TL;DR

以下，談談個人觀點：

1）MCP（Model Context Protocol）是一個旨在讓各類AI LLM/Agent 無縫連接到各種數據源和工具的開源標準化協議，相當於一個即插即拔USB“通用”接口，取代了過去要端到端“特定”封裝方式。

簡單而言，原本AI應用之間都有明顯的數據孤島，Agent/LLM之間要實現互通有無則需要各自開發相應的調用API接口，操作流程複雜不說，還缺乏雙向交互功能，通常都有相對有限的模型訪問和權限限制。

MCP的出現等於提供了一個統一的框架，讓AI應用可以擺脫過去的數據孤島狀態，實現“動態”訪問外部的數據與工具的可能性，可以顯著降低開發複雜性和集成效率，且在自動化任務執行、實時數據查詢以及跨平臺協作等方面。說到此，很多人立馬想到了，如果用多Agent協作創新的Manus集成此能促進多Agent協作的MCP開源框架，是不是就無敵了？

沒錯，Manus + MCP 才是web3 AI Agent此番遭受衝擊的關鍵。

2）但，匪夷所思的是，無論Manus還是MCP都是面向web2 LLM/Agent 的框架和協議標準，其解決的都是中心化服務器之間的數據交互和協作的問題，其權限和訪問控制還依賴各個服務器節點的“主動”開放，換句話來說，它只是一種開源工具屬性。

按理說，它和web3 AI Agent追求的“分佈式服務器、分佈式協作、分佈式激勵”等等中心思想完全背離，中心化的意大利炮怎麼能炸掉去中心化的碉堡呢？

究其原因在於，第一階段的web3 AI Agent太過於“web2化”了，一方面源於不少團隊都來自web2背景，對web3 Native的原生需求缺乏充分的理解，比如，ElizaOS框架最初就是一個，幫助開發者快捷部署AI Agent應用的封裝框架，恰恰就是集成了Twitter、Discord等平臺和一些OpenAI、Claude、DeepSeek等 API接口，適當封裝了一些Memory、Charater通用框架，幫助開發者快速開發落定AI Agent應用。但較真的話，這套服務框架和web2的開源工具有何區別呢？又有什麼差異化優勢呢？

呃，難道優勢就是有一套Tokenomics激勵方式？然後用一套web2可以完全取代的框架，激勵一批更多為了發新幣而存在的AI Agent？可怕。。順著這個邏輯看，你就大概明白，為何Manus +MCP能夠對web3 AI Agent產生衝擊？由於一眾web3 AI Agent框架和服務只解決了類同web2 AI Agent的快捷開發和應用需求，但在技術服務和標準和差異化優勢上又跟不上web2的創新速度，所以市場/資本對上一批的web3的AI Agent進行了重新估值和定價。

3）說到此，大致的問題想必找到癥結所在了，但又該如何破局呢？就一條路：專注於做web3 原生的解決方案，因為分佈式系統的運轉和激勵架構才是屬於web3絕對差異化的優勢？

以分佈式雲算力、數據、算法等服務平臺為例，表面上看似這種以閒置資源為由頭聚合起來的算力和數據，短期根本無法滿足工程化實現創新的需要，但在大量AI LLM正在拼集中化算力搞性能突破軍備競賽的時候，一個以“閒置資源、低成本”為噱頭的服務模式自然會讓web2的開發者和VC天團不屑一顧。

但等web2 AI Agent過了拼性能創新的階段，就勢必會追求垂直應用場景拓展和細分微調模型優化等方向，那個時候才會真正顯現web3 AI資源服務的優勢。事實上，當以資源壟斷方式爬上巨頭位置上的web2 AI到一定階段，很難再退回來用農村包圍城市的思想，逐個細分場景擊破，那個時候就是過剩web2 AI 開發者+ web3 AI 資源抱團發力的時候。

所以，現在web3 AI Agent的機會空間也很清晰了：在web3 AI 資源平臺擁有溢出的web2開發者需求客戶前，探索踐行出一套非web3分佈式架構不可的可行解決方案和路徑來。事實上，web3 AI Agent除了web2的那套快捷部署+多Agent協作通信框架外+Tokenomic 發幣敘事之外，有很多web3 Native的創新方向值得去探索：

比如，配備一套分佈式共識協作框架，考慮到LLM大模型鏈下計算 +鏈上狀態存儲的特性，需要諸多適配性的組件。

1、一套去中心化的DID身份驗證系統，讓Agent能夠擁有可驗證的鏈上身份，這像執行虛擬機為智能合約生成的唯一性地址一樣，主要為了後續狀態的持續追蹤和記錄；

2、一套去中心化的Oracle預言機系統，主要負責鏈下數據的可信獲取和驗證，和以往Oracle不同的是，這套適配AI Agent的預言機可能還需要做包括數據採集層、決策共識層、執行反饋層多個Agent的組合架構，以便於Agent的鏈上所需數據和鏈下計算和決策能夠實時觸達；

3、一套去中心化的存儲DA系統，由於AI Agent運行時的知識庫狀態存在不確定性，且推理過程也較為臨時性，需要一套把LLM背後的關鍵狀態庫和推理路徑記錄下來存儲於分佈式存儲系統中，並提供成本可控的數據證明機制，以確保公鏈驗證時的數據可用性；

4、一套零知識證明ZKP隱私計算層，可以聯動包括TEE時、FHE等在內的隱私計算解決方案，實現實時的隱私計算+數據證明驗證，讓Agent可以有更廣泛的垂直數據來源（醫療、金融），繼而on top之上有更多專業定製化的服務Agent出現；

5、一套跨鏈互操作性協議，有點類似於MCP開源協議定義的框架，區別在於這套Interoperability解決方案，需要有適配Agent運行、傳遞、驗證的relay和通信調度機制，能夠完成Agent在不同鏈間的資產轉移和狀態同步問題，尤其是包含Agent上下文和Promopt、知識庫、Memory等複雜的狀態等等；

……

在我看來，真正的web3 AI Agent的攻克重點應該在於如何讓AI Agent的“複雜工作流”和區塊鏈的“信任驗證流”如何儘可能契合。至於這些增量解決方案，由已有的老敘事項目升級迭代而來，還是由新構成的AI Agent敘事賽道上的項目重新鑄就，都有可能性。

這才是web3 AI Agent應該努力Build的方向，才是符合AI +Crypto大宏觀敘事下的創新生態基本面。若不能有相關的創新開拓和差異化競爭壁壘建立，那麼，每一次web2 AI 賽道的風吹草動，都可能攪得web3 AI天翻地覆。

聲明：

1. 本文轉載自 [Haotian-CryptoInsight’s Substack]，著作權歸屬原作者 [@haotiancryptoinsight]，如對轉載有異議，請聯繫 Gate Learn 團隊，團隊會根據相關流程儘速處理。
2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。
3. 文章其他語言版本由 Gate Learn 團隊翻譯， 在未提及 Gate.io 的情況下不得複製、傳播或抄襲經翻譯文章。