之前就说要学习AI Agnet，所以确实花了点经历在Ai上，尤其是川普连续两次都说对 Ai 会投资重注，作为早期转发的我肯定也在Ai的赛道下了点功夫学习，虽然川普说的AI和币圈的AI Agent 还是有些区别的，但确实现在币圈的AI已经更多的从叙事和故事先落地转移了。 DeFi自动化，智能合约管理，数据分析和预测。这些项目可以真切推动应用落地，比如在DeFi自动化的领域，AI Agent能自动执行复杂的交易策略，如自动化套利、流动性管理和风险控制。AI可以监控DeFi平台的市场数据，实时调整投资组合以优化收益或降低风险。 智能合约管理上，Ai能够解释、执行、甚至在某些情况下创建智能合约。它们可以自动化审核、部署和监控智能合约，减少人为错误，提高安全性和效率。 数据分析与预测就更不用说了，现在已经有很多的工具推出到市面上，能够处理大规模的链上数据，实时分析市场趋势，提供投资建议或预测未来价格波动。 之间比较火的ai16z，就是属于AI驱动的DeFi投资顾问平台，可以AI模拟投资决策，Eliza框架支持AI代理，降低了投资决策的复杂性，一定程度重塑了DeFi的投资模式。 还有像是Griffain，定位Solana上的智能助手，可以支持链上交易执行，报告反馈等功能，简化了DeFi操作，降低了应用门槛，更多用户可以便捷使用。 就连奶总提的Lumo我都有学习到，除此以外，还有AIDE，Listen，nottelabs，都有涉猎到一些，当然主要还是跟着 @DeAgentAI 的小伙伴学习，每天通过他们能获得很多的生态信息，DeAgentAI也推出了Rena AI，是一个AI交易框架模型应用，覆盖了链抽象，交易预测自动执行，以及自我强化等功能，提供插件式Agent训练生态场景，现在落地的应用就是AlphaX，我也很期待之后的表现。 作为DeAgentAI的体验官，我对 @RENA_AIz 框架下代表应用的AlphaX很感兴趣。是首款基于 DeAgentAI 反馈训练机制、由社区孵化的 AI 模型，对BTC和ETH的交易预测准确率还是很高的，而且还可以根据用户反映进行模型反馈，马上基于Rena AI赋能，会有更多链上预测和交易执行的新功能，而且还可以基于Rena框架，不断自我学习深化。 说这些可能大家不会非常的理解，最直接的就是AlphaX已经集成了我最喜欢用的 @glassnode ，GlassNode的功能有多强大就不用我多说了，在这个领域 @Murphychen888 兄做的就非常的好，这也是我第一个简单将分析软件和AI集成到一起的工具，目前我自己也在测试体验中。 到我体验的差不多的时候会介绍给大家，但我需要再次明确的是，目前所有的学习都是基于Ai和Ai Agent本身的学习，和投资没有任何的关系，我上述讲的任何一个项目都不是投资建议，都仅仅是我在学习过程中了解的一部分，我拥抱的是AI和真正能带来交易的AI Agent，所有内容都不是投资建议，因此出现了损失别找我维权。

没想到对这篇推文感兴趣的小伙伴还挺多的，很多小伙伴都在私下问近乎同样的问题，如何混进或者组建一个小团体。 方式挺多的，但如果说最有用的，那么一定是二场买单侠，这个名字不好听，换个文雅的就是深夜探讨团。 因为这种活动大部分人去的都是交易所，项目方，Agnet 的各种局，除非是关系非常好的小伙伴，否则基本都会面临晚饭以后无处可去，或者是公开二场找不到话题这样的尴尬。所以很多人基本都会“流窜”在各个活动之间。 但如果有一个固定的，逼格看上去很高，或者感觉很私密，又或者是很有话题度的活动，那么会非常的吸引人，当然成本也很高，要知道香港吃顿饭问题不大，请顿饭咬咬牙也能接受，但有些二场的消费都是按 万U 来计算的，这就是为什么每年 Token2049 巨哼 和 143 才是看上去最好的交际局。（当然，更好的是私下的会所） 在香港也是一样，如果有小伙伴想要快速的建立一些名号，更容易被大家认识，跟希望自己的内容被大家转发互动，那么在我经验中，二场建立关系比跑会要容易 100 倍。 香港的二场很多，规格也不一样，儒雅高端一点的有空中酒吧，雪茄馆或者红酒馆，逼格在高一些的可以去高端的水烟馆， 可以包一些清吧（请小明星），更私密一些的可以组织打麻将，德扑之类的，想要更好的拉近关系就小范围的会所类商K，当然这种需要有中心人物组局，否则去了也等于没去。 选好方式就做个漂亮点的海报，邀请制，人越少越好，然后想办法邀请2-3个核心大佬帮你转发邀请函，接下来就等着有人私信你问你还有没有位置，但要注意一些，如果大佬真的准备跟你玩，你的人选最好让大佬看一下，多数情况下没事，但越是私密局就越要注意相互之间的关系。 最后，小局不论在哪里，不论是不是私密的都不要轻易拍照发照片。 差不多了吧，还有什么是我需要补充的？

