🤖 AI

Agentic, Context-Aware Risk Intelligence in the Internet of Value

Dieser Artikel schlägt eine Fünf-Motor-Risikointelligenzarchitektur für das heterogene Internet of Value vor, die Vorhersage, dezentrale Verifikation, Sentiment-Fusion, agentische Einschränkungen und Szenarioplanung integriert und ihre Einsatzfähigkeit durch empirische Stress-Reaktionsexperimente sowie formalisierte, falsifizierbare Verlustzerlegung validiert.

Ursprüngliche Autoren: Basel Magableh, OmniRisk Research

Veröffentlicht 2026-05-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Basel Magableh, OmniRisk Research

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 die Welt des digitalen Geldes (das „Internet of Value") nicht als einzelne Bank vor, sondern als einen riesigen, chaotischen Marktplatz, auf dem Geld zwischen Tausenden verschiedener Inseln (Blockchains) fließt. Das Problem besteht darin, dass das Wetter auf einer Insel sich augenblicklich aufgrund eines Gerüchts auf einer anderen Insel ändern kann, während die alten Werkzeuge, die wir zur Gefahrenprüfung verwenden, nur eine Insel nach der anderen betrachten. Sie übersehen das große Ganze.

Dieses Papier schlägt ein neues „Risikointelligenzsystem" vor, das entwickelt wurde, um durch diesen chaotischen Marktplatz zu navigieren. Stellen Sie es sich als ein überaus intelligentes, vorsichtiges und sich selbst überprüfendes Navigationsteam für ein Schiff vor, das durch stürmische digitale Meere segelt.

So funktioniert dieses Team, aufgeteilt in fünf einfache Teile:

1. Das fünfköpfige Navigationsteam

Anstatt dass eine Person das Wetter errät, nutzt das System fünf spezialisierte „Motoren" (Werkzeuge), die zusammenarbeiten:

Der Wettervorhersager (Vorhersagemotor): Dieser Motor betrachtet Preisdiagramme, die verfügbare Handelsliquidität und die Wackeligkeit des Pfades. Er versucht vorherzusagen, was als Nächstes passieren wird. Wichtig: Das Papier gibt zu, dass dieser Vorhersager noch nicht perfekt ist; im großen Maßstab ist er nur geringfügig besser als ein Münzwurf.
Die Wahrheitsprüfer (Bittensor-Verifizierungs-Subnetz): Da der Vorhersager falsch oder voreingenommen sein könnte, konkurriert eine Gruppe unabhängiger „Wahrheitsprüfer" (Miner) darum, wer am besten vorhersagt. Sie werden basierend auf ihrer Genauigkeit bezahlt. Wenn sie lügen oder schlecht raten, verlieren sie Geld. Dies schafft eine dezentralisierte Methode, um die Ehrlichkeit der Vorhersagen sicherzustellen.
Der Gerüchte-Monitor (Sentiment-Fusions-Motor): Dieses Werkzeug liest alles: Nachrichtenartikel, Social-Media-Gespräche und sogar „graue Literatur" (inoffizielle Marktberichte). Es kombiniert dies mit On-Chain-Daten, um die Stimmung des Marktes zu verstehen. Wenn in den Nachrichten alle in Panik geraten, weiß dieser Motor, dass er vorsichtig sein muss, selbst wenn die Diagramme gut aussehen.
Der vorsichtige Kapitän (Agentischer Motor): Dies ist der Entscheidungsträger. Er nimmt den Wetterbericht, die Bewertungen der Wahrheitsprüfer und die Gerüchte entgegen und entscheidet, was zu tun ist. Aber hier liegt der Haken: Er hat einen strengen Regelkatalog (eine „Verfassung"). Er kann nicht einfach tun, was er will. Er ist mit harten Grenzen programmiert, wie „Nie verkaufen", „Nie die Brieftasche des Chefs verwenden" und „Sofort stoppen, wenn die Dinge zu schnell fallen". Er agiert wie ein Roboter, der rechtlich verpflichtet ist, eine spezifische Stellenbeschreibung einzuhalten.
Der Notfallplaner (API-Risiko- und Szenario-Motor): Dieses Werkzeug rät nicht nur; es schreibt „Wenn-Dann"-Pläne. Zum Beispiel: „WENN der Preis innerhalb von 10 Minuten um 30 % fällt, DANN pausiere automatisch alle Käufe." Es lädt diese Sicherheitspläne vor, damit das System sofort reagiert, ohne dass ein Mensch gefragt werden muss.

