為什麼AI 需要去中心化
隨著AI 日益推動內容創作、決策和線上互動，透明性和問責性的關鍵問題不斷浮現。 SubQuery 透過將所有代理人的互動和推理儲存在鏈上，解決了這些問題，確保資料不可篡改、可追溯且可審計。
SubQuery 去中心化方法解決的關鍵問題包括：
單點故障風險：去中心化基礎設施提高了系統的彈性。
決策過程不透明：鏈上儲存引入了對代理行為的問責機制。
自治代理的可擴展性：為開發者提供了工具，以快速原型設計並部署AI 代理程式。
SubQuery 的核心重點是提供實際的應用價值，而非依賴炒作，旨在建立可信賴的AI 驅動系統。
SubQuery AI 框架簡介
SubQuery 的AI 框架旨在讓建立和管理AI 代理變得簡單直覺。開發者可以從一個包含所有必要組件的樣板項目著手。
框架的主要功能包括：
模組化設計
使用TypeScript 進行開發，並結合了基於Deno 的現代安全執行環境（Deno 是Node.js 的重新構想）。
開源模型
支援與流行的開源模型（如Llama 3B）的集成，為開發者提供了靈活性和獨立於專有工具的能力。
系統提示
開發者可以定義代理人的行為，具體說明其角色、個性和每次互動的目的。
功能工具
允許代理執行特定任務，例如API 呼叫、與區塊鏈資料互動或執行智能合約。
現場演示：建立自訂AI 代理
在演示中，SubQuery 展示了一個逐步範例，突出框架的簡潔性。這個名為「Greeter AI」的代理商被設計為向用戶詢問姓名，並用獨特的笑話或雙關語來問候用戶。
這個有趣的範例強調了系統提示和輕量配置如何塑造代理行為。對於更高級的用例，演示還探討了功能工具，展示了它們在處理複雜任務（如反轉用戶輸入或檢索區塊鏈資料）方面的能力。
真實應用案例：知識型透明代理
SubQuery 的一個突出示例是“Argument”，這是一個設計用於在社交媒體平台上參與辯論的AI 代理。
Argument 的顯著特徵是其鏈上記憶功能：
每次互動都記錄在鏈上，包括推理和決策過程。
公眾存取權限允許任何人透過儲存的交易和回應查看Argument 的「思考過程」。
這種方法解決了AI 系統中的關鍵問題，即決策過程通常是一個「黑盒子」。鏈上儲存AI 的推理使開發者和使用者可以追溯互動記錄，識別潛在錯誤，從而消除像「幻覺」這樣的模糊問題。
透過RAG 支援擴展知識
另一個演示重點展示了SubQuery 使用RAG（檢索增強生成）來支援一個AI 支援機器人，該機器人經過了其全面文檔的訓練。
透過RAG，SubQuery 的AI 實現了以下功能：
處理龐大的知識庫：使用LanceDB 將文件轉換為向量嵌入，以便有效率地查詢。
精準處理使用者查詢：從特定文件來源提供詳細的答案。
增強可用性：透過可自訂的提示，提供諷刺、簡化或技術風格的解釋。
這個應用是框架如何支援開發者在複雜生態系統中導航的一個真實案例，使工具更易於為更廣泛的受眾所用。
賦能開發者與創新者
SubQuery 的關注點超越了其內部用例，旨在賦能Web3 開發者社區，激發他們想像並開發自己的AI 驅動解決方案。該框架提供了探索新穎想法的靈活性，無論是用於自動化去中心化流程、建立互動式dApp，或是創建全新的代理驅動平台。
正如SubQuery 的James 所言： “我們提供工具，讓你盡情發揮想像力。你的創意是唯一的限制。”
結論：塑造去中心化AI 的未來
SubQuery 的AI 框架展示了人工智慧與區塊鏈技術結合的潛力。透過專注於透明性、問責性和實際效用，SubQuery 正在重新定義AI 3.0 時代的可能性。
隨著去中心化代理商的激增，SubQuery 的工具將在確保這一新創新浪潮既強大又負責任方面發揮至關重要的作用。無論是透過像Argument 這樣有趣的辯論代理，還是功能強大的AI 支援機器人，SubQuery 正在為新一代透明且具有彈性的AI 系統奠定基礎。
