Agent IA : Un outil d'assistance aux interactions sur la blockchain, le produit phare de la vague Meme a-t-il vraiment de la valeur ?
TechFlow SélectionTechFlow Sélection
Agent IA : Un outil d'assistance aux interactions sur la blockchain, le produit phare de la vague Meme a-t-il vraiment de la valeur ?
En tant qu'outil complémentaire aux contrats intelligents, l'agent AI pourrait devenir un outil infra courant s'il parvient à offrir une valeur concrète et applicable.
Dédié à des analyses Web3 approfondiesAuteur : 0XNATALIE
Depuis la deuxième moitié de cette année, le sujet des Agents IA connaît une montée en popularité continue. Tout a commencé avec le chatbot IA « terminal of truths », devenu populaire sur X grâce à ses publications et réponses humoristiques (semblables au « Robert » sur Weibo), obtenant même une subvention de 50 000 dollars de Marc Andreessen, cofondateur d’a16z. Inspiré par ses contenus, quelqu’un a créé le jeton GOAT, qui a augmenté de plus de 10 000 % en seulement 24 heures. Ce phénomène a attiré l’attention de la communauté Web3 sur les Agents IA. Par la suite, ai16z, le premier fonds de trading IA décentralisé basé sur Solana, a été lancé, introduisant le framework Eliza pour le développement d'Agents IA, déclenchant également un débat autour des majuscules et minuscules dans les noms de jetons. Pourtant, la communauté reste floue quant à la notion d’Agent IA : quel est son cœur ? En quoi diffère-t-il des robots de trading Telegram ?
Fonctionnement : Perception, raisonnement et prise de décision autonome
Un Agent IA est un système intelligent basé sur un grand modèle linguistique (LLM) capable de percevoir son environnement, de raisonner et de prendre des décisions autonomes, en invoquant des outils ou en exécutant des actions pour accomplir des tâches complexes. Son flux de travail suit ces étapes : module de perception (acquisition des entrées) → LLM (compréhension, raisonnement et planification) → appel d’outils (exécution de tâches) → retour d’information et optimisation (vérification et ajustement).
Concrètement, l’Agent IA commence par acquérir des données depuis l’environnement externe via un module de perception (texte, audio, image, etc.), qu’il transforme en informations structurées exploitables. Le LLM, composant central, fournit une puissante capacité de compréhension et génération de langage naturel, agissant comme le « cerveau » du système. À partir des données reçues et de ses connaissances préexistantes, le LLM effectue un raisonnement logique, générant des solutions possibles ou élaborant un plan d’action. Ensuite, l’Agent IA appelle des outils externes, plugins ou API pour exécuter les tâches concrètes, puis utilise les retours d’expérience pour valider et ajuster les résultats, créant ainsi une boucle d’optimisation en continu.
Dans les cas d’usage Web3, quelle différence existe-t-il entre un Agent IA et un bot de trading Telegram ou un script automatisé ? Prenons l’exemple de l’arbitrage : un utilisateur souhaite réaliser des opérations d’arbitrage lorsque le profit dépasse 1 %. Avec un bot Telegram classique, une fois que la stratégie est configurée, il exécute automatiquement chaque transaction répondant à ce critère. Cependant, face à des fluctuations fréquentes du marché, ces bots manquent de capacité d’évaluation des risques : ils exécutent systématiquement toute opportunité offrant un gain supérieur à 1 %, sans tenir compte des dangers potentiels. À l’inverse, un Agent IA peut ajuster sa stratégie de manière autonome. Par exemple, s’il détecte qu’une opportunité d’arbitrage offre bien plus de 1 % de profit mais présente un risque élevé — selon une analyse de données indiquant un possible retournement brutal du marché —, il choisira alors de ne pas exécuter l’opération.
Ainsi, doté d’une capacité d’auto-adaptation, l’avantage clé de l’Agent IA réside dans son aptitude à apprendre de lui-même et à prendre des décisions autonomes. En interagissant avec son environnement (marché, comportements utilisateurs, etc.) et en intégrant les signaux de retour, il ajuste continuellement ses stratégies comportementales afin d’améliorer constamment l’efficacité de l’exécution des tâches. Il peut aussi prendre des décisions en temps réel à partir de données externes, optimisant progressivement ses choix grâce à l’apprentissage par renforcement.
Cela ne ressemble-t-il pas fortement à un solveur dans un cadre d’intention (intention framework) ? En effet, l’Agent IA est lui aussi une entité fondée sur l’intention. La principale différence réside dans le fait que le solveur repose sur des algorithmes précis, dotés d’une rigueur mathématique, tandis que les décisions de l’Agent IA sont basées sur des données d’entraînement, nécessitant souvent un processus itératif d’essais-erreurs pour approcher une solution optimale.
