图解 Rei Network：深入浅出，理解 AI Agent 与区块链的无缝联动

作者：francesco

编译：深潮 TechFlow

在创建 AI 智能体时，一个核心挑战是如何让它们既能灵活地学习、迭代和成长，又能确保输出结果的一致性。

Rei 提供了一个框架，用于在 AI 和区块链之间共享结构化数据，使得 AI 智能体能够学习、优化，并保留一套经验与知识库。

这一框架的出现，使开发具备以下能力的 AI 系统成为可能：

• 理解上下文和模式，并生成有价值的洞察

• 将洞察转化为可执行的行动，同时受益于区块链的透明性和可靠性

面临的挑战

AI 和区块链在核心属性上存在显著差异，这使得两者的兼容性面临诸多挑战：

1. 区块链的确定性计算：区块链的每一步操作都必须在所有节点上产生完全一致的结果，以确保：

   1. 共识：每个节点对新区块内容达成一致，共同完成验证

   2. 状态验证：区块链的状态始终可追溯且可验证。新加入的节点应能快速同步到与其他节点一致的状态

   3. 智能合约执行：所有节点在相同输入条件下必须生成一致的输出

2. AI 的概率性计算：AI 系统的输出结果通常是基于概率的，这意味着每次运行可能会得到不同结果。这种特性来源于：

   1. 上下文依赖性：AI 的表现依赖于输入的上下文，例如训练数据、模型参数，以及时间和环境条件

   2. 资源密集性：AI 的计算需要高性能硬件支持，包括复杂的矩阵运算和大量内存

上述差异引发了以下兼容性挑战：

• 概率性与确定性数据的冲突

  • 如何将 AI 的概率性输出转化为区块链所需的确定性结果？

  • 这种转化应在何时、何地完成？

  • 如何在确保确定性的同时，保留概率性分析的价值？

• Gas 成本：AI 模型的高计算需求可能导致无法承受的 Gas 费用，从而限制其在区块链上的应用。

• 内存限制：区块链环境的内存容量有限，难以满足 AI 模型的存储需求。

• 执行时间：区块链的区块时间对 AI 模型的运行速度形成了限制，可能影响其性能。

• 数据结构的整合：AI 模型使用复杂的数据结构，而这些结构难以直接融入区块链的存储模式中。

• 预言机问题（验证需求）：区块链依赖预言机来获取外部数据，但如何验证 AI 计算的准确性仍是一个难题。尤其是 AI 系统需要丰富的上下文和低延迟，这与区块链的特性存在冲突。

