来源：Chainlink预言机
原文链接：https://mp.weixin.qq.com/s/-mnpNrJP17RK-q1CrlQk9Q

---

金融市场正随着“Agentic AI”的出现进入一个新纪元。这是一种新的模式，其中自主的、专门化的 Agent进行推理、行动和协作，以应对复杂的多步骤挑战。这些Agent独立运作，但在相互交互时表现出色，利用其独特的能力高效实现共同目标，例如进行合规性检查、创建全面的信贷备忘录，甚至模拟货币政策的影响。

根据我在AI系统方面的工作经验，最重要的突破通常不是来自单个系统，而是来自它们协作的能力。 向Agentic AI的转变反映了AI发展的一大趋势：从孤立的工具转向旨在无缝协同工作的互联系统。这些系统因其整合以下特征的能力而区别于其他AI应用：

• 感知：Agent通过与其环境的直接互动、用户输入或查询外部系统来收集和解释与其专业领域相关的数据。

• 推理和规划：Agent分析上下文信息，评估目标，并制定策略和计划，将自主决策与人类一致的目标相结合。

• 工具使用和协作：Agent与其他Agent和外部系统交互，利用工具和共享资源有效执行任务。 这些工具可以是为Agent定制开发的，也可以是Agent外部的系统，例如企业应用程序或互联网托管服务。

• 执行：Agent根据其决策采取行动，协调工作流程以实现有时需要专业参与者集体努力才能达成的结果。

这套能力使Agent能够适应不断变化的条件，无缝协作并自主执行复杂任务，特别是那些无法简化为线性工作流程的流程或用例。因此，它们为僵化的、基于规则的系统提供了一种替代方案，这些系统在面对意外情况时通常会中断或需要人工干预。相比之下，Agent能够以非确定性的方式适应这些情况。

尽管在金融或公共部门等行业中，Agentic AI的自主和适应性可以带来巨大价值，但这种自主性也带来了风险和挑战。例如，当Agent在某些情况下扮演以前由人类扮演的角色时，它们如何与其他Agent以及这些系统中的各个利益相关者建立信任？当Agent做出决策时，我们如何确保其决策基于可靠的真实世界数据？ 这些是我们必须解决的一些问题，才能释放Agentic AI的全部潜力。

Agent的架构

目前有几种新兴的Agent架构模式，但最简单且应用最广泛的一种称为RAISE框架。 如下图所示，一个Agent由一个控制器组成，该控制器是接收输入并协调其活动的代码；一个大语言模型（LLM），它主要提供推理和规划能力；一个工作内存，用于跟踪Agent在给定任务上下文中迄今为止所做的工作；一组Agent可以根据需要调用的工具；以及一组可以进一步指导它的示例。Agent本身以循环方式运行，它接收目标或目的，制定计划，使用工具执行计划中的一个步骤，与示例进行比较，然后提供给用户以获得响应。

RAISE框架概述

多Agent系统中的协作

虽然可以部署单个Agent，但Agentic AI的真正价值在于其能够在协作生态系统中部署多个专业Agent来处理复杂环境的能力。每个Agent都为更大的系统贡献专业知识，协同工作以解决单体AI方法无法有效解决的复杂问题。在金融领域，Agentic AI可以创建互联系统，其中专业Agent协同工作以处理复杂的工作流程。

以信贷分析流程为例：

1. 规划Agent：负责确定评估机构借款人信誉所需的任务。

2. 数据收集Agent：负责汇编财务报表、信用报告和其他文件。

3. 分析Agent：负责计算债务比率等关键指标并标记风险。

4. 验证Agent：负责审查调查结果并识别错误，将其迭代反馈以进行改进。

5. 备忘录准备Agent：负责将结果整合到最终的信贷备忘录中，供人工审查和批准。

这种多Agent系统在机构内部高效运作，但其潜力远不止于此。未来的Agent可以与代表借款人、监管机构或其他金融机构的第三方Agent互动，以安全地共享和验证数据。 这种协作可以极大地减少人工操作并提高决策准确性。