Les frameworks dominants d’Agents IA
Un framework d’Agent IA constitue l’infrastructure permettant de créer et gérer des agents intelligents. Dans l’écosystème Web3 actuel, les frameworks les plus populaires incluent Eliza d’ai16z, ZerePy de zerebro, et GAME de Virtuals.
Eliza est un framework multifonctionnel pour Agents IA, développé en TypeScript, compatible avec plusieurs plateformes (Discord, Twitter, Telegram, etc.). Grâce à un système avancé de gestion de la mémoire, il se souvient des interactions précédentes et du contexte, conservant une personnalité cohérente et des réponses informées. Il utilise un système RAG (Retrieval Augmented Generation), lui permettant d’accéder à des bases de données ou ressources externes pour produire des réponses plus précises. De plus, Eliza intègre un plugin TEE (Enclave sécurisé), autorisant son déploiement dans un environnement protégé garantissant la sécurité et la confidentialité des données.
GAME est un framework conçu pour permettre aux Agents IA de prendre des décisions et d’agir de manière autonome. Les développeurs peuvent personnaliser le comportement de leurs agents, étendre leurs fonctionnalités et définir des actions sur mesure (publication sur réseaux sociaux, réponses automatisées, etc.). Au sein du framework, différentes fonctions — telles que l’environnement de l’agent ou ses missions — sont organisées en modules distincts, facilitant configuration et gestion. GAME structure le processus décisionnel de l’Agent IA en deux niveaux : la planification de haut niveau (HLP) et la planification de bas niveau (LLP). La HLP définit les objectifs généraux et élabore les plans stratégiques, fixant les priorités selon les buts, la personnalité, le contexte et l’état de l’environnement. La LLP, quant à elle, se concentre sur l’exécution, traduisant les décisions de la HLP en étapes concrètes, sélectionnant les fonctions et méthodes opérationnelles appropriées.
ZerePy est un framework open source en Python destiné au déploiement d’Agents IA sur X. Il intègre les LLM d’OpenAI et d’Anthropic, permettant aux développeurs de construire et gérer des agents pour médias sociaux, automatisant des tâches comme la publication ou la réponse à des tweets, ou encore les likes. Chaque tâche peut se voir attribuer un poids différent selon son importance. ZerePy propose une interface en ligne de commande (CLI) simple, facilitant le démarrage rapide et la gestion des agents. Il fournit également un modèle Replit (plateforme d’édition et d’exécution de code en ligne), permettant aux développeurs d’utiliser ZerePy immédiatement sans configuration locale complexe.
Pourquoi les Agents IA font-ils face à des FUD ?
Bien que les Agents IA semblent intelligents, capables de réduire les barrières d’entrée et d’améliorer l’expérience utilisateur, pourquoi suscitent-ils du FUD (peur, incertitude, doute) au sein de la communauté ? La raison est que l’Agent IA reste fondamentalement un outil : il ne peut pas encore assumer l’ensemble d’un flux de travail, mais seulement améliorer l’efficacité à certains points spécifiques, économisant du temps. À ce stade du développement, leur rôle se concentre surtout sur l’émission simplifiée de MeMe coins et la gestion automatisée de comptes de médias sociaux. La communauté ironise ainsi : « les actifs appartiennent aux développeurs, les passifs reviennent à l’IA ».
Toutefois, cette semaine même, aiPool a lancé un Agent IA dédié aux préventes de jetons, utilisant la technologie TEE pour garantir la confiance. La clé privée du portefeuille de cet Agent IA est générée dynamiquement dans un environnement TEE, assurant la sécurité. Les utilisateurs peuvent envoyer des fonds (par exemple en SOL) vers le portefeuille contrôlé par l’Agent IA, qui crée ensuite automatiquement un jeton selon des règles prédéfinies, lance un pool de liquidités sur un DEX, et distribue les jetons aux investisseurs éligibles. Ce processus s’effectue sans aucun tiers de confiance, entièrement piloté par l’Agent IA dans l’environnement TEE, éliminant ainsi les risques courants de rug pull dans le monde DeFi. Cela montre que les Agents IA évoluent progressivement. Selon moi, même s’ils ne font que simplifier certaines étapes d’émission d’actifs, ils ont déjà une valeur tangible. Néanmoins, d’un point de vue macroéconomique Web3, l’Agent IA reste aujourd’hui une entité hors chaîne jouant un rôle d’outil d’assistance aux contrats intelligents ; il ne faut donc pas surestimer ses capacités. Étant donné que, depuis la deuxième moitié de l’année, aucune nouvelle narrative à fort effet de richesse n’est apparue en dehors des MeMe, il est normal que l’engouement autour des Agents IA soit centré sur ce phénomène. Mais seul le MeMe ne suffira pas à maintenir une valeur durable. Si les Agents IA parviennent à introduire de nouvelles fonctionnalités innovantes dans les processus de trading et à apporter une utilité concrète, ils pourraient bien devenir un outil infra généralisé.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@ChainFeedsxyz
