在上一篇文章《中国 Web3 创业,有哪些好路子?(四)》 里,Portal Labs 先讨论了三类更偏基础设施的 Web3 团队,如何往 AI 方向做能力迁移。
数据型团队可以看 AI 数据层,解决授权数据、可验证数据和合规调用的问题;身份和账户团队可以看 Agent 的权限、账户和执行记录;支付和钱包团队则可以看 Agent 自动结算、API 微支付和账务审计。这三条路有一个共同点,都是把 Web3 过去几年已经沉淀下来的基础设施能力,放到 AI Agent 正在出现的新需求里。
但中国 Web3 团队能够迁移的方向,并不只停留在数据、身份和支付。还有两类团队也值得单独拿出来看。
一类是安全和风控团队。过去它们服务的是合约、钱包、资金流和链上风险;到了 AI Agent 阶段,新的安全问题会出现在权限、工具调用、自动支付、数据访问和执行记录里。Agent 越能替用户做事,越需要有人帮它设边界、查异常、留记录。
另一类是应用层和社区型团队。它们未必需要转成 AI 基础设施公司,但可以把 AI 放进原来的产品和运营流程里,提升投研、内容、客服、社群、教育和用户转化效率。对这类团队来说,AI 更像一层能力增强,而不是一次彻底改行。
所以,这一篇会继续沿着上一篇的逻辑往下写:安全和风控团队、应用层和社区型团队,分别应该怎么往 AI 迁移。
同时,Portal Labs 也需要和大家把另一件事讲清楚。不是所有 AI 方向都适合中国 Web3 团队进入。有些方向看起来很热,比如通用大模型、泛 Agent 平台、AI 交易员、自动收益产品,实际上门槛高、竞争重,甚至还可能碰到非常敏感的合规边界。
能不能迁移,不能只看 AI 热不热。更重要的是,团队原来有什么能力,这个能力能不能放进真实场景里,又能不能找到明确的买单方。
安全和风控团队:从链上安全到 Agent 行为审计
安全和风控,一直是中国 Web3 团队里比较能穿越周期的方向。
无论市场热不热,Web3 项目上线前要做合约审计,钱包要防盗,资金流要监控,攻击事件要追踪,KYT 和反洗钱工具也一直有需求。很多安全团队,就是靠这些实际需求活下来的。
过去,这类团队主要关注智能合约漏洞、私钥风险、钱包安全、链上攻击、资金流向和可疑交易。AI Agent 发展起来之后,安全问题会从链上资产扩展到更广泛的自动化行为。
因为 Agent 不再只是回答问题,它会开始调用工具、访问数据、执行流程,甚至触发支付和链上操作。
比如,一个企业把 AI Agent 接入 CRM、邮箱、合同库、内部知识库和工单系统,用它来整理客户信息、生成会议纪要、起草回复邮件、查询合同条款,甚至自动创建任务和跟进客户。这个场景看起来是在提升效率,但背后会牵涉到大量权限和数据流转。Agent 能不能读取所有客户资料?能不能把合同内容发给外部工具?能不能访问员工邮箱?能不能自动给客户发邮件?如果被提示词攻击诱导,会不会把内部信息泄露出去?
