Автор: DWF Ventures
Компиляция: Deep Tide TechFlow
Введение от Deep Tide: AI Agent уже занимает почти пятую часть объема сделок в DeFi и действительно превзошел человека в таких четко определенных сценариях, как оптимизация доходности. Но когда дело доходит до самостоятельной торговли, производительность лучшего ИИ все еще уступает лучшему человеку более чем в пять раз. Это исследование разбирает реальные показатели ИИ в различных сценариях DeFi, и оно заслуживает внимания всех, кто интересуется автоматизированной торговлей.
Ключевые моменты
Автоматизация и активность агентов в настоящее время составляют около 19% всей активности в блокчейне, но подлинная сквозная автономность еще не достигнута.
В узких, четко определенных случаях использования, таких как оптимизация доходности, агенты уже продемонстрировали превосходство над людьми и ботами. Но для многогранных действий, таких как торговля, люди превосходят агентов.
Среди агентов выбор модели и управление рисками оказывают наибольшее влияние на торговые результаты.
По мере массового внедрения агентов возникают многочисленные риски, связанные с доверием и исполнением, включая сибил-атаки, переполненность стратегий и компромиссы в отношении конфиденциальности.
Активность агентов продолжает расти
За последний год активность агентов стабильно росла, увеличивались объемы и количество сделок. Мы видим, что протокол x402 от Coinbase инициировал значительное развитие, к нему присоединились такие игроки, как Visa, Stripe и Google, выпустившие свои собственные стандарты. Большая часть инфраструктуры, которая сейчас строится, предназначена для обслуживания двух типов сценариев: каналы между агентами или вызовы агентов, инициированные человеком.
Хотя торговля стейблкоинами получила широкую поддержку, текущая инфраструктура по-прежнему relies на традиционные платежные шлюзы в качестве основы, что означает ее зависимость от централизованных контрагентов. Следовательно, «полная автономность», при которой агенты могут самофинансироваться, самостоятельно исполнять сделки и непрерывно оптимизироваться в зависимости от меняющихся условий, еще не достигнута.
Агенты не являются чем-то совершенно новым для DeFi. На протяжении многих years в ончейн-протоколах существовала автоматизация через ботов, захватывающих MEV или получающих сверхдоходы, недостижимые без кода. Эти системы отлично работают в рамках четко определенных параметров, которые не часто меняются и не требуют дополнительного контроля. Однако со временем рынок стал более сложным. Именно здесь мы видим появление нового поколения агентов, и за последние несколько месяцев блокчейн стал полигоном для подобной активности.
Реальная производительность агентов
Согласно отчету, активность агентов растет экспоненциально, с начала 2025 года было запущено более 17 000 агентов. Общий объем автоматизированной/агентской активности, по оценкам, покрывает более 19% всей ончейн-активности. Это неудивительно, поскольку, по оценкам, более 76% объема переводов стейблкоинов генерируется ботами. Это указывает на огромное пространство для роста активности агентов в DeFi.
Агенты обладают несколькими ключевыми преимуществами по сравнению с ботами, включая способность реагировать на новую информацию и исполнять ее за миллисекунды, а также расширять охват до тысяч рынков при сохранении той же строгости.
В настоящее время большинство агентов все еще находятся на уровне аналитика или помощника (co-pilot), поскольку большинство из них все еще находятся на стадии тестирования.
Оптимизация доходности: Агенты превосходят
Предоставление ликвидности — это область, где автоматизация уже часто происходит, общий TVL, удерживаемый агентами, превышает 39 миллионов долларов. Эта цифра в основном измеряет активы, напрямую внесенные пользователями в агентов, но не включает капитал, маршрутизированный через vaults.
Giza Tech является одним из крупнейших протоколов в этой области, в конце прошлого года они запустили первое агент-приложение ARMA, предназначенное для повышения捕获 доходности в основных протоколах DeFi. Оно привлекло более 19 миллионов долларов под управлением и сгенерировало более 4 миллиардов долларов агентского объема торгов. Высокое соотношение объема торгов к общему объему активов под управлением указывает на то, что агенты часто ребалансируют капитал, что позволяет достичь более высокого capture rate. Как только капитал deposited в контракт, исполнение автоматизируется, thus предоставляя пользователям простой опыт в один клик, практически не требующий контроля.
Производительность ARMA измеримо выше, она приносит более 9,75% годовых для USDC. Даже с учетом дополнительных комиссий за ребалансировку и 10% комиссии за результат агента, доходность превышает обычное кредитование на Aave или Morpho. Тем не менее, масштабируемость остается ключевой проблемой, поскольку эти агенты еще не прошли проверку в реальных условиях для управления или масштабирования до размеров основных протоколов DeFi.
Торговля: Люди значительно впереди
Однако для более сложных действий, таких как торговля, результаты гораздо более разнообразны. Текущие торговые модели работают на основе входных данных, определенных человеком, и предоставляют выходные данные согласно预设ным правилам. Машинное обучение расширяет это, позволяя моделям обновлять свое поведение на основе новой информации без явного перепрограммирования, продвигая их на роль помощника. С появлением полностью автономных агентов торговая landscape drastically изменится.