原图来自 francesco，由深潮 TechFlow 编译

AI 智能体如何与区块链无缝联动？

原图来自 francesco，由深潮 TechFlow 编译

Rei 提出了一个全新的解决方案，将 AI 和区块链的优势结合在一起。

原图来自 francesco，由深潮 TechFlow 编译

与其强行将 AI 和区块链这两种截然不同的系统融合，Rei 更倾向于充当一个“通用翻译器”，通过翻译层让两者能够顺畅地沟通与协作。

原图来自 francesco，由深潮 TechFlow 编译

Rei 的核心目标包括：

• 让 AI 智能体能够独立思考与学习

• 将智能体的洞察转化为精确且可验证的区块链操作

原图来自 francesco，由深潮 TechFlow 编译

这一框架的首次应用是 Unit00x0 (Rei_00 - $REI)，目前已被训练为一名量化分析师。

Rei 的认知架构由以下四个层次组成：

1. 思考层 (Thinking Layer)：负责处理和收集原始数据，例如图表数据、交易历史和用户行为，并从中寻找潜在模式。

2. 推理层 (Reasoning Layer)：在发现模式的基础上，为其添加上下文信息，例如日期、时间、历史趋势和市场状况，从而让数据更加立体化。

3. 决策层 (Decision Layer)：根据推理层提供的上下文化信息制定具体的行动方案。

4. 行动层 (Action Layer)：将决策转化为可以在区块链上执行的确定性操作。

Rei 的框架建立在以下三个核心支柱之上：

原图来自 francesco，由深潮 TechFlow 编译

1. Oracle (预言机，类似神经路径)：将 AI 的多样化输出转化为统一的结果，并记录到区块链上。

2. ERC 数据标准 (ERC Data Standard)：扩展区块链存储能力，支持复杂模式的数据存储，同时保留思考层和推理层生成的上下文信息，从而实现从概率数据到确定性执行的转化。

3. 记忆系统 (Memory System)：让 Rei 能够随着时间积累经验，并随时调用先前的输出结果和学习成果。

以下是这些交互的具体表现形式：

原图来自 francesco，由深潮 TechFlow 编译

• Oracle 桥负责识别数据模式

• ERCData 用于存储这些模式

• 记忆系统保留上下文信息以便更好地理解模式

• 智能合约可以访问这些累积的知识并据此采取行动

凭借这一架构，Rei 智能体已经能够结合链上数据、价格变动、社会情绪等多维信息，对 Token 进行深度分析。

更重要的是，Rei 不仅能分析数据，还能在此基础上形成更深层次的理解。这得益于她将自己的经验和洞察直接存储在区块链上，使这些信息成为其知识体系的一部分，能够被随时调用，从而不断优化决策能力和整体经验。

Rei 的数据来源包括 Plotly 和 Matplotlib 库（用于图表绘制）、Coingecko、Defillama、链上数据以及 Twitter 的社交情绪数据。通过这些多样化的数据来源，Rei 能够提供全面的链上分析和市场洞察。

随着 Quant V2 的功能更新，Rei 现支持以下几种分析形式：

1. 项目分析：在原有功能基础上新增了定量指标和情绪数据支持。分析内容包括 K 线图（Candlestick Chart）、互动图表（Engagement Chart）以及持有者分布（Holder Distribution）和盈亏（PnL）情况。（相关示例）

2. 流入与流出分析：通过监控链上热门 Token 的价格和交易量，Rei 能够将这些数据与资金流入和流出情况进行对比，帮助用户发现潜在市场趋势。（相关示例）

3. 互动分析：评估项目的整体互动情况，包括即时数据与 24 小时前数据的对比，以及相对价格变化。此功能揭示了最新信息与用户互动表现之间的相关性。（相关示例）

4. 顶级类别分析：对单一类别中的最低交易量和最高交易数进行分析，突出项目在其所属类别中的表现。

5. 第一个图表展示了底部的交易量和顶部的交易数；随后深入分析单个类别，揭示单个项目相较于同类项目的指标变化。（相关示例）

此外，截至 2025 年 1 月，Rei 已支持链上 Token 买卖功能。她配备了基于 ERC-4337 标准的智能合约钱包，使交易更加便捷和安全。

（深潮 TechFlow 注：ERC-4337 是一种支持账户抽象的以太坊改进提案，旨在提升用户体验）。

Rei 的智能合约通过用户签名授权，将操作委托给她，从而使 Rei 能够自主管理其投资组合。

以下是 Rei 的钱包地址：

• EOA 钱包（签名钱包）：

• https://basescan.org/address/0x3BC4c3A2a2Fa5ad20a2B95B18CA418D06A360cB

• 智能钱包（账户抽象钱包）：

• https://basescan.org/address/0xf6835acc8d2b51e5d47632ca8954bfee9a0ce49c

使用案例：Rei 框架的多功能性

原图来自 francesco，由深潮 TechFlow 编译

Rei 框架不仅局限于金融领域，还可以应用于以下广泛的场景：

• 用户与智能体交互：支持内容创作

• 市场分析：供应链管理和物流领域

• 自适应系统的构建：治理场景

• 风险评估：在医疗领域，Rei 通过上下文分析评估潜在风险

Rei 的未来发展方向

• 更好的 UI

• 基于 Token 权限的 Alpha 终端

• 开发者平台