AI Agent「成人禮」：從模擬訓練到真實交易，還缺哪一步？

By: foresightnews.pro|2026/08/25 06:36:05

有了訓練與反饋環境，並解決授權與執行，Web3 的 AI Agent，才能真正完成一項工作。

撰文：imToken

如果你是一名 Token 高消耗用戶，過去一年，應該對 AI Agent 最核心的演進感同身受：

除了底層大模型本身的智力躍升，它開始越來越像一個真正的「工作者」。

從最早的聊天機器人，到 MCP、Skills、Harness 等基礎設施逐漸成熟，Agent 開始獲得越來越多「手腳」，它可以打開網頁、讀取即時數據、操作軟體，甚至連接錢包和交易賬戶。

但走到這一步，新現實問題也隨之出現：會使用工具，和真正能完成一個工作任務，其實是兩回事。

一個真正能夠承擔任務的 Agent，不應該只是收到指令以後調用一次 API，而是需要在一個持續變化的環境中，根據結果不斷調整下一步行動。

金融市場恰好把這種差異體現得尤其明顯。

你可以告訴一個 Agent「幫我判斷某場比賽誰更可能獲勝」，它幾秒鐘就能給出一份看起來不錯的分析，但如果要求變成「給你一筆資金，在未來一個月裡持續參與預測市場，在控制最大回撤的前提下提高收益」，就完全變成了另一類問題。

它必須不斷讀取即時新聞、賠率和訂單簿，判斷市場是否已經充分定價，決定何時建倉、加倉或退出，並在自己的判斷出錯以後及時調整策略。

而近期密集出現的一系列基礎設施創新，似乎正在將這塊此前相對缺失的拼圖，逐一補齊。

一、AI Agent 需要一個「模擬訓練場」？

8 月中旬，SKALE 推出了個頗有意思的新產品，AgentPit。

簡單來說，它是一座專門為預測市場 AI Agent 搭建的「模擬交易沙盒」，同步真實 Polymarket 的市場信息並兼容其 API，同時採用接近生產環境的 CLOB 訂單簿、CTF Token 與結算機制，只是將真實資金替換成了模擬 USDC。

開發者可以讓 Agent 在其中即時讀取盘口、下單撮合、管理倉位，並在完全沒有資金損失風險的前提下測試策略，同時也可以觀察多個 Agent 在同一訂單簿中博弈所湧現出的群體行為。

這看起來有些類似傳統量化交易裡的回測和模擬盤，但對於 AI Agent 而言，其意義要深遠得多。

因為 Agent 面臨的一個長期問題在於，你究竟怎麼知道一個 Agent「真的會交易」？

眾所周知，過去評估大模型能力，行業嚴重依賴靜態的基準測試（Benchmarks）------做幾道數學題、修復一段代碼、或者總結一篇長文本。

但真實世界中的複雜決策不存在預設的標準答案，尤其在金融市場，假設 Agent 判斷某個預測事件的「YES」公允價值應為 0.7 美元，而當前市價為 0.55 美元。當它買入之後，價格可能繼續下探到 0.45 美元，也可能因為突發新聞迅速拉升，此外訂單簿的瞬時流動性也會直接影響實際成交均價。

那就意味著 Agent 不能給出一次預測就結束任務，它必須持續面對自己上一次決策帶來的真實後果，這正是 Agent Pit 的核心價值所在。它為智能體提供了一個逼近真實生產環境的動態反饋閉環：

觀察 → 判斷 → 執行 → 獲得反饋 → 調整 → 再執行。

當然，這裡的「訓練」並不一定意味著 Agent 每完成一筆交易，就會自動修改底層模型參數，它提供的是一個能夠反復運行策略、評估結果和迭代工作流的環境。

就像自動駕駛系統真正走上公路之前，需要在模擬器中經歷大量極端場景一樣，一個未來可能管理真實資金的金融 Agent，也很難僅憑幾次 Prompt 測試就直接獲得資產控制權，它需要先證明，自己在連續決策環境裡究竟表現如何。

但問題也隨之而來。

模擬環境裡表現不錯，並不意味著可以立刻把真錢交給 AI，中間還需要有更關鍵的一層。

二、基礎設施並軌：當支付與交易成為 Agent 的原生組件

如果觀察過去數月主流雲巨頭與頭部交易平台的動作，不難發現，Agent 的運行軌道正在以驚人的速度完成標準化打通。

首先是機器原生支付協議的落地。

8 月 18 日，Amazon Bedrock AgentCore Payments 正式 GA，該服務允許運行在 AgentCore 上的智能體自主發現並付費調用第三方 API、MCP 服務或專業數據源，並集成了 Coinbase 與 Stripe / Privy 的錢包基礎設施，原生支持穩定幣以及 x402 等機器支付協議。

