撰文：GO2MARS

在正式展開分析之前，必須先釐清一個核心概念：

DeFAI 是 DeFi（去中心化金融）與 AI（人工智慧）的融合縮寫，指的是將 AI Agent 引入鏈上金融場景，使其具備感知市場狀態、自主制定策略並直接執行鏈上操作的能力——從而在不依賴人工幹預的前提條件下，

簡言之，DeFAI 並非 DeFi 工具的簡單 AI 化升級，而是試圖在鏈上建構一套可自主運作的金融執行層。

這條賽道自 2024 年 Q4 起迅速升溫，其背後有三個標誌性事件值得關注，它們分別對應 AI Agent 進入 Web3 的三個層次：敘事破圈、資產化基礎設施搭建，以及執行能力的真實落地。

第一個事件發生在 2024 年 7 月。 開發者 Andy Ayrey 構建的 Twitter 機器人 Truth Terminal，在獲得 a16z 聯合創始人 Marc Andreessen 5 萬美元 BTC 贈予後迅速出圈，並引發了 GOAT 幣的病毒式傳播。 這是 AI Agent 作為鏈上經濟參與者首次真正從意義上進入公眾視野。

第二個事件發生在同年 10 月。 Virtuals Protocol 在 Base 網路上爆火，將 AI Agent 本身代幣化，其生態市值最高突破 35 億美元，成為 DeFAI 賽道資產化基礎設施搭建階段的典型代表。

第三個事件，是 Giza、HeyAnon、Almanak 等項目相繼在鏈上執行層落地，推動行業從敘事驅動轉向產品化階段——AI Agent 開始真正「動手」執行鏈上操作，而不只是停留在資訊交互層面。

從全球市場規模來看，多家研究機構對 AI Agent 賽道的成長預期高度一致：

然而，資本熱度與產業落地之間仍有顯著落差。 根據麥肯錫 2025 年 11 月發布的《The State of AI in 2025》報告（基於 105 個國家 1993 名受訪者），儘管 88% 的組織已在至少一個業務職能中使用 AI，但近三分之二仍停留在實驗或試點階段。 具體到 AI Agent 領域：62% 的組織開始實驗，23% 在至少一個職能中推進規模化，但在任何單一職能中實現規模化部署的比例均不足 10%。

這數據提示我們：DeFAI 賽道的敘事熱度，目前仍領先於實際落地進度。 理解這一差距，是客觀評估這一賽道價值的前提。

DeFAI 的技術底座：AI Agent 如何與鏈上世界互動

要理解 DeFAI 如何運轉，首先需要回答一個關鍵問題：AI 是透過什麼機制介入鏈上金融操作的？

DeFAI 系統的核心執行單元，是基於大語言模型建構的 AI Agent。 根據 Wang et al.（2023）的學術綜述，其核心能力可歸納為三層架構，而每一層在鏈上場景中都有其對應的具體功能：

• 規劃層，負責目標拆解與路徑優化，對應鏈上場景中的策略生成與風險評估；="
• 記憶層，透過向量資料庫等外部儲存實現跨週期資訊積累，承載歷史市場資料與協定狀態；
• 工具層，擴展模型能力，使其能夠呼叫 DeFi 協定、價格預言機和跨鏈橋接等外部系統。

但這裡有一點需要明確：AI 模型本身無法直接與區塊鏈互動。 幾乎所有目前的 DeFAI 系統，都採用——AI Agent 在鏈下完成策略計算，再將結果轉化為鏈上交易訊號，由執行模組代為提交。 這項架構設計，既是當前技術條件下的現實選擇，也由此引出了私鑰授權、權限管理等一系列安全議題。

AI Agent 本質上是基於大語言模型的自主決策系統，透過任務拆解、記憶管理與工具調用實現閉環執行，而目前 AI Agent 與鏈上資產端交互也已經初具形態。

圖表 2：AI Agent 三層架構

DeFAI 的演進：從資訊到執行循環到執行迴路; 的技術底座之後，一個自然的問題隨之而來：這套系統是如何一步步走到今天的？

根據 The Block 的研究，DeFAI 的演進並非一蹴而就，而是經歷了兩個不同的階段——從早期以資訊處理為主的交互型 Agent，到如今能夠真正介入鏈上操作的執行型系統。