Agent 自我进化也会过拟合。 Harness 在同一批任务上反复修改，Benchmark 分数可能一路上涨；换到新任务后，刚学到的能力却很快失效。 Google Cloud AI Research 等团队这篇 RRSI，专门给 Harness Evolution 加了一套「正则化」。 它主要从两端限制自我改进： Proposer 负责提出修改。前期允许一次尝试更多变化，后期逐渐收紧每轮能改的组件数量；同时参考历史进化轨迹，鼓励探索还没试过的方向，减少反复走同一条路。 Selector 决定哪些修改能留下。其中有两个关键角色： Critic 会过滤明显针对 Benchmark 写死的技巧，避免 Harness 靠记题刷分； Pruner 会删掉收益太小、token 成本太高，或者后续已经没有价值的改动，防止 Harness 越进化越臃肿。 所以它最终想保留的，是能跨任务复用的机制。 结果在普通 Harness Evolution 在训练任务上分数更高，但 OOD 平均只有 40.3；RRSI 达到 43.6，同时推理 token 还减少了约 30%。 有一个直接的感受是自我进化做到后面，难的是决定什么值得继承。 换了环境还能留下来的改动，才更有价值。 📎 arxiv:

Agentic 能力 = 在模糊环境中自主定义问题 → 规划路径 → 调用资源 → 执行 → 迭代修正的完整能力。 虽然指 AI Agent 的能力，其实人也很需要。 现在硅谷现在公司招人，都很看重人的Agentic能力。

Agent 自进化，并不会每一轮都变得更强。 这篇《Rethinking Self-Evolving Agent Skills》专门研究 Skill 在多轮迭代里到底是怎么进化的。 作者做了 42 组 evolution run，一共生成 388 个候选 Skill，真正刷新验证集最好结果的只有 55 个。 也就是说，大部分修改其实没有带来有效提升，很多轮次会停滞、退化，最后被回滚。 还有一个很有意思的结果： 最终被选中的 11 个进化 Skill，全部使用了失败轨迹作为反馈；只看成功经验的方案一次都没有胜出。 失败轨迹更像是在告诉 Agent「哪里需要修」，成功轨迹则更适合保留已有能力。 这也说明了自进化更像一场带验证和回滚机制的搜索。 重点不在多迭代几轮，而在每次修改之后，能不能证明这条经验真的值得留下。 📎 arxiv:

Agent 写了几百行代码，不看心里没底，看了又等于白让它干活。 old-coder 换了个思路：不读代码，让 Agent 自己跑一套考核流程。 灵感来自 Uncle Bob，用测试、覆盖率、变异测试把 Agent 围起来，能通过这套关卡的代码就可信。 GitHub： 在 Agent 动手前会先写一份测试计划交过来，让我们确认批准了才开工。 完事后自动跑全套检查，最后交一份带数据的证据报告。 兼容 Claude Code、Codex、Cursor，纯 Markdown 实现，装上就能用。 适合在用 AI 编程但又放心不下代码质量的朋友。

Agent 写了几百行代码，不看心里没底，看了又等于白让它干活。 old-coder 换了个思路：不读代码，让 Agent 自己跑一套考核流程。 灵感来自 Uncle Bob，用测试、覆盖率、变异测试把 Agent 围起来，能通过这套关卡的代码就可信。 GitHub： 在 Agent 动手前会先写一份测试计划交过来，让我们确认批准了才开工。 完事后自动跑全套检查，最后交一份带数据的证据报告。 兼容 Claude Code、Codex、Cursor，纯 Markdown 实现，装上就能用。 适合在用 AI 编程但又放心不下代码质量的朋友。

Agent 能自己跑命令、自己调工具以后，一个绕不开的问题冒出来了：它要是被人骗了怎么办，跑飞了谁负责。 这一攻一防四个项目值得一起看： 防的一侧 1、microsoft/agent-governance-toolkit — 微软出的 Agent 治理工具包，做策略强制、零信任身份、执行沙箱，声称覆盖了 OWASP Agentic Top 10 的全部十项 2、uber/ADR — Uber 开源的企业 Agent 安全方案，做可观测性、安全基准测试和威胁检测，已经在 Uber 内部生产环境部署 3、慢雾的 OpenClaw 安全实践指南 — 特别之处是它明确说了这份指南是写给 Agent 自己看的，不是传统那种只给人用的加固清单 攻的一侧 4、hexstrike-ai — 让 AI agent 自主调用 150 多个网络安全工具做渗透测试和漏洞挖掘。它同时说明了防守这侧为什么必须跟上 给 AI 装手脚的人很多，想着给它装刹车的还太少。