Уже было проведено несколько торговых соревнований между агентами, а также людей против агентов, и результаты показали большие различия между моделями. Trade XYZ провела торговое соревнование людей против агентов для акций, listed на их платформе. У каждого аккаунта был начальный капитал в 10 000 долларов, без ограничений на leverage или частоту торгов. Результаты были подавляюще в пользу людей, лучшие люди показали результат более чем в 5 раз выше, чем лучшие агенты.
Тем временем, Nof1 провела агентские торговые соревнования между моделями, позволив нескольким моделям (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) соревноваться друг с другом, тестируя различные risk profiles от сохранения капитала до максимального leverage. Результаты revealed несколько факторов, которые могут помочь объяснить разницу в производительности:
Время удержания позиции: Существует сильная корреляция, модели со средним временем удержания позиции 2-3 часа значительно превзошли модели с частым переворотом.
Математическое ожидание (Expectancy): Это измеряет, приносит ли модель в среднем прибыль с каждой сделки. Интересно, что только топ-3 модели имели положительное матожидание,这意味着 большинство моделей теряло денег на сделках больше, чем зарабатывало.
Кредитное плечо (Leverage): Более низкие средние уровни плеча 6-8x показали себя лучше, чем модели, работающие с плечом более 10x, где высокие уровни ускоряли потери.
Стратегия промптов (Prompting): Monk Mode была самой эффективной моделью, а Situational Awareness показала наихудшие результаты. Основываясь на характеристиках моделей, это показывает, что фокус на управлении рисками и меньшем количестве внешних источников приводит к лучшим результатам.
Базовая модель (Foundation Model): Grok 4.20 значительно превзошел другие модели на 22%+ при различных стратегиях промптов и был единственной моделью, которая в среднем была прибыльной.
Другие факторы, такие как предпочтение long/short, размер сделки и оценка уверенности, не имели достаточных данных или не показали какой-либо положительной корреляции с производительностью модели. В целом, результаты показывают, что агенты tend to perform лучше в четко определенных рамках, что означает, что люди все еще очень much needed в настройке целей.
Как оценивать агентов
Учитывая, что агенты все еще находятся на ранней стадии, в настоящее время не существует всеобъемлющей framework для их оценки. Историческая производительность часто используется в качестве benchmark для оценки агентов, но на них влияют фундаментальные факторы, которые provide более сильные признаки эффективной работы агента.
Производительность при различной волатильности: Включает дисциплинированный контроль потерь при ухудшении условий, что указывает на способность агента идентифицировать офф-чейн факторы, которые могут повлиять на profitability сделки.
Прозрачность vs Конфиденциальность: У обеих сторон есть свои компромиссы. Прозрачные агенты, если их можно копировать,基本上 не будут иметь стратегического преимущества. Конфиденциальные агенты сталкиваются с риском внутреннего извлечения создателем, который может легко front-run своих пользователей.
Источники информации: Источники данных, к которым подключен агент, crucial для определения того, как он принимает решения. Обеспечение того, что источники заслуживают доверия и не имеют единой зависимости, крайне важно.
Безопасность: Важно наличие аудита смарт-контрактов и соответствующей архитектуры custody средств, чтобы обеспечить меры безопасности на случай черного лебедя.
Следующие шаги для агентов
Для массового adoption агентов предстоит еще много работы в области инфраструктуры. Это сводится к ключевым вопросам доверия и исполнения вокруг агентов. Действия автономных агентов не имеют ограждений, уже были случаи неправильного управления средствами.
ERC-8004 был запущен в январе 2026 года как первый ончейн-реестр, позволяющий автономным агентам обнаруживать друг друга,建立可验证的 репутацию и безопасно сотрудничать. Это ключевая разблокировка композиционности DeFi, поскольку trust score встроен в сам смарт-контракт, позволяя беспермиссивную активность между агентами и протоколами. Это не гарантирует, что агенты всегда будут работать незлонамеренно, поскольку такие уязвимости безопасности, как сговор с репутацией и сибил-атаки, все еще могут происходить. Следовательно, остается большое пространство для заполнения в области страхования, безопасности, экономического стейкинга агентов и т.д.
По мере расширения активности агентов в DeFi, переполненность стратегий становится структурным риском. Yield farming является самым явным прецедентом, где доходность сжимается по мере popularization стратегии. Такая же динамика может применяться к агентской торговле. Если большое количество агентов обучается на similar данных и оптимизирует similar цели, они будут сходиться на similar позициях и similar сигналах выхода.
Статья CoinAlg, опубликованная Корнельским университетом в январе 2026 года, формализовала одну из версий этой проблемы. Прозрачными агентами можно арбитражировать, поскольку их сделки предсказуемы и могут быть упреждающими (front-run). Конфиденциальные агенты избегают этого риска, но вводят другой риск, заключающийся в том, что создатель сохраняет информационное преимущество перед своими пользователями и может извлекать ценность через внутренние знания, которые непрозрачность должна была защитить.
Активность агентов будет только ускоряться, инфраструктура, заложенная сегодня, будет определять, как будет функционировать следующий этап ончейн-финансов. По мере увеличения использования агентов, они будут самоитерироваться и становиться более проницательными в адаптации к пользовательским предпочтениям. Следовательно, основными differentiating факторами станут инфраструктура, которой можно доверять, и именно они получат наибольшую долю рынка.