兩者在目標定位、技術手段與風險等級上有本質差異。

圖表 3：DeFAI 兩個演進路徑比較 style="text-align: start;">第一波是重點在於建構可對話、可分析的智能體框架。 代表性項目包括 ElizaOS（原 ai16z）的 Eliza 框架、Virtuals 的 G.A.M.E. 等。 此階段的本質仍是資訊工具－Agent 能讀、能說、能分析，但其功能邊界止步於資訊層，並未觸及任何資產執行操作。

第二波是才真正進入決策執行閉環。 代表項目包括 HeyAnon、Wayfinder、Giza（ARMA Agent）以及 Almanak 等。 這類系統的共同特徵是：AI 在鏈下運行，輸出結構化策略訊號，並透過鏈上執行模組完成交易——它不會取代現有的 DeFi 協議，而是在其之上引入了一層 AI 決策機制，使整個操作鏈路從「人下指令」變為「Agent 自主執行」。

兩波演進的本質差異不在於技術複雜度，而在於是否真正觸碰資產。 這也決定了第二波系統在信任機制、權限設計與安全架構上所面臨的挑戰，遠比第一波更為複雜──這正是下一章將要聚焦在的內容。

DeFAI 的落地圖景：四大主流應用場景

從技術架構到演進路徑，DeFAI 的「能做什麼」已逐漸清晰。 那麼在實際產品層面，它正在解決哪些真實問題呢？

整體來看，目前 DeFAI 的應用探索已圍繞四個核心方向形成相對成熟的落地格局，分別對應鏈上操作中「收益效率、策略執行、交互門檻與風險管控」四類核心痛點。

收益優化是目前落地最成熟的 DeFAI 應用場景。 其核心邏輯為：持續掃描 Aave、Compound、Fluid 等主流 DeFi 協議的存款年化收益，結合預設風險參數判斷是否需要調倉，並在每次操作前執行交易成本分析——僅當收益提升能夠涵蓋全部 gas 及交易費用時，才真正轉移資金，從而實現跨協議的自動化最優配置。

以 Giza 為例，其 ARMA Agent 於 2025 年 2 月在 Base 網路上線穩定幣收益策略，持續監測 Aave、Morpho、Compound、Moonwell 等協議的利率變化，綜合協議 APY、手動費用成本與流動性以最大化資金調度成本。 根據公開數據，ARMA 目前已擁有約 6 萬個獨立持有者、逾 3.6 萬個已部署 Agent，管理資產規模（AUA）超過 2,000 萬美元。

在 DeFi 協議收益持續波動的市場環境下，人工監控與手動調倉的效率與及時性遠不及自動化系統，這正是這一場景的核心價值所在。

圖表 4：Giza 平台 ARMA Agent 範例圖

量化策略自動化場景中，DeFAI 平台試圖將傳統量化團隊的全流程操作模組化、自動化，使個人使用者也能觸及機構級的策略執行能力。

以 Delphi Digital 支援的 Almanak 為例，其推出的 AI Swarm 系統將量化流程拆解為四個環節：

• 策略模組支援透過 Python SDK 編寫投資邏輯並完成回測；="
執行引擎在獲得用戶授權後自動運行已審核的策略代碼並觸發 DeFi 調用；
• 安全錢包基於 Safe + Zodiac 構建多簽體系，透過角色權限控制將策略執行權授予 AI Agent，確保資金始終在用戶範圍內打包策略；

此架構的意義在於，AI 代理承擔資料分析、策略迭代與風險管理職能，使用者僅需對系統輸出結果進行最終審核，而無需組成專業量化團隊－實現所謂的「機構層級策略的平權」（專案宣稱）。

圖表 5：Almanak 平台首頁展示圖

HeyAnon 打造了一個 DeFAI 聊天平台，用戶透過對話框輸入指令，AI 即可執行代幣兌換、跨鏈橋接、借貸、質押等鏈上操作，集成 LayerZero 跨鏈橋及 Aave v3 等協議，支援以太坊、Solana 等多鏈橋。

圖表 6：HeyAnon 平台首頁展示圖

Wayfinder 則由 Paradigm 投資，提供更進一步的全鏈交易服務。 其 AI Agent（稱為 Shells）自動尋路不同鏈間的最優交易路徑，執行跨鏈轉帳、代幣互換或 NFT 互動等操作，用戶無需關注底層 gas 費、跨鏈相容性等技術細節。