然而，协作也带来了挑战。在没有集中监管的去中心化系统中，Agent如何相互信任？如何安全地交换敏感数据？ 解决这些挑战对于有效扩展Agentic AI至关重要。

扩展Agentic AI的挑战

为了发挥其潜力，Agentic AI必须克服四个关键挑战：

1. 在Agent之间建立信任：在去中心化环境中，Agent必须在没有中央监管的情况下验证来自其他Agent的数据和决策的可靠性； 并且它们必须有一种机制来让其他Agent信任其任务的输出。

2. 保护隐私：协作通常需要Agent共享敏感数据。 在信息交换和隐私之间取得平衡是一个持续存在的障碍，尤其是在金融和其他受监管行业中扩展Agent时。

3. 确保互操作性：不同的系统、架构和监管框架使无缝协作复杂化。 标准化的协议和技术对于弥合这些差距至关重要。

4. 获取可靠的真实世界信息：Agent需要准确的实时数据，但在动态或对抗性环境中确保其完整性是一个持续存在的挑战。

这些挑战凸显了隐私悖论：Agent需要数据才能有效运作，但访问或共享这些数据会增加违规、滥用和违反法规的风险。解决这个悖论对于Agentic AI的成功至关重要。

隐私悖论

Agentic AI依赖于富含上下文的数据。数据越好，Agent的决策就越明智和精确。但这种依赖性带来了一些风险。 例如：

• 数据泄露：Agent之间共享的敏感信息可能会暴露给未经授权的实体，尤其是在某些 Agent 位于组织边界之外的情况下。

• 数据操纵：Agent可能依赖被篡改或不可靠的数据，从而破坏对系统的信任。 如果Agent是跨越司法管辖区或公司的多Agent系统的一部分，则此挑战可能尤其重要； 或者如果 Agent与敏感的外部系统交互，其中不正确的数据或操作可能会产生重大的实际后果。

• 监管复杂性：欧洲的GDPR或沙特阿拉伯的PDPL等隐私法引入了额外的合规性要求，使多Agent协作复杂化。

传统的隐私控制措施，例如集中式数据存储、严格的访问策略或基于网络的安全性控制，不适用于去中心化的自主系统。解决这个悖论需要能够实现安全、基于信任的协作而又不损害敏感信息的隐私保护架构。

零知识证明 ：信任的基础

零知识证明(ZKPs)为隐私悖论提供了一种密码学解决方案，允许一方（一个Agent）证明一个陈述的有效性，而无需透露任何额外信息。虽然ZKP已在DeFi和Web3世界中广泛使用，但它们也可能在去中心化、多Agent系统中建立信任方面发挥关键作用。

ZKPs对于Agentic AI的主要优势：

1. Agent间的信任：Agent可以安全地验证彼此的输出，确保可靠的协作，而无需透露不必要的细节。 例如，当一个Agent在其组织边界内执行任务然后将输出传递给另一个Agent 时，它还会提供一个零知识证明，证明其任务已按照组织的标准和要求完成。

2. 无需披露的凭证验证：Agent可以在不暴露敏感数据的情况下证明符合要求（例如，遵守法规），并且还可以证明它们拥有其所有者的适当授权。

3. 最小化攻击面：ZKPs限制数据暴露，减少漏洞并增强安全性。

4. 可靠的决策制定：Agent可以验证外部数据的真实性，确保决策基于可信赖的信息。例如，Agent 可以利用来自去中心化预言机网络或Chainlink Data Feed 的数据为其决策和行动提供重要的真实世界背景信息。

通过利用 ZKPs，Agentic AI即使在初始信任度较低的环境中也能实现安全、高效和私密的协作。

Agentic AI 在金融领域的应用

Agentic AI有望通过自动化复杂流程、增强风险管理和改进决策制定来重塑金融业。 其部署能够自主工作并与彼此以及人类协作的专业Agent的能力，在一系列应用中释放了新的效率和能力。

