圖解 Rei Network：深入淺出，理解 AI Agent 與區塊鏈的無縫連結
作者：francesco
編譯：深潮 TechFlow
在創建 AI 智能體時，一個核心挑戰是如何讓它們既能靈活地學習、迭代和成長，又能確保輸出結果的一致性。
Rei 提供了一個框架，用於在 AI 和區塊鏈之間共享結構化數據，使得 AI 智能體能夠學習、優化，並保留一套經驗與知識庫。
這個框架的出現，使開發具備以下能力的 AI 系統成為可能：
理解上下文和模式，並產生有價值的洞察
將洞察轉化為可執行的行動，同時受益於區塊鏈的透明度和可靠性
面臨的挑戰
AI 和區塊鏈在核心屬性上有顯著差異，這使得兩者的兼容性面臨諸多挑戰：
區塊鏈的確定性計算：區塊鏈的每一步操作都必須在所有節點上產生完全一致的結果，以確保：
共識：每個節點對新區塊內容達成一致，共同完成驗證
狀態驗證：區塊鏈的狀態總是可追溯且可驗證。 新加入的節點應能快速同步到與其他節點一致的狀態
智慧合約執行：所有節點在相同輸入條件下必須產生一致的輸出
AI 的機率性計算：AI 系統的輸出結果通常是基於機率的，這意味著每次運行可能會得到不同結果。 這種特性來自：
上下文依賴性：AI 的表現依賴於輸入的上下文，例如訓練資料、模型參數，以及時間和環境條件
資源密集性：AI 的運算需要高效能硬體支持，包括複雜的矩陣運算和大量記憶體
上述差異引發了以下：
-
機率性與確定性資料的衝突
如何將 AI 的機率性輸出轉化為區塊鏈所需的確定性結果？
這種轉化應在何時、何地完成？
如何在確保確定性的同時，保留機率性分析的價值？
Gas 成本：AI 模型的高運算需求可能導致無法負擔的 Gas 費用，從而限制其在區塊鏈上的應用。
記憶體限制：區塊鏈環境的記憶體容量有限，難以滿足 AI 模型的儲存需求。
執行時間：區塊鏈的區塊時間對 AI 模型的運行速度形成了限制，可能影響其效能。
資料結構的整合：AI 模型使用複雜的資料結構，而這些結構難以直接融入區塊鏈的儲存模式中。
預言機問題（驗證需求）：區塊鏈依賴預言機來獲取外部數據，但如何驗證 AI 計算的準確性仍是一個難題。 尤其是 AI 系統需要豐富的脈絡和低延遲，這與區塊鏈的特性有衝突。
原圖來自 francesco，由深潮 TechFlow 編譯
AI 智能體如何與區塊鏈無縫連動？
原圖來自 francesco，由深潮 TechFlow 編譯
Rei 提出了一個全新的解決方案，將 AI 和區塊鏈的優勢結合在一起。
原圖來自 francesco，由深潮 TechFlow 編譯
與其強行將 AI 和區塊鏈這兩種截然不同的系統融合，Rei 更傾向於充當一個“通用翻譯器”，透過翻譯層讓兩者能夠順暢地溝通與協作。
原圖來自 francesco，由深潮 TechFlow 編譯
Rei 的核心目標包括：
讓 AI 智能體能獨立思考與學習
將智能體的洞察轉化為精確且可驗證的區塊鏈操作
原圖來自 francesco，由深潮 TechFlow 編譯
這個框架的首次應用是 Unit00x0 (Rei_00 - $REI)，目前已被訓練為一名量化分析師。
Rei 的認知架構由以下四個層次組成：
思考層 (Thinking Layer)：負責處理和收集原始數據，例如圖表數據、交易歷史和使用者行為，並從中尋找潛在模式。
推理層 (Reasoning Layer)：在發現模式的基礎上，為其添加上下文信息，例如日期、時間、歷史趨勢和市場狀況，從而使數據更加立體化。
決策層 (Decision Layer)：根據推理層提供的脈絡化資訊制定具體的行動方案。
行動層 (Action Layer)：將決策轉化為可以在區塊鏈上執行的確定性操作。