2. Die „Verfassungs"-Analogie

Das Papier betont, dass der KI-Agent (der Kapitän) kein freigeistiger Roboter ist. Er ist wie ein angestellter Fahrer mit einem strengen Vertrag.

Der Vertrag besagt: „Sie dürfen nur auf dieser spezifischen Straße fahren."
„Sie müssen anhalten, wenn der Tacho 100 anzeigt."
„Sie dürfen nachts nicht fahren, es sei denn, der Eigentümer unterschreibt ein Papier."
Dies stellt sicher, dass die KI nicht vom Weg abkommt oder wilde, gefährliche Wetten abschließt.

3. Der Realwelttest (Der Sturm-Drill)

Um zu beweisen, dass dieses System funktioniert, führten die Autoren ein 27-stündiges Experiment mit einem kleinen digitalen Vermögenswert (einem „Micro-Cap-Token") im Solana-Netzwerk durch.

Das Szenario: Der Preis des Tokens stürzte hart ab (fiel innerhalb eines Tages um fast 60 %), und die verfügbare Handelsliquidität trocknete aus.
Die Reaktion: Der „vorsichtige Kapitän" des Systems folgte seinem Regelkatalog. Er begann, kleine Mengen des Tokens in winzigen Häppchen zu kaufen (um Preisspitzen zu vermeiden), um ihn zu stabilisieren.
Das Sicherheitsnetz: Als der Preis zu schnell fiel (weitere 46 % in Minuten), griff der „Notfallplaner" des Systems ein. Er drückte den „Stop-Loss"-Knopf und frierte sofort alle Aktivitäten ein, genau wie programmiert.
Die menschliche Prüfung: Jedes Mal, wenn das System eine Regel brechen musste (wie zum Beispiel mehr als das tägliche Limit zu kaufen), pausierte es und fragte einen Menschen um Erlaubnis. Die Menschen sagten „Ja", und das System protokollierte die Anfrage.
Das Ergebnis: Das System überstand zwei große Abstürze und drei menschliche Eingriffe, ohne seine Regeln zu brechen oder die Kontrolle zu verlieren.

4. Die „Schlagzeile" versus die Realität

Das Papier ist sehr ehrlich bezüglich seiner Ergebnisse.

Die Schlagzeile: In einem spezifischen Test der 1.000 beliebtesten Coins sah die Vorhersagegenauigkeit des Systems erstaunlich aus (99 %).
Der Realitätscheck: Die Autoren erklären, dass dies irreführend ist. Da Abstürze selten sind (wie beim Gewinn im Lotto), sieht ein System, das einfach 99 % der Zeit sagt „Nichts Schlechtes wird passieren", intelligent aus.
Der wahre Score: Bei Tests gegen eine breitere, zufälligere Gruppe von Coins war das System nur etwa 53 % genau (kaum besser als ein Münzwurf).
Der Punkt: Das Papier argumentiert, dass der Wert nicht in der perfekten Vorhersage im Moment liegt, sondern in der Architektur (das Fünf-Motoren-Team und die Sicherheitsregeln), die es ermöglicht, das System später zu verifizieren und zu verbessern.

Zusammenfassung

Dieses Papier präsentiert einen Bauplan für einen sicheren, sich selbst überprüfenden KI-Navigator für die komplexe Welt des digitalen Geldes. Es kombiniert Vorhersage, Wahrheitsprüfung, Stimmungsanalyse, strikte Regelbefolgung und Notfallplanung.

Während das „Gehirn" (der Vorhersageteil) noch lernt und noch nicht perfekt ist, wurde der „Körper" (die Sicherheitsregeln und die Teamstruktur) in einem echten Sturm getestet und bewiesen, dass er Befehle befolgen kann, stoppt, wenn die Dinge gefährlich werden, und Menschen übernehmen lässt, wenn dies nötig ist. Das Ziel ist nicht, heute eine perfekte Kristallkugel zu haben, sondern ein System zu bauen, das ehrlich, überprüfbar und sicher genug ist, um in der Zukunft eingesetzt zu werden.