这些都会成为新的安全问题。
如果企业开始大规模使用 AI 工作流,安全需求就会从模型安全延伸到行为安全。企业不只关心模型回答得对不对,也会关心 Agent 做了什么、调用了哪个系统、访问了哪些文件、把数据传给了谁,以及是否符合内部权限和合规要求。
这正是安全和风控团队可以迁移的方向。
过去做链上监控、审计、风控、资金追踪的团队,可以把能力迁移到 Agent 行为审计、权限异常识别、数据调用监控、自动支付风控和企业 AI 安全治理中。
比如,为企业提供 Agent 操作日志,让每一次工具调用都可追溯;为 AI 工作流设置权限边界,防止越权访问;为自动支付设置风控规则,识别异常调用;为内部数据调用提供审计报告,帮助企业满足合规要求。
这类方向不一定有很强的传播性,但有明显的 B2B 属性。
企业采用 AI 越多,越需要安全、权限和审计。尤其是在金融、医疗、政企、法律、教育等行业,AI 不能只追求效率,还必须可控、可查、可追责。
对中国团队来说,安全和风控方向也更容易避开高风险叙事。它不需要直接碰代币,不需要管理用户资金,也不需要承诺收益。只要切入企业 AI 使用过程中的真实风险,就有机会形成可持续的服务收入。
不过,这个方向也有门槛。
Agent 行为审计不能简单理解成“链上监控换个名字”。它需要理解企业权限系统、AI 工具调用、数据安全、日志分析和业务流程。Web3 安全团队如果要进入这一层,需要补齐 AI 工程和企业安全的知识,不能只沿用原来的合约审计方法。
但从长期看,这条路值得关注。AI 越进入真实业务,安全问题越不会停留在模型本身。谁能帮助企业看清 Agent 做了什么、哪些行为存在风险、出了问题如何追溯,谁就可能成为 AI 基础设施里的重要服务商。
应用层和社区型团队:从 Web3 产品到 AI 增强型产品
这类团队包括内容平台、投研工具、交易工具、教育产品、社区产品、增长工具和用户运营产品。它们未必适合直接做 AI 基础设施,但很适合把 AI 嵌入原有业务。
应用层团队最容易犯的错误,是一看到 AI 热,就急着把自己改造成 AI 公司。原来做社区,现在说要做 AI 社交;原来做内容,现在说要做 AI 内容平台;原来做投研,现在说要做 AI 投资顾问。听起来变化很大,但如果没有真实场景和付费需求,很容易变成一次新包装。
更现实的做法,是把 AI 放进原有产品里,解决用户已经存在的问题。
这类方向其实已经有一些参照。比如 Kaito 这类产品,本质上不是简单做一个“AI 聊天工具”,而是围绕 Crypto 信息过载这个问题,把项目动态、社交媒体、叙事热度、内容传播和用户注意力组织起来,让研究者和项目方更快看到市场正在讨论什么。它给应用层团队的启发是,AI 不一定要单独成为一个产品,而可以成为信息筛选、语义整理和信号发现的一层能力。
再比如一些 Crypto Copilot 和投研助手,它们做的不是替用户凭空判断一个项目好不好,而是把公告、白皮书、治理提案、链上数据、融资信息和市场动态整理成更容易理解的内容。对投研工具来说,这比单纯做一个“问答机器人”更有价值。因为用户真正痛苦的地方不是不能提问,而是每天要处理的信息太多、信息来源太散、判断成本太高。
社区和运营工具也是同样的逻辑。项目方每天都要处理用户问题、活动反馈、社群内容、KOL 数据和增长线索。如果 AI 只是放在 Telegram 或 Discord 里回答几个常见问题,价值很有限。但如果它能帮助项目方整理社群高频问题、给用户打标签、识别活跃贡献者、归类活动反馈、生成运营复盘,那它就变成了一个真正嵌入运营流程的工具。
教育产品也可以这样看。Web3 新手用户最难的地方,不一定是找不到内容,而是内容太多、门槛太高、信息真假难辨。AI 可以根据用户水平生成学习路径,解释术语,整理案例,做问答陪练,也可以把复杂内容拆成更适合初学者理解的版本。
所以,对应用层团队来说,AI 更适合作为产品能力和运营能力的放大器。
内容平台可以用 AI 做信息筛选、摘要、推荐和多语言分发;投研工具可以用 AI 做链上数据解释、项目监控、市场信息整理和风险提示;社区产品可以用 AI 做自动问答、用户分层、活动运营和内容审核;教育平台可以用 AI 做个性化学习路径、课程生成和答疑;交易工具可以用 AI 做数据分析、风险提醒和策略辅助。
这些方向听起来没有“Agent 经济体”那么大,但更容易落地。因为应用层团队本来就有用户、内容、场景和运营经验。AI 加进去之后,解决的是原有产品里已经存在的问题。比如信息太多、用户不懂、客服成本高、内容生产慢、投研效率低、社群运营重。
这类迁移的关键,是不要脱离原来的用户场景。
如果一个 Web3 投研工具本来就服务交易者和研究员,那么 AI 可以帮助用户更快读懂公告、白皮书、链上数据和市场变化。如果一个 Web3 教育平台本来就服务新手用户,那么 AI 可以做个性化问答和学习路径。如果一个社区产品本来就服务项目方,那么 AI 可以帮助项目方做用户分层、社群维护和活动触达。
这些都是实际存在的需求。
应用层团队很多时候不需要追求“转型”。把 AI 作为新能力嵌进原来的产品,更容易利用原有用户、内容和业务基础,也能避免进入完全陌生的 AI 红海。
当然,这条路也不能只停留在加一个聊天机器人。
很多产品现在所谓的 AI 化,其实只是多了一个问答窗口。用户体验没有明显提升,业务效率也没有明显变化。这种 AI 化很难形成长期价值。
真正有效的 AI 增强,应该嵌入用户原本的工作流。它要么帮助用户节省时间,要么提升决策质量,要么降低运营成本,要么增加转化和留存。如果做不到这些,AI 功能很快就会变成摆设。
所以,对应用层和社区型团队来说,最现实的迁移方式,是先用 AI 把原来的产品和运营做得更有效。用户是否更容易理解信息、项目方是否更容易运营社区、研究员是否更快完成判断、客服和增长是否更省人力,这些比“是否转型 AI”更重要。
哪些方向最好不要碰?