圖表 7：Wayfinder 平台首頁展示圖

綜合來說，自然語言界面顯著降低了 DeFi 的操作閘道，但也對分析功能的基本來說，自然語言界面顯著降低了 DeFi 的操作門分析 對指令的理解出現偏差，操作結果可能與使用者預期相去甚遠。

在 DeFi 借貸與槓桿場景中，AI Agent 的最常見的應用是實時集成鏈上頭寸健康，並自動在清算閾值 DeFi 平台的原生功能。

• Aave 以「健康因子」衡量部位安全性，當健康因子低於 1.0 時，借款人部位即觸發清算資格；
• Compound 則採用「清算抵押因子（Liquidation Collater Factor）」機制，當帳戶借款餘額超出該因子所設定的上限時觸發清算，各抵押資產的具體參數由鏈上治理分別設定。

人工監控在 24/7 高波動性鏈上市場中難以保持一致的反應效率，AI Agent 在此場景中可實現持續追蹤、智慧評估與自動幹預，將風控效率提升至人工或規則式自動化系統難以企及的水平。

圖表 8：Agent×DeFi 的四大主流應用情境

上述四大場景並非相互獨立，而是圍繞同一條主線形成互補：收益優化與量化策略自動化面向有一定資產規模的進階用戶，核心優勢在於執行效率與策略精度；自然語言交互致力於降低普通用戶的操作門檻；風險管理則是貫穿所有場景的底層安全保障。 三者協同，共同構成了 DeFAI 當前生態的基本落地格局，也為後續更複雜的鏈上 Agent 應用奠定了基礎。

DeFAI 的安全底線：私鑰管理與權限控制

前文所述的四大應用場景，無論是收益優化還是量化策略自動化，其得以實現的前提只有一個：這是整個 DeFAI 賽道最關鍵、也最容易被敘事熱度所掩蓋的技術挑戰——一旦簽名機制出現漏洞，所有上層的策略能力都將失去意義。

目前，產業主流的私鑰安全管理方案分為兩類：MPC 多方計算與 TEE 可信任執行環境。 兩者在安全模型、自動化程度與工程複雜度上各有重點。

圖表 9：私鑰安全管理兩類主流方案比較表

• MPC（Multi-Party Computation，透過計算故障的核心思路來消除單點）。 以常見的 2-of-3 門限簽名為例，即便某一份金鑰洩露，攻擊者也無法獨立完成簽名，資金安全不受影響。 Vultisig 是該方向的代表性產品，這是一款基於 MPC/TSS 技術構建的開源多鏈自託管錢包，採用無單一助記詞架構，將金鑰安全與用戶自託管結合起來。
• TEE（Trusted Execution Environment，可信任執行環境）走向另一條路：將私鑰與代理程式碼一同封存於受硬體保護的隔離區域（enclave）內，AI 代理程式在 enclave 內完成策略計算與簽章，僅將簽章結果輸出至私鑰上，外部環境簽字結果將完全不可見。 Intel SGX、AMD SEV、ARM CCA 等主流晶片皆提供硬體等級的隔離與加密支援。 Chainlink 已將 TEE 引入預言機網絡，用於處理敏感數據，並透過遠端認證機制向外部證明執行環境的完整性。

然而，金鑰安全只是第一道防線。Almanak 的實踐提供了一個較為完整的參考框架：平台同時採用 TEE 保護策略邏輯與私密參數，並在部署引擎與用戶持有的 Safe 智能帳戶之間插入 Zodiac Roles Modifier 權限層——AI 發起的每筆交易，須與預先設定的合約地址、函數及參數白名單逐一比對，不符合授權範圍的交易將被拒絕。

這種的落地方式，目前已成為 DeFAI 系統安全設計的重要參考。 它揭示了一個更深層的邏輯：DeFAI 的安全性問題，本質上不是單一技術選型的問題，而是金鑰管理、權限邊界與執行審計三者協同構成的系統工程——任何一環的缺失，都可能成為整個鏈路上最薄弱的節點。 這也正是下一章風險分析的出發點。

現實與敘事的落差：DeFAI 核心風險分析

上述分析揭示出了一個核心結論：

從法律形式來看，它是一隻在 SEC 完成登記備案的封閉式基金，持倉透明、結構合規，與市面上任何一隻普通的股票型 ETF 並無本質區別。 但從實際功能來看，它所出售的並非傳統意義上的“投資回報預期”，而是一種資產端的准入資格——以往只有頂級 VC 機構和合格投資者才能觸達——而這種資格，被打包成了 NYSE 上可以買賣的單位份額。

