Sự khám phá của AI Agent trong lĩnh vực Web3: Từ Manus đến MCP

Gần đây, một sản phẩm AI Agent toàn cầu đầu tiên mang tên Manus đã thu hút sự chú ý rộng rãi. Là một hệ thống AI có khả năng tư duy độc lập, lập kế hoạch và thực hiện các nhiệm vụ phức tạp, Manus thể hiện tính linh hoạt và khả năng thực hiện chưa từng có. Điều này không chỉ gây ra cuộc thảo luận sôi nổi trong ngành mà còn cung cấp những ý tưởng và cảm hứng quý giá cho việc phát triển các AI Agent khác.

Với sự phát triển nhanh chóng của công nghệ AI, AI Agent như một nhánh quan trọng trong lĩnh vực trí tuệ nhân tạo, đang dần chuyển từ khái niệm sang thực tế và thể hiện tiềm năng ứng dụng to lớn trong nhiều ngành nghề, ngành Web3 cũng không phải là ngoại lệ.

Khái niệm cơ bản về AI Agent

AI Agent là một chương trình máy tính có khả năng tự đưa ra quyết định và thực hiện nhiệm vụ dựa trên môi trường, đầu vào và mục tiêu đã được định nghĩa trước. Các thành phần cốt lõi của nó bao gồm:

1. Mô hình ngôn ngữ lớn (LLM) như "bộ não"
2. Cơ chế quan sát và nhận thức
3. Quá trình suy luận
4. Năng lực thực hiện hành động
5. Chức năng ghi nhớ và truy xuất

Mô hình thiết kế của AI Agent chủ yếu có hai hướng phát triển: một hướng chú trọng vào khả năng lập kế hoạch, hướng còn lại chú trọng vào khả năng phản tư. Trong đó, mô hình ReAct là mô hình thiết kế xuất hiện sớm nhất và được áp dụng rộng rãi nhất. ReAct giải quyết các nhiệm vụ suy luận ngôn ngữ và quyết định đa dạng bằng cách kết hợp suy luận (Reasoning) và hành động (Acting) trong mô hình ngôn ngữ. Quy trình điển hình của nó có thể được mô tả bằng chu trình "Suy nghĩ → Hành động → Quan sát".

Dựa trên số lượng tác nhân, AI Agent có thể được chia thành Single Agent và Multi Agent. Cốt lõi của Single Agent nằm ở sự kết hợp giữa LLM và công cụ, trong khi Multi Agent trao cho các tác nhân khác nhau những vai trò khác nhau, hoàn thành các nhiệm vụ phức tạp thông qua hợp tác.

Giới thiệu về giao thức MCP

Model Context Protocol (MCP) là một giao thức mã nguồn mở được công ty Anthropic phát triển, nhằm giải quyết vấn đề kết nối và tương tác giữa LLM và các nguồn dữ liệu bên ngoài. MCP cung cấp ba khả năng để mở rộng LLM: Resources (mở rộng kiến thức), Tools (thực hiện chức năng, gọi hệ thống bên ngoài) và Prompts (mẫu gợi ý đã được viết trước).

Giao thức MCP sử dụng kiến trúc Client-Server, với truyền tải dưới đáy sử dụng giao thức JSON-RPC. Bất kỳ ai cũng có thể phát triển và lưu trữ MCP Server, và có thể ngừng dịch vụ bất cứ lúc nào.

Tình trạng của AI Agent trong Web3

Trong ngành Web3, độ nổi bật của AI Agent đã giảm mạnh sau khi đạt đỉnh vào tháng Giêng năm nay, tổng giá trị thị trường đã thu hẹp hơn 90%. Hiện tại, những dự án vẫn còn tiếng nói chủ yếu xoay quanh việc khám phá Web3 dựa trên khung AI Agent, bao gồm ba mô hình chính:

1. Chế độ nền tảng phóng: đại diện bởi Virtuals Protocol
2. Mô hình DAO: đại diện bởi ElizaOS
3. Mô hình công ty thương mại: đại diện là Swarms

Từ góc độ mô hình kinh tế, hiện tại chỉ có mô hình nền tảng phát hành có thể đạt được vòng khép kín kinh tế tự cung tự cấp. Tuy nhiên, mô hình này cũng đối mặt với thách thức, chủ yếu là tài sản AI Agent được phát hành cần có đủ "sức hấp dẫn" để tạo ra vòng quay tích cực.

Hướng đi khám phá của MCP trong lĩnh vực Web3

Sự xuất hiện của MCP đã mang đến hướng khám phá mới cho AI Agent trong Web3, chủ yếu bao gồm:

1. Triển khai MCP Server vào mạng blockchain, giải quyết vấn đề điểm đơn và có khả năng chống kiểm duyệt.
2. Cung cấp chức năng tương tác giữa MCP Server và blockchain, như thực hiện giao dịch DeFi và quản lý, giảm bớt rào cản kỹ thuật.

Ngoài ra, còn có một giải pháp xây dựng mạng lưới khuyến khích người sáng tạo OpenMCP.Network dựa trên Ethereum. Mạng lưới này nhằm tự động hóa, minh bạch, đáng tin cậy và chống kiểm duyệt khuyến khích thông qua hợp đồng thông minh, đồng thời sử dụng ví Ethereum, ZK và các công nghệ khác để thực hiện ký tên, xác thực quyền hạn và bảo vệ quyền riêng tư trong quá trình vận hành.

Dù lý thuyết kết hợp MCP với Web3 có thể mang lại cơ chế tin cậy phi tập trung và lớp kinh tế cho ứng dụng AI Agent, nhưng công nghệ hiện tại vẫn còn một số hạn chế, chẳng hạn như kỹ thuật chứng minh không kiến thức (ZKP) khó xác minh tính xác thực của hành vi của Agent, cũng như vấn đề hiệu suất của mạng phi tập trung.

Kết luận

Sự ra mắt của Manus đánh dấu một cột mốc quan trọng cho sản phẩm Đại lý AI tổng quát. Thế giới Web3 cũng cần một sản phẩm cột mốc để phá vỡ những hoài nghi bên ngoài về tính thực tiễn của Web3. Sự xuất hiện của MCP mang đến một hướng khám phá mới cho Đại lý AI của Web3, mặc dù hiện tại vẫn phải đối mặt với nhiều thách thức, nhưng sự kết hợp giữa AI và Web3 là một xu hướng không thể tránh khỏi. Chúng ta cần giữ vững sự kiên nhẫn và niềm tin, tiếp tục khám phá những khả năng trong lĩnh vực này.