Operating-Layer Controls for Onchain Language-Model Agents Under Real Capital
Dieses Papier zeigt, dass zuverlässige autonome Sprachmodell-Agenten, die reales Kapital in Onchain-Märkten verwalten, weniger von den Fähigkeiten des Basismodells abhängen und vielmehr auf eine robuste Betriebsschicht angewiesen sind, die typisierte Kontrollen, Policy-Validierung und Ausführungsbarrieren umfasst, welche gemeinsam kritische Fehler wie erfundene Handelsregeln reduzierten und eine hohe Erfolgsquote bei der Abwicklung während eines groß angelegten 21-Tage-Einsatzes ermöglichten.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie stellen einen hochintelligenten, aber leicht wortwörtlich denkenden Roboter-Koch ein, um ein Restaurant zu führen. Sie geben dem Koch eine Speisekarte und ein Budget (Ihr „Mandat") und sagen zu ihm: „Machen Sie gutes Essen und verschwenden Sie kein Geld."
In der Vergangenheit testeten Forscher diese Roboter-Köche in einer Simulation: Sie gaben ihnen eine gefälschte Speisekarte und gefälschtes Geld. Die Köche sahen auf dem Papier großartig aus. Doch dieser Bericht beschreibt, was geschah, als sie das Restaurant tatsächlich mit echtem Geld und echten Kunden für 21 Tage eröffneten.
Hier ist die Geschichte dessen, was sie herausfanden, unter Verwendung einfacher Analogien.
Die große Entdeckung: Es geht nicht um das Gehirn des Kochs
Das Team erwartete, dass, wenn sie einfach einen „klügeren" Roboter-Koch einstellen würden (ein leistungsfähigeres KI-Modell), das Restaurant perfekt laufen würde. Sie lagen falsch.
Sie fanden heraus, dass die Zuverlässigkeit des Restaurants nicht allein vom Gehirn des Kochs kam. Sie kam vom Küchenmanagementsystem, das den Koch umgibt. Sie nennen dies die „Betriebsschicht" (Operating Layer).
Stellen Sie es sich so vor:
- Das Modell (Der Koch): Kann ein Rezept lesen und Gemüse schneiden.
- Die Betriebsschicht (Der Küchenmanager): Prüft, ob die Zutaten frisch sind, verhindert, dass der Koch Essen wegwirft, stellt sicher, dass der Koch die Küche nicht versehentlich in Brand setzt, und sorgt dafür, dass die Rechnung mit dem übereinstimmt, was der Kunde bestellt hat.
Der Bericht argumentiert, dass für eine KI, die mit echtem Geld umgehen soll, ein super-strenger Küchenmanager benötigt wird, nicht nur ein klügerer Koch.
Das Experiment: „DX Terminal Pro"
Das Team richtete einen realen Test namens DX Terminal Pro ein.
- Der Aufbau: 3.505 Personen steckten ihr eigenes echtes Geld (ETH) in „Tresore".
- Die Regel: Menschen konnten die Regeln festlegen (wie „sei risikofreudig" oder „sei sicher"), durften aber das Geld nicht direkt anfassen. Nur die KI-Agenten konnten Token kaufen und verkaufen.
- Der Einsatz: Jedes Mal, wenn die KI einen Trade tätigte, kostete es echtes Geld an Gebühren (2,3 % pro Trade). Wenn die KI einen Fehler machte, verschwand echtes Geld.
- Das Ausmaß: Die KI traf 7,5 Millionen Entscheidungen und handelte mit etwa 20 Millionen US-Dollar an Kryptowährung.
Die „Kitchen Nightmares" (Fehlermodi)
Bevor das reale Ereignis stattfand, führte das Team Tests durch und fand fünf spezifische Wege, auf denen die KI-Köche Fehler machten. Sie behob diese, indem sie die Regeln des „Küchenmanagers" änderten, nicht indem sie die Köche feuerten.
Das „Fake Rule"-Problem (Regel-Fabrikation):
- Der Glitch: Die KI erfand Regeln, die es nicht gab, indem sie sagte: „Ich muss verkaufen, weil 'Regel #2' das sagt", obwohl eine solche Regel nicht existierte.
- Die Lösung: Sie sagten der KI: „Erfinde keine Gesetze. Wenn du es nicht aufgeschrieben gesehen hast, ist es keine Regel."
- Ergebnis: Fake-Regeln sanken von 57 % der Entscheidungen auf nur noch 3 %.