Technische Zusammenfassung: Agente, kontextbewusste Risikointelligenz im Internet of Value

1. Problemstellung

Das Internet of Value (IoV) wird als heterogenes, teilweise vertrauenswürdiges Netzwerk charakterisiert, bei dem das dominante marginale Risiko nicht mehr auf eine einzelne Blockchain beschränkt ist, sondern komposit ist. Dieses Risiko umfasst vier voneinander abhängige Vektoren: die Gesundheit von Routen, die Marktstimmung, die Fragmentierung der Liquidität und die politischen Beschränkungen des ausführenden Systems.

Aktuelle Risikobewertungstools operieren nach einem „Single-Chain"-Paradigma und erfassen vier kritische Ausfallmodi nicht, die in den letzten Jahren erhebliche Folgen hatten:

Bridge-Fragmentierung: Cross-Chain-Bridges dienen sowohl als primäre Kapitalroute als auch als dominante Angriffsfläche für Exploits.
Liquiditätsfragmentierung: Logische Assets werden über verschiedene Ketten hinweg zu divergierenden Preisen gehandelt; eine Route mag aggregiert liquide erscheinen, ist jedoch an der spezifischen Ausführungsstelle illiquide.
Narrative Kontagion: Stimmungsschocks breiten sich schneller aus als Änderungen des On-Chain-Zustands, wodurch Risikomotoren blind für Ereignisse bleiben, die durch Off-Chain-Textdrift ausgelöst werden.
Agenten-Ausführungsrisiko: Durch Large Language Models (LLM) vermittelte Agenten führen neue Angriffsflächen ein, die rein on-chain-Minderungsmaßnahmen nicht adressieren können.

Die Arbeit argumentiert, dass die bestehende Literatur zur Bridge-Sicherheit die fundamentale Frage nicht beantwortet: Was muss ein kontextbewusstes Risikoprimitiv tatsächlich tun, und wie wird es ehrlich gehalten?

2. Methodik: Die Fünf-Engine-Architektur

Die vorgeschlagene Lösung ist eine komposite Architektur aus fünf Engines, die über ein gemeinsames Intelligenzgewebe operieren. Das Design betont dezentrale Verifizierung und konstitutionelle Beschränkungen für Agentenaktionen.

A. Die fünf Engines

Vorhersage-Engine (Prediction Engine): Gibt Punktvorhersagen und Verteilungsvorhersagen für Preis, Liquiditätstiefe, Volatilität, Volumeverteilung und Routengesundheit aus. Sie dient als Eingabe für alle anderen Engines.
Bittensor-Verifizierungs-Subnetz: Dezentralisiert die Vorhersageschicht. Eine heterogene Population von Minern generiert Vorhersagen, während Validatoren diese anhand realer Ergebnisse unter Verwendung einer Belohnungszuweisungsregel (Yuma Consensus) bewerten. Dies schafft eine wirtschaftlich incentivisierte, verifizierbare Forschungsfläche.
Sentiment-Fusions-Engine: Kombiniert Off-Chain-Textströme (Nachrichten, soziale Medien, Grauliteratur) mit On-Chain-Flussignalen. Das System nutzt eine Late-Fusion mit Stacking-Strategie, validiert gegen einen multimodalen Merkmalsatz, der 12 Nachrichten-Adapter und 3 Social-Stream-Adapter umfasst.
Agenten-Engine (Agentic Engine): Eine von LLM vermittelte Entscheidungsebene, die Aktionen aus einem eingeschränkten Menü auswählt. Entscheidend ist, dass sie unter einem Constitutional AI-Rahmenwerk (gemäß Spezifikation von Anthropic) operiert, bei dem Aktionen gegen eine schriftliche Liste von Prinzipien geprüft werden (z. B. „nur kaufen", „niemals Deployer-Wallet verwenden") und nicht gegen frei formulierte Ziele. Die Engine ist standardmäßig „pausiert" und erfordert eine explizite Zustimmung des Vorstands für Live-Umschaltungen.
API-Risiko- und Szenario-Engine: Wandelt Vorhersageverteilungen in vorab festgelegte Aktionsprogramