为什么 AI 需要去中心化

随着 AI 日益推动内容创作、决策和在线互动，透明性和问责性的关键问题不断浮现。SubQuery 通过将所有代理的交互和推理存储在链上，解决了这些问题，确保数据不可篡改、可追溯且可审计。

SubQuery 去中心化方法解决的关键问题包括：

  • 单点故障风险：去中心化基础设施提高了系统的弹性。

  • 决策过程不透明：链上存储引入了对代理行为的问责机制。

  • 自治代理的可扩展性：为开发者提供了工具，以快速原型设计并部署 AI 代理。

SubQuery 的核心重点是提供实际的应用价值，而非依赖炒作，旨在构建可信的 AI 驱动系统。

SubQuery AI 框架简介

AI 3.0 生态系统合作伙伴演示：利用 SubQuery 构建透明和可问责的链上代理

SubQuery 的 AI 框架旨在让创建和管理 AI 代理变得简单直观。开发者可以从一个包含所有必要组件的样板项目入手。

框架的主要功能包括：

  1. 模块化设计

    1. 使用 TypeScript 进行开发，并结合了基于 Deno 的现代安全运行时环境（Deno 是 Node.js 的重新构想）。

  2. 开源模型

    1. 支持与流行的开源模型（如 Llama 3B）的集成，为开发者提供了灵活性和独立于专有工具的能力。

  3. 系统提示

    1. 开发者可以定义代理的行为，具体说明其角色、个性和每次交互的目的。

  4. 功能工具

    1. 允许代理执行特定任务，例如 API 调用、与区块链数据交互或执行智能合约。

现场演示：构建自定义 AI 代理

AI 3.0 生态系统合作伙伴演示：利用 SubQuery 构建透明和可问责的链上代理

在演示中，SubQuery 展示了一个逐步示例，突出框架的简洁性。这个名为“Greeter AI”的代理被设计为向用户询问姓名，并用独特的笑话或双关语来问候用户。

这一有趣的示例强调了系统提示和轻量配置如何塑造代理行为。对于更高级的用例，演示还探讨了功能工具，展示了它们在处理复杂任务（如反转用户输入或检索区块链数据）方面的能力。

真实应用案例：知识型透明代理

AI 3.0 生态系统合作伙伴演示：利用 SubQuery 构建透明和可问责的链上代理

SubQuery 的一个突出示例是“Argument”，这是一个设计用于在社交媒体平台上参与辩论的 AI 代理。

Argument 的显著特点是其链上记忆功能：

  • 每次交互都记录在链上，包括推理和决策过程。

  • 公众访问权限允许任何人通过存储的交易和响应查看 Argument 的“思维过程”。

AI 3.0 生态系统合作伙伴演示：利用 SubQuery 构建透明和可问责的链上代理

这种方法解决了 AI 系统中的关键问题，即决策过程通常是一个“黑盒”。链上存储 AI 的推理使开发者和用户可以追溯交互记录，识别潜在错误，从而消除像“幻觉”这样的模糊问题。

通过 RAG 支持扩展知识

AI 3.0 生态系统合作伙伴演示：利用 SubQuery 构建透明和可问责的链上代理

另一个演示重点展示了 SubQuery 使用 RAG（检索增强生成） 来支持一个 AI 支持机器人，该机器人经过了其全面文档的训练。

通过 RAG，SubQuery 的 AI 实现了以下功能：

  1. 处理庞大的知识库：使用 LanceDB 将文档转换为向量嵌入，以便高效查询。

  2. 精准处理用户查询：从特定文档来源提供详细的答案。

  3. 增强可用性：通过可定制的提示，提供具有讽刺、简化或技术风格的解释。

这一应用是框架如何支持开发者在复杂生态系统中导航的一个真实案例，使工具更易于为更广泛的受众所用。

赋能开发者和创新者

SubQuery 的关注点超越了其内部用例，旨在赋能 Web3 开发者社区，激发他们想象并开发自己的 AI 驱动解决方案。该框架提供了探索新颖想法的灵活性，无论是用于自动化去中心化流程、构建交互式 dApp，还是创建全新的代理驱动平台。

正如 SubQuery 的 James 所言：“我们提供工具，让你尽情发挥想象力。你的创意是唯一的限制。”

结论：塑造去中心化 AI 的未来

SubQuery 的 AI 框架展示了人工智能与区块链技术结合的潜力。通过专注于透明性、问责性和实际效用，SubQuery 正在重新定义 AI 3.0 时代的可能性。

随着去中心化代理的激增，SubQuery 的工具将在确保这一新创新浪潮既强大又负责任方面发挥至关重要的作用。无论是通过像 Argument 这样有趣的辩论代理，还是功能强大的 AI 支持机器人，SubQuery 正在为新一代透明且具有弹性的 AI 系统奠定基础。