가 발생하기 쉽습니다. 에이전트에 여러 하위 작업을 수행하도록 요청하면 이러한 버그가 계층별로 증폭되어 시스템 불안정성으로 이어지는 경우가 많습니다. 고도의 안정성이 요구되는 엔터프라이즈 애플리케이션의 경우 이러한 프레임워크는 현재 충분한 안정성과 프로덕션 수준의 보장을 제공하기 어렵기 때문에 실제 비즈니스 환경에서 널리 사용되는 데 한계가 있습니다.

높은 성능과 비용. 에이전트화된 프로세스에는 종종 많은 수의 추론 호출(예: 루프 자체 테스트, 도구 함수 등)이 필요하며, 기본 종속성이 GPT-4와 같은 대규모 모델에 있는 경우 높은 호출 비용과 함께 신속한 대응에 대한 필요성을 충족하지 못하는 경우가 많습니다. 일부 프레임워크는 비용을 절감하기 위해 로컬 추론에 오픈 소스 모델을 결합하려고 하지만 이 접근 방식은 여전히 강력한 산술에 의존하고 추론 결과의 품질을 안정화하기 어렵기 때문에 시스템의 안정성과 성능을 보장하기 위해 전문 팀이 지속적으로 최적화해야 합니다.

개발 생태와 유연성의 정도가 불충분합니다. 현재 이러한 AI 에이전트 프레임워크는 개발 언어와 확장성 측면에서 통일된 표준이 부족하여 개발자가 선택의 혼란과 한계에 직면하고 있습니다. 예를 들어, Eliza는 시작하기는 쉽지만 복잡도가 높은 시나리오에서는 확장성이 떨어지는 TypeScript를 사용하고, Rig는 성능이 뛰어나지만 학습 임계값이 높은 Rust를 사용하며, ZerePy( 제로브로)는 파이썬을 기반으로 하며 아이디어 생성 애플리케이션에 적합하지만 기능이 상대적으로 제한적입니다. AIXBT와 Griffain과 같은 다른 프레임워크는 특정 블록체인이나 수직 애플리케이션에 더 초점을 맞추고 있으며 시장 검증을 위해서는 아직 시간이 필요합니다. 개발자는 종종 이러한 프레임워크 사이에서 사용 편의성, 성능, 다중 플랫폼 적응 사이에서 절충점을 찾아야 하며, 이는 유연성과 광범위한 애플리케이션에 대한 잠재력에 영향을 미칩니다.

보안 및 규정 준수 위험. 멀티 에이전트 시스템은 외부 API에 액세스하거나 중요한 트랜잭션을 실행하거나 자동화된 결정을 내릴 때 오버더톱 호출, 개인정보 침해 또는 취약한 운영과 같은 보안 위험에 노출되기 쉽습니다. 특히 이러한 문제가 매우 두드러지고 엄격한 규정 준수 요건을 충족하기 어려운 엔터프라이즈 또는 금융 애플리케이션 시나리오에서는 많은 프레임워크가 보안 정책과 감사 로깅을 충분히 처리하지 못합니다. 따라서 실제 배포 시 시스템이 큰 법적 위험과 데이터 보안 문제에 직면할 수 있습니다.

위와 같은 문제를 고려할 때, 많은 실무자들은 현재의 AI 에이전트 프레임워크가 '차세대 기술 혁신' 또는 '대형 제조업체의 통합 솔루션'의 압력으로 인해 더욱 압박을 받을 수 있다고 생각합니다. 그러나 온체인 시나리오, 아이디어 생성, 커뮤니티 플러그인 인터페이스 등 특정 영역에서 스타트업 프레임워크가 여전히 고유한 가치를 발휘할 수 있다는 시각도 존재합니다. 신뢰성, 비용 관리, 생태적 구성에서 획기적인 발전을 이룰 수 있다면 이러한 프레임워크는 대형 제조업체의 생태계 밖에서도 여전히 실행 가능한 개발 경로를 찾을 수 있습니다. 전반적으로 모든 AI 에이전트 프레임워크의 핵심 과제는 '높은 비용과 오류 발생 가능성'과 '다양한 시나리오 구현의 유연성'이라는 두 가지 주요 문제를 어떻게 해결할 것인가 하는 것입니다.

세 번째 AI 에이전트 개발 방향 

멀티모달AI대중성멀티모달AI