「agent 管理超過 3900 萬美元部位」聽起來規模不小,為什麼報告同時又說 agent 在交易上輸人類五倍？這兩個數字不是互相矛盾嗎？
不矛盾,因為兩個數字描述的是不同類型的任務。3900 萬美元的 agent 管理部位,絕大多數落在收益優化這類「目標窄、規則穩定」的場景——把資金在協議之間搬動追逐利率,這件事 agent 確實做得不錯,規模也因此能做大。輸人類五倍的對照組,是開放式交易競賽,衡量的是判斷進出場時機、承擔方向性風險的能力。換句話說,agent 目前管理的資金規模之所以能成長,正是因為它被部署在自己擅長的任務類型上——這不是agent整體實力的矛盾證據,反而印證了「任務類型決定表現」這個核心邏輯。
為什麼開放式交易對 agent 來說特別困難?具體是卡在哪個環節,是資訊不夠多,還是運算不夠快?
不是資訊量或運算速度的問題——現在的 agent 存取市場資料跟運算的速度,遠遠超過人類。真正的困難在於:開放式交易需要的是「在沒有單一正確答案的情況下做判斷」,而這種判斷往往建立在對當下市場敘事、群眾心理、甚至是對「這次情況跟過去哪一次類似、哪裡不一樣」的直覺性比對上——這些是極難被清楚量化成規則或參數的東西。收益優化之所以簡單,是因為目標可以被化約成一個數字(年化報酬率)的最大化;開放式交易的「目標」本身就包含大量無法被完全量化的判斷成分,這正是目前 agent 架構最難複製的部分。
身為一般 DeFAI 使用者,知道「agent 在收益優化上強、在開放式交易上弱」這件事,實務上該怎麼運用在我自己的選擇上?
實務上可以把這個分類當作一個篩選濾鏡:如果一個 DeFAI 產品宣稱的功能屬於「在固定的一組協議之間,根據明確規則搬動資金追逐利率」,這類產品目前有相對紮實的數據基礎支持其可行性,風險主要來自協議本身而非 agent 判斷力;但如果一個產品宣稱的是「agent 會自主判斷市場走勢、擇時進出場」這類開放式交易功能,目前的數據顯示這正是 agent 表現最弱、風險最難預估的領域,需要用更高的審慎標準去看待任何相關的歷史報酬宣稱。簡單說:agent 的「自主」程度跟它的「可信任」程度,在目前這個階段,並不是同一件事。
加密創投機構 DWF Ventures 在 2026 年 4 月 16 日發布的一份報告中,給出了目前為止對 DeFAI agent 實際表現最具體的量化描述:自主 agent 已經驅動超過 19% 的鏈上活動,agent 管理的部位總鎖倉價值超過 3900 萬美元。但同一份報告也給出了一個容易被行銷敘事蓋過的對照數字——在開放式交易任務中,表現最好的人類交易者,可以把最好的 agent 打敗超過五倍。
報告裡引用 DWF Labs 投資部門資深分析師 Xin Yi Lim 的說法:「當目標夠窄、參數不常變動的時候,agent 表現得很好。」這句話劃出了一條清楚的分界線。收益優化(yield optimization)——把穩定幣在不同借貸平台之間搬動,追逐當下利率最高的地方——正是這種「目標窄、規則固定」的典型場景:可比較的選項有限,判斷標準明確(年化報酬率),不需要處理模糊不清的狀況。報告提到,Giza 的 ARMA agent 在運作期間曾取得 9.75% 的年化報酬,優於 Aave、Morpho 等協議當時提供的收益。
開放式交易——判斷進場時機、承擔方向性風險、在市場劇烈波動時調整部位——需要的是另一種完全不同的能力:面對不斷變動、定義模糊的局面,做出沒有單一正確答案的判斷。報告引用一場股票交易競賽的結果:表現最好的人類交易者,表現超越表現最好的 agent 超過五倍。另一場針對 AI 模型的交易競賽(nof1)裡,參賽的七個模型中,只有三個最終能在每筆交易上賺錢。Coinbase 執行長 Brian Armstrong 跟 0G Labs 首席成長官 Aytunc Yildizli 也在報告中被引用,共同指向同一個觀察:agent 目前在「執行」層面做得不錯,但「判斷」層面仍然遠不如人類。
這個落差的根源,不是 agent 的運算速度不夠快,而是開放式交易本質上需要處理「規則本身會變」的狀況——同樣一個策略,在不同的市場結構、不同的流動性環境下,可能需要完全不同的應對。收益優化任務裡,「規則」相對穩定:哪個協議利率高、gas 成本多少,這些都是可以被清楚量化、持續追蹤的變數。開放式交易裡,「規則」本身就是不確定的——沒有人能提前告訴 agent,接下來的市場會按照哪一種邏輯運作。報告估計,要讓 agent 的交易量規模真正追上人類,還需要 5 到 7 年。
這份數據對正在評估要不要用 DeFAI 產品的使用者,給出了一個比單純「AI 很厲害」或「AI 不行」更實用的篩選標準:評估一個 DeFAI agent 時,該問的不是它「整體」強不強,而是它被設計來處理的任務,屬於「目標窄、規則穩定」的類型,還是「開放式判斷」的類型。前者目前有真實數據支持 agent 可以做得不錯,後者則目前仍然是人類佔優勢的領域——拿agent不擅長的任務類型去評斷整個 DeFAI 賽道,或是拿它擅長的任務類型去過度推論它在其他場景也一樣可靠,都是常見的誤判。