Das „Fee Paralysis"-Problem:
- Der Glitch: Die KI sah die 2,3 %-Gebühr und wurde so ängstlich, dass sie sich weigerte, überhaupt zu handeln, selbst wenn es eine gute Gelegenheit war. Es war wie ein Koch, der sich weigert zu kochen, weil das Einschalten des Herdes Geld kostet.
- Die Lösung: Sie verlagerten die Gebührenwarnung ans Ende der Anweisungen, direkt nach der Marktchance. Sie lehrten die KI: „Ja, es gibt eine Gebühr, aber hier ist der Grund, warum sich der Trade lohnt."
- Ergebnis: Die KI hörte auf, stehenzubleiben, und begann wieder zu handeln.
Das „Math Confusion"-Problem (Number Hardening):
- Der Glitch: Die KI behandelte weiche Vorschläge wie harte Gesetze. Wenn Sie sagten „versuche, etwa 33 % auszugeben", versuchte die KI obsessiv, jedes Mal genau 33 % zu treffen, auch wenn es keinen Sinn ergab.
- Die Lösung: Sie hörten auf, exakte Zahlen zu verwenden, und nutzten stattdessen Vergleiche (z. B. „gib mehr aus, wenn der Markt heiß ist").
- Ergebnis: Die KI begann natürlicher und weniger roboterhaft zu handeln.
Das „Token Trap"-Problem (Tokenomics Missverständnis):
- Der Glitch: Ein Token stürzte im Preis ab. Die KI sah den Absturz und verkaufte sofort alles, ohne zu erkennen, dass der Token eine spezielle Regel hatte, nach der Inhaber auch bei fallenden Preisen bezahlt werden. Es war wie ein Gutschein, der verkauft wird, nur weil das Geschäft sein Logo geändert hat, ohne zu erkennen, dass der Gutschein noch funktioniert.
- Die Lösung: Sie gaben der KI eine klare, strukturierte Erklärung der speziellen Zahlungsregel, bevor sie den Preisabsturz zeigten.
- Ergebnis: Die KI hörte auf in Panik zu geraten und traf intelligentere Entscheidungen.
Das „Clock Watcher"-Problem (Cadence Trading):
- Der Glitch: Die KI begann zu handeln, nur weil „es 10 Minuten seit dem letzten Trade vergangen waren", und ignorierte den Markt. Es war wie ein Koch, der Gemüse schneidet, nur weil die Uhr sagte, es sei Zeit, nicht weil die Zutaten geschnitten werden mussten.
- Die Lösung: Sie sagten der KI, sie solle die Uhr ignorieren und nur basierend auf Marktsignalen handeln.
Die Ergebnisse: Ein besseres Restaurant
Sobald sie den „Küchenmanager" (die Betriebsschicht) repariert hatten, funktionierte das System unglaublich gut:
- 99,9 % Erfolgsrate: Fast jeder Trade, den die KI zu tätigen versuchte, war gültig und wurde durchgeführt.
- Echtes Verhalten: Die KI folgte nicht nur Anweisungen; sie reagierte auf den Markt. Manchmal, wenn eine KI ein gutes Angebot sah, sahen es Hunderte andere auch und kauften zur gleichen Zeit (ein „Herden"-Effekt), genau wie echte Menschen es tun.
- Bessere Anweisungen: Nutzer, die klare, spezifische Anweisungen gaben (unter Verwendung von Schiebereglern und Kontrollkästchen), erhielten bessere Ergebnisse als diejenigen, die nur vage Notizen wie „mach mich reich" schrieben.
Die Hauptaussage
Der Bericht kommt zu dem Schluss, dass Sie, wenn Sie wollen, dass eine KI mit echtem Geld umgeht, nicht nur nach einem klügeren KI-Modell suchen sollten.
Sie müssen ein besseres System darum herum aufbauen. Sie müssen:
- Menschliche Wünsche in klare, strukturierte Regeln übersetzen.
- Die Arbeit der KI überprüfen, bevor sie einen Cent ausgibt.
- Eine perfekte Aufzeichnung jedes Gedankens, jeder Entscheidung und jedes Trades führen, damit Sie genau herausfinden können, was schiefgelaufen ist, falls es dazu kommt.
Die „Betriebsschicht" ist das Sicherheitsnetz, das einen klugen, aber verwirrten Roboter in einen zuverlässigen Finanzagenten verwandelt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.