讲完适合迁移的团队,也要讲清楚哪些方向最好谨慎。
第一类,是从零做通用大模型。
这个方向需要模型能力、算力资源、训练数据、研究团队和长期资本投入,本身已经是高度竞争的市场。大模型公司、互联网大厂、AI 原生创业团队都在里面,中国 Web3 团队如果没有特别强的技术和资源积累,硬切进去很难形成优势。
更现实的问题是,Web3 团队过去积累的优势,通常不在模型训练上。很多团队真正擅长的是协议、数据、钱包、支付、安全、社区和海外市场。如果直接转去做通用大模型,相当于把原来的积累丢掉,进入一个更重、更卷、也更烧钱的赛道。
第二类,是一上来就做泛 AI Agent 平台。
很多 Agent 平台听起来都很宏大,似乎什么任务都能做。但真正落地时,用户关心的往往不是平台有多大,而是某个具体任务能不能稳定完成。能不能接入真实工作流,能不能减少人工成本,能不能保证结果质量,能不能有人愿意付费,这些问题比“平台叙事”更重要。
如果没有明确任务、交付标准和付费对象,Agent 平台很容易停在 Demo 阶段。看起来很先进,实际很难进入用户日常使用。
第三类,是 AI 交易员、自动收益和智能投顾这类方向。
这类产品在 Web3 圈很容易有传播性,因为它天然贴近用户对收益的期待。AI 自动交易、AI 帮你赚钱、AI 代替你做投资决策,听起来都很有吸引力。
但这类方向的问题也最复杂。它很容易触碰用户资金、收益承诺、资产管理、投顾合规和交易风控。只要产品表达稍微激进,就可能从“工具辅助”滑向“收益承诺”。对中国团队来说,这类方向尤其敏感,很难作为长期稳定的创业路径。
第四类,是简单给原项目套 AI 外壳。
原来做 NFT,现在加一个 AI 生成图;原来做 GameFi,现在加一个 AI NPC;原来做钱包,现在加一个 AI 聊天助手;原来做社区,现在加一个 AI Bot。这样的改造可能带来短期话题,但如果没有改善产品价值,很难留住用户,也很难说服真正的买单方。
AI 可以成为能力迁移的入口,但不能替一个没有真实需求的项目解决根本问题。
如果原来的业务没有用户、没有收入、没有场景,只是换一个 AI 叙事,最终大概率还是会回到同一个问题上。用户为什么需要它?谁会持续付费?团队到底解决了什么?
所以,对中国 Web3 团队来说,判断一个 AI 方向值不值得做,不能只看它有没有热度。更重要的是,它有没有真实场景、明确买单方、可复用能力,以及相对清楚的合规边界。
写在最后
AI 周期来了,中国 Web3 团队当然要看,也应该看。
但真正值得看的,不是哪个概念又热了,而是过去几年积累下来的能力,还有没有新的落点。
从数据、身份、支付,到安全、风控和应用层产品,Web3 团队能迁移的,其实都是已经在原有业务里沉淀过的东西。AI 给这些能力提供了新的场景,但不会替一个没有真实需求的项目补上根基。
所以,对中国 Web3 创业者来说,转 AI 不是关键,能力能不能迁移才是关键。
如果过去积累的是数据、账户、支付、安全、运营和用户场景,那么 AI 可能是一条新路。
如果过去只有叙事和包装,换成 AI,也只是换一个更热的词。