原圖來自 francesco，由深潮 TechFlow 編譯
Oracle (預言機，類似神經路徑)：將AI 的多樣化輸出轉化為統一的結果，並記錄到區 塊鏈上。
ERC 資料標準(ERC Data Standard)：擴展區塊鏈儲存能力，支援複雜模式的資料存儲，同時保留思考層和推理層生成的上下文 訊息，從而實現從機率數據到確定性執行的轉化。
記憶系統 (Memory System)：讓 Rei 能夠隨著時間累積經驗，並隨時調用先前的輸出結果和學習成果。
原圖來自 francesco，由深潮 TechFlow 編譯
Oracle 橋負責辨識資料模式
ERCData 用於儲存這些模式
記憶系統保留上下文資訊以便更好地理解模式
智能合約可以存取這些累積的知識並據此採取行動
更重要的是，Rei 不僅能分析數據，還能在此基礎上形成更深層的理解。 這得益於她將自己的經驗和洞察直接儲存在區塊鏈上，使這些資訊成為其知識體系的一部分，能夠隨時調用，從而不斷優化決策能力和整體經驗。
Rei 的資料來源包括 Plotly 和 Matplotlib 函式庫（用於圖表繪製）、Coingecko、defillama、鏈上資料以及 Twitter 的社交情緒資料。 透過這些多樣化的資料來源，Rei 能夠提供全面的鏈上分析和市場洞察。
隨著 Quant V2 的功能更新，Rei 現支援以下幾種分析形式：
專案分析：在原有功能基礎上新增了量化指標與情緒資料支援。 分析內容包括 K 線圖（Candlestick Chart）、互動圖表（Engagement Chart）以及持有者分佈（Holder Distribution）和損益（PnL）情況。 （相關範例）
流入與流出分析：透過監控鏈上熱門 Token 的價格和交易量，Rei 能夠將這些數據與資金流入和流出情況進行對比，幫助用戶發現潛在市場趨勢。 （相關範例）
互動分析：評估專案的整體互動狀況，包括即時資料與 24 小時前資料的對比，以及相對價格變動。 此功能揭示了最新資訊與使用者互動表現之間的相關性。 （相關範例）
頂級類別分析：對單一類別中的最低交易量和最高交易數進行分析，突出項目在其所屬類別中的表現。
第一個圖表顯示了底部的交易量和頂部的交易數；隨後深入分析單一類別，揭示單一項目相較於同類項目的指標變化。 （相關範例）
此外，截至 2025 年 1 月，Rei 已支援鏈上 token 買賣功能。 她配備了，使交易更加便捷和安全。
（深潮 TechFlow 註：ERC-4337 是一種支援帳戶抽象的以太坊改進提案，旨在提升用戶體驗）。
Rei 的智能合約透過使用者簽名授權，將操作委託給她，從而使 Rei 能夠自主管理其投資組合。
以下是 Rei 的錢包位址：
EOA 錢包（簽名錢包）：
https://basescan.org/address/0x3BC4c3A2a2Fa5ad20a2B95B18CA418D06A360cB
智慧錢包（帳號抽象錢包）：
https://basescan.org/address/0xf6835acc8d2b51e5d47632ca8954bfee9a0ce49c
使用案例：Rei 框架的多功能性
原圖來自 francesco，由深潮 TechFlow 編譯
Rei 框架不僅限於金融領域，還可以應用於以下廣泛的場景：
使用者與智能體互動：支援內容創作
市場分析：供應鏈管理與物流領域
自適應系統的建構：治理情境
風險評估：在醫療領域，Rei 透過情境分析評估潛在風險
Rei 的未來發展方向
更好的 UI
基於 Token 權限的 Alpha 終端機
開發者平台