我们都经历过让 AI 助手处理看似简单任务时的挫败感。比如，你需要找出所有包含 2024 年销售指标的电子表格，将其汇总，并与 2025 年的表现进行比较。听起来很简单吧？

AI 也许能找到大部分正确的文件 — — 以及一些错误的 — — 但真正的工作：阅读文件、汇总数据、分析趋势、生成洞察，这些依然要你亲自完成。

但 AI 代理不同。它们不仅仅是获取信息：它们能完成复杂的多步骤任务。这些自主系统可以跨多个数据源和平台工作，分析模式，将信息与上下文结合，并在无需你手动连接各个环节的情况下，交付完整的成果。

当然这很好，但挑战在于：AI 代理需要大量数据才能运行。从训练数据集到以往交互中的“记忆”，越复杂的代理越离不开大量数据。而当 AI 代理自主运行时，“还算可靠”的数据其实根本不够用。你最不希望看到的，就是一个代理耗费数天工作，最后却得出错误结论。

这就是为什么像 Walrus 这样的数据层是构建下一代 AI 代理的关键。本文将会解释什么是 AI 代理、讨论真实世界用例，并探索一些现在正在使用 Walrus 为其 AI 代理提供支持的组织。

什么是 AI 代理？

简单来说，AI 代理是一种能够自行规划并完成多步骤任务的软件。它不需要被明确告知每一步怎么做，而是能独立推理，从而执行更复杂的任务。

如果你用过 LLM，就知道它是被动的：你给一个提示，它回应，然后就停止。而 AI 代理更进一步：它能主动追求设定的目标，包括决定最佳的行动步骤，并执行自己规划的流程。

大多数 AI 代理具备以下特性：

自主性
你可以设定一个目标后离开，AI 代理可以在无需你额外输入的情况下解决问题。

目标导向
AI 代理可以使用推理、规划和记忆来执行目标并完成任务。

自适应学习
AI 代理能够从自身经验中学习，随着时间推移提升执行任务的能力。

这些特性使 AI 代理能够处理复杂的多步骤工作流。

AI 代理在现实世界中的应用

AI 代理听起来可能很理论化，但开发者实际上已经在构建可以处理真实任务的代理，涉及多个行业。

金融

AI 代理可以监控市场、寻找机会，并在机会出现时做出好交易。它们还能从过去的交易与最新的市场信息随着时间不断优化。

客户服务
想象一下，下一个客服代理真正记得你的历史与偏好？AI 代理不只是输出预设回复 — — 它们可以根据过去与你的对话来回应当前问题。

‍内容审核
为了保证社区安全，筛选内容这件事对人类来说很繁琐。AI 代理不仅能做这些，还能根据社区或世界事件调整内容政策。

所有这些用例的共同点是：它们都需要可信赖、可扩展的数据层。无论是分析市场模式的交易代理，还是记住历史对话的客服代理，它们都依赖持续访问可靠数据。但问题在于：传统 Web2 基础设施并非为需要随时可用、无限扩展且可证明无偏向且准确的数据的自主系统设计。

为什么 AI 代理需要去中心化数据

在传统 Web2 基础设施上构建 AI 代理的关键问题是：信任。目前，AI 代理依赖中心化云存储，而这会带来多个问题：

单点故障
如果云服务宕机，代理也随之瘫痪 — — 这对需要全天候自主运行的系统来说非常糟糕。

缺乏控制
你无法真正决定数据存放在哪里、谁能访问它。你只能相信云服务商的政策会保护你。

缺乏真实性证明
训练数据是 AI 代理性能与可靠性的关键。中心化系统无法提供数据未被篡改的证明。

这就是 Walrus 的价值所在。

数据不是存于某一家公司的服务器，而是被拆分并分布存储在多个独立节点上。没有任何单个实体能控制你的数据存储在哪里，或由谁访问。

这就是为什么对 AI 代理特别重要：

始终可用
你的数据不依赖某家公司是否在线。即便部分节点离线，你的代理仍能访问它需要的数据。

完全可验证
每条上传至 Walrus 的数据都会在链上生成可用性证明。你可以验证数据未被篡改。

可扩展
Walrus 的设计可以抵抗网络规模扩大时自然出现的中心化趋势。节点根据性能而非规模获得奖励，使权力保持分散。

当你信任 AI 代理来做出可能带来真实世界影响的自主决策时，去中心化数据不仅是加分项，而是 必要的基础设施。

这正是开发者选择 Walrus 作为数据层的原因。从链上交易代理到多代理协作平台，各团队正在通过使用 Walrus 构建下一代自主 AI，为其代理提供所需的可靠性、可验证性和可扩展性。

在 Walrus 构建的 AI 代理

来看一下不同的平台如何利用 Walrus 为其代理赋能。

Talus：链上 AI 代理

Talus 正在构建一个平台，让 AI 代理可以直接在 Sui 区块链上执行工作流。借助 Walrus，Talus 代理可以直接访问它们的数据，而无需在云存储和区块链之间来回传输。这意味着 DeFi 代理能够瞬时获取所需信息，并快速执行交易，不会有延迟。

elizaOS：多代理记忆

elizaOS 是一个用于构建和协调自主 AI 代理的平台，这些代理可以像团队一样协同工作。他们与 Walrus 集成，将 Walrus 作为记忆层，使代理能够记住过去的对话、共享信息并协作项目。且因 Walrus 上的所有数据都有可用性证明，开发者可以验证代理的行为。

Zark Lab：AI 智能层

Zark Lab 使用 Walrus 帮助 AI 代理查找与整理内容。Zark 的 AI 会自动标签文件，让你可以使用自然语言搜索，无需记住专门的文件名或日期。开发者可以自动将此智能嵌入到存储在 Walrus 上的应用程序和程序中。

FLock.io：去中心化 AI 训练

FLock.io 让社区能够在不共享敏感数据的情况下共同训练 AI 模型。他们使用 Walrus 来存储并共享训练成果，同时保证信息安全。这意味着，群体可以协作改进 AI 模型，而无需将私人数据放在中心化服务器上。

结论

AI 代理代表着从被动式工具（例如 ChatGPT 等）向真正能够代表我们工作的自主系统的根本性转变。它们不再仅仅回答问题或检索信息，而是能够追求目标、做出决策、学习并执行工作流程，而无需持续的人工监督。

但代理的能力取决于支持它们的底层架构。每个 AI 代理都需要有一处来存储训练数据、跨会话保持记忆，并实时访问工作信息。当代理做出具有实际结果的自主决策时，这些数据必须值得信赖且可证明可用。Walrus 正是满足这一需求，它提供了一个开发者可以信赖的平台，确保数据始终安全、可靠且可用。

下一代 AI 代理正在构建中。驱动它们的数据层将决定它们能够实现的目标。

---

关于 Sui Network

Sui是基于第一原理重新设计和构建而成的L1公有链，旨在为创作者和开发者提供能够承载Web3中下一个十亿用户的开发平台。Sui上的应用基于Move智能合约语言，并具有水平可扩展性，让开发者能够快速且低成本支持广泛的应用开发。获取更多信息：https://linktr.ee/sui_apac

官网｜Twitter｜Discord｜英文电报群｜中文电报群