因此，

從這個角度來看，VCX 與 MicroStrategy（MSTR）之間的對比頗能說明問題。 兩者表面上做的是類似的事：將難以直接取得的稀缺資產（比特幣 / 頂級 Pre-IPO 股權）封裝為二級市場可交易的證券，並在市場上呈現出遠超底層資產價值的溢價。 但兩者的資本運作邏輯有根本差異：

• MSTR 透過持續發行可轉換債券和優先股募資，再將資金追加買入比特幣，這套機制賦予其動態擴表和持續增持的能力，使其股價溢價在一定程度上具有內生的維持基礎。
• VCX 則受制於封閉式基金的結構約束：資產規模在發行完成後基本鎖定，無法透過再融資持續買入新資產，持倉的流動性也高度依賴底層公司的 IPO 或併購退出。 一旦散戶退潮，或六個月鎖定期屆滿後流通籌碼增加，其溢價的收窄壓力將遠大於 MSTR。

VCX 與 MSTR（Strategy）模式比較

換言之，MSTR 的溢價 折價機制有持續操作的資本來源，而 VC 的主要價格支持。 這種產品邏輯本身並無對錯之分，但它所蘊含的風險，卻比普通封閉式基金更難被市場正確定價：

趨勢研判

綜合前述分析，可以對 DeFAI 的演進路徑做階段性判斷。 整體來看，這條賽道正處於從概念驗證向產品化過渡的關鍵節點，其演進預計將經歷三個遞進階段：

圖表 11：DeFAI 發展階段預判

圖表 11：DeFAI 發展階段預判。 。 在這一背景下，結合當前技術成熟度與市場現狀，有三點判斷值得重點關注。

現階段被冠以「DeFAI」標籤的產品，核心能力多在於將人類指令翻譯為預設的 DeFi 操作序列，本質上更接近高效執行介面，而非具備獨立推理與決策能力的自主系統。 根據麥肯錫 2025 年報告，即便在通用企業場景中，也不到 10% 的組織在任何單一職能上實現了 AI Agent 的規模化部署。 鏈上場景的信任門檻與操作複雜度更高，從技術演示走向真正的商業閉環，仍有相當距離。

7×24 小時的持倉監控、清算預警、治理提案分析等場景，一方面對 LLM 幻覺的容忍度相對較高——輸出錯誤不會直接觸發資金損失；另一方面能有效彌補人類在註意力持續性上的先天不足。 這類場景是 DeFAI 從「技術展示」走向「機構採納」的更現實路徑。

根據 RWA.xyz 數據，截至 2026 年 4 月初，鏈上代幣化 RWA 資產總值已超​​過 270 億美元（不含穩定幣），涵蓋美國國債、私人信貸、大宗商品、公司債等多個類別。 若 AI Agent 能夠介入管理包含國債 RWA 與穩定幣的組合資產——例如根據市場環境自動調整兩者的配置比例——其可觸達的資產規模將遠超當前以 DeFi 原生資產為主的範疇，並有望真正打通資產端的鏈上鍊下，實現 Web3+AI+TraFi 的聯動，顯著擴大市場聯想力。

結語

AI Agent 與鏈上資產管理正處於從概念驗證向產品化過渡的關鍵期。 技術可行性已初步驗證，但從 LLM 幻覺風險、鏈上資料異質性到信任基礎設施的缺失，產業面臨的挑戰並非單靠技術迭代就能解決，而是需要專案架構設計、合規路徑規劃、安全體系搭建與商業模式驗證的系統性推進。

這也恰恰意味著，這條賽道仍處於早期建設階段，真正的競爭格局尚未成型。 對於有能力同時駕馭 Web3 與 AI 兩個維度的團隊而言，當前正是介入的窗口期——無論是在執行層構建更可靠的鏈上 Agent 系統，還是在基礎設施層打通數據、權限與信任的關鍵環節，都存在相當大的空白地帶待填補。

DeFAI 的競爭壁壘，最終不會落在單一的模型能力或協議集成深度上，而在於能否在技術、合規與安全之間構建起真正自洽的閉環。