确保合规性

在监管领域，监管机构和受监管实体本身都面临着监督庞大而复杂的金融生态系统的艰巨任务。 Agentic AI可以通过持续监控交易数据中的异常情况，确保遵守反洗钱 (AML) 和反恐怖主义融资 (CTF) 法规来简化这项工作。 这些Agent可以帮助自主验证合规性（同时还实时了解法规的演变情况），标记高风险交易供人工审查，同时保持严格的隐私协议。 通过利用零知识证明 (ZKPs)，它们确保敏感的客户数据保密，从而解决了行业最紧迫的挑战之一：在透明度与隐私之间取得平衡。

执行信贷分析

如前所述，信贷分析这个传统上劳动密集型的过程也将从中受益。 金融机构通常会汇编和审查大量数据集以评估信誉。 Agentic AI可以将此过程分解为专门的任务：一个Agent收集财务数据，另一个Agent计算债务收入比等关键风险指标，第三个Agent将这些发现整合到一份全面的信贷备忘录中。这些Agent无缝协作，确保更快、更准确的评估——这在风险较高的机构贷款中尤为重要。

指导货币政策

负责实施货币政策的中央银行也可以利用Agentic AI的力量。Agent监控通货膨胀、GDP增长和就业率等关键经济指标，综合分析结果以指导政策决策。通过模拟利率变化或公开市场操作的影响，这些系统使中央银行能够更有信心和更精确地微调其干预措施，从而减轻各部门的意外后果。

管理通证化资产

通证化资产，例如数字债券或通证化房地产，正在成为现代金融不可或缺的一部分，而Agentic AI提供了有效管理它们的基础设施。Agent可以跟踪资产表现，验证抵押品价值，并将这些资产整合到贷款和投资组合中。对于探索使用通证化绿色债券支持ESG目标的中央银行，Agent可以确保合规性，监控市场状况，并向政策制定者提供实时分析。

协调支付

在支付系统和跨境交易中，Agentic AI提供了无与伦比的速度和安全性。Agent可以利用预言机网络在几秒钟内处理货币转换、合规性检查和结算流程，确保跨司法管辖区的无缝转账。例如，在 CBDC框架中，Agent可以帮助协调国际支付，在遵守当地法规的同时最大限度地减少延迟——使跨境支付像国内交易一样顺畅。

增强安全性

欺诈检测和网络安全也受益于Agentic AI的推理和自主执行能力。专业Agent监控交易模式，检测异常情况，并自主响应潜在的违规行为。例如，识别网络钓鱼攻击的Agent可以隔离受感染的账户并实时提醒人工操作员，从而防止大范围的破坏。

通过将Agentic AI集成到金融运营中，机构和监管机构都可以实现前所未有的效率、弹性和信任水平。从确保流动性到防范欺诈，这些系统正在改变金融格局，为更具适应性和更稳健的全球经济铺平道路。

结论：未来的愿景

随着Agentic AI的进步，其与零知识证明 (ZKPs) 的集成可能有助于建立这些系统成功所需的信任。ZKP使Agent能够验证关键信息——无论是验证合规性、评估交易还是验证数据——而无需暴露敏感细节。这种能力直接解决了长期以来限制自主多Agent生态系统的隐私、安全和透明度的根本挑战。

在Agentic AI中应用ZKP为各行各业，尤其是金融业，释放了变革潜力。ZKP的与众不同之处在于它们能够在原本缺乏信任的系统中培养信任。 这种信任使Agent能够在去中心化环境中自信地运作，跨越机构和监管孤岛进行协作，而不会损害数据完整性。 反过来，企业也获得了更快创新、优化流程以及安全扩展到新市场的能力。

ZKPs和Agentic AI的融合为各行各业拥抱信任优先的方法提供了一个激动人心的机会。 通过将 ZKPs嵌入到Agentic系统的核心，组织可以预先解决隐私悖论，并为通过采用Agentic架构创造更大的价值奠定基础。