DWF Ventures：AI已佔據DeFi 19%交易量，但在複雜交易中表現不足人類1/5

自動化和agent 活動目前佔所有鏈上活動的約19%，但真正的端對端自主性仍未實現。在收益最佳化等狹窄、定義明確的用例中，agent 已表現出優於人類和bot 的效能。但對於交易等多方面行動，人類表現優於agent。本文源自 DWF 研究文章《Will Agents take over DeFi》，由深潮翻譯、整理。 （前情提要：Morpho如何完成DeFi領域的涅槃重生？） （背景補充：值得注意的 Morpho Protocol：與 Coinbase 合作借貸，質押品規模已達2.7億鎂）   導讀： AI Agent 已經佔據DeFi 近五分之一的交易量，在收益最佳化這種規則明確的場景中確實跑贏了人工。但真讓它自主交易，頂尖AI 的表現還不如頂尖人類的五分之一。這篇研究拆解了AI 在DeFi 不同場景下的真實表現，值得所有關注自動化交易的人看看。 核心要點 自動化和agent 活動目前佔所有鏈上活動的約19%，但真正的端對端自主性仍未實現。 在收益最佳化等狹窄、定義明確的用例中，agent 已表現出優於人類和bot 的效能。但對於交易等多方面行動，人類表現優於agent。 在agent 之間，模型選擇和風險管理對交易表現影響最大。 隨著agent 被大規模採用，有多項關於信任和執行的風險，包括女巫攻擊、策略擁擠和隱私權衡。 Agent 活動持續成長 過去一年agent 活動穩定成長，交易量和交易數量都在增加。我們看到Coinbase 的x402 協議引領了重大發展，Visa、Stripe 和Google 等玩家也加入其中推出自己的標準。目前正在建置的大部分基礎設施旨在服務兩類場景：agent 之間的通道或由人類觸發的agent 呼叫。 雖然穩定幣交易已得到廣泛支援，但當前基礎設施仍依賴傳統支付閘道器作為底層，這意味著它仍然依賴中心化對手方。因此，agent 可以自我融資、自我執行並根據不斷變化的條件持續最佳化的”完全自主”終局尚未實現。 Agent 對DeFi 來說並不完全陌生。多年來，鏈上協議中一直存在透過bot 實現的自動化，捕獲MEV 或獲取沒有程式碼就無法實現的超額收益。這些系統在定義明確的引數下運作得非常好，這些引數不會頻繁地變更或需要額外監督。然而市場隨時間推移變得更加複雜。這就是我們看到新一代agent 進入的地方，過去幾個月鏈上已成為此類活動的實驗場。 Agent 的實際表現 根據報告，agent 活動呈指數級增長，自2025 年以來已啟動超過17,000 個agent。自動化/agent 活動總量估計涵蓋所有鏈上活動的19%以上。這並不令人意外，因為據估計超過76%的穩定幣轉帳量由bot 產生。這表明DeFi 中agent 活動有巨大的成長空間。 Agent 自主性有廣泛的範圍，從需要高度人類監督的聊天機器人式體驗，到可以根據目標輸入製定適應市場條件策略的agent。與bot 相比，agent 具有幾個關鍵優勢，包括在毫秒內回應和執行新資訊的能力，以及在保持同樣嚴格性的同時將覆蓋範圍擴充套件到數千個市場的能力。 目前大多數agent 仍處於分析師到副駕駛級別，因為它們大多數仍處於測試階段。   收益最佳化：Agent 表現優異 流動性提供是自動化已經頻繁發生的領域，agent 持有的總TVL 超過3,900 萬美元。這個數字主要衡量使用者直接存入agent 的資產，但不包括金庫路由的資本。 Giza Tech 是這一領域最大的協議之一，去年底推出了首個agent 應用ARMA，旨在增強主要DeFi 協議的收益捕獲。它已吸引超過1900 萬美元的管理資產，並產生了超過40 億美元的agent 交易量。交易量與管理資產總額的高比率表明，agent 頻繁地重新平衡資本，從而能夠實現更高的收益捕獲。一旦資本存入合約，執行就會自動化，因此為使用者提供了簡單的一鍵體驗，幾乎不需要監督。 ARMA 的表現是可衡量的優異，為USDC 產生超過9.75%的年化報酬率。即使考慮額外的重新平衡費用和agent 的10%業績費，收益率仍超過Aave 或Morpho 上的普通借貸。儘管如此，可擴充套件性仍然是一個關鍵問題，因為這些agent 仍未經過實戰測試來管理或擴充套件到主要DeFi 協議的規模。 交易：人類大幅領先 然而對於交易等更複雜的行動，結果要多樣化得多。目前的交易模型是基於人類定義的輸入執行，並根據預設規則提供輸出。機器學習透過使模型能夠根據新資訊更新其行為而無需顯式重新程式設計來擴充套件這一點，將其推進到副駕駛角色。隨著完全自主的agent 加入，交易格局將會發生巨大變化。 已經舉辦了幾場agent 之間以及人類對agent 的交易競賽，結果顯示模型之間存在很大差異。 Trade XYZ 為其平台上市的股票舉辦了人類對agent 的交易競賽。每個帳戶有1 萬美元的初始資金，對槓桿或交易頻率沒有限制。結果壓倒性地偏向人類，頂尖人類的表現比頂尖agent 高出5 倍以上。 同時，Nof1 舉辦了模型之間的agent 交易競賽，讓幾個模型（Grok-4、GPT-5、Deepseek、Kimi、Qwen3、Claude、Gemini）相互競爭，測試從資本保值到最大槓桿的不同風險配置。結果揭示了幾個可以幫助解釋業績差異的因素： 持倉時間：存在強相關性，平均每個部位持有2-3 小時的模型大大優於頻繁翻轉的模型。 期望值：這衡量模型平均每筆交易是否賺錢。有趣的是，只有前3 名模型具有正期望值，這意味著大多數模型虧損的交易多於獲利。 槓桿：平均6-8 倍的較低槓桿水平被證明比執行超過10 倍槓桿的模型表現更好，高水準會加速損失。 提示策略：Monk Mode 是迄今為止表現最好的模型，而Situational Awareness 表現最差。基於模型的特徵，它顯示專注於風險管理和較少外部來源會帶來更好的表現。 基礎模型：Grok 4.20 在不同提示策略中的表現顯著優於其...