這就解決了一個極度切中痛點的斷點問題------如果 Agent 在分析市場時，發現一份高質量的即時數據需要付費，在以往，工作流必須中斷，等待人類手動刷卡購買、配置 API Key 後才能繼續。

而在 AgentCore Payments 的框架下，支付被直接封裝為工作流內的一個自動化節點，用戶只需預先設定預算和策略，Agent 便能在遇到付費壁壘時自主發起微支付完成調用，整個過程無需人工介入，且錢包私鑰與憑證對模型本身保持隔離。

緊接著，兩天後的 8 月 20 日，Binance 又推出了 Agent OS，開放了 Agent 原生接口。

與單純提供某一個 AI 功能不同，Agent OS 更像一層專門面向 Agent 的金融基礎設施接口，把 Binance API、Wallet Agentic Hub、x402、Skills Hub 和 MCP 等組件整合在了一起。

它允許兼容的 AI 應用通過 MCP 獲取行情、查看賬戶信息，並在用戶授權後執行支持的交易操作，更關鍵的是，它在機制層面強調了權限邊界與隔離：

用戶可以為 Agent 分配專門的子賬戶，將資金與交易活動同主賬戶隔離，並為 Agent 配置具體權限；相關訪問權限也可以隨時撤銷。

如果把 AgentPit、AWS AgentCore Payments 和 Binance Agent OS 放在一起，就會發現一個越來越清晰的變化：

AgentPit 提供了策略測試與持續反饋的環境，x402 和 AWS AgentCore Payments 開始打通機器原生支付，而 Binance Agent OS 則進一步把行情、賬戶、交易與鏈上能力開放給 Agent，使得原本分散的能力，正在被逐漸串成一條完整的工作流。

不過，金融場景尤其特殊的一點在於，代碼寫錯了，大不了重新運行，但 Agent 一旦執行了一筆錯誤交易，資產可能已經真正離開錢包。

這意味著，從模擬環境走向真實世界時，還有一個角色無法被繞過。

那就是錢包。

三、Agent Wallet 的真正價值到底是什麼？

如果勾勒出未來 AI Agent 的完整工作流，它將呈現出一條清晰的鏈路：

先在 AgentPit 這樣的模擬環境中訓練和測試策略；
再通過 MCP、Skills 和各種 API 獲得信息與工具；
通過 x402 等協議購買數據和計算資源；
隨後進入真實市場執行交易；
再根據實際結果繼續調優策略；

到了執行這一步，錢包所承擔的角色將與今天截然不同。

畢竟傳統 Web3 錢包的交互邏輯是為人機交互設計的------每一筆簽名，都依賴人類在螢幕前肉眼核對並手動點擊確認，但如果一個高頻 Agent 每秒需要讀取多組盘口數據、持續微調倉位，仍然要求人類逐筆簽名，自動化的意義將蕩然無存。

然而，如果直接把私鑰交由 AI 保管，又等同於放棄了所有安全底線。

因此，Agent Wallet 真正要解決的，從來不是「如何讓 AI 拿到私鑰」，而是「如何在不讓渡最終資產控制權的前提下，為 Agent 提供安全可控的執行權」。

這也是 imToken 在 Agent Wallet 設計框架中給出的核心解法：

**賬戶隔離與會話密鑰（Session Keys）：**在 imToken 的 Agent Wallet 設計構想中，每一個獲得執行權限的 Agent 都對應獨立的 Agent Account，其 Session Key 在可信執行環境（TEE）中生成並隔離，且不會離開這一安全環境。
**策略規則（Policy）的硬約束：**每個 Agent Account 都需要綁定明確的 Policy，包括允許交互的協議白名單、單筆交易上限、每日額度、操作頻率以及授權有效期等限制。換言之，Agent 獲得的並不是一個不受約束的錢包，而是被規則包圍起來的執行賬戶。
**用戶保留最終控制權：**Agent 只能在用戶預先授權的 Policy 範圍內自主執行，超出邊界的操作必須重新交由用戶確認，用戶則始終可以調整 Policy，暫停或恢復 Agent、撤銷權限並收回資金；對於被識別為異常或超出預設策略的交易，自動執行也會暫停，並重新要求用戶進行身份認證。

從這個維度再審視整個生態，就會發現模擬訓練（如 AgentPit）與智能錢包（如 imToken Agent Wallet）其實是在解決同一個命題的兩個階段。

前者負責提升 Agent 的決策能力上限，後者負責筑牢 Agent 的行動安全底線。

二者缺一不可。

這可能才是 Agent Wallet 相比傳統 Wallet 最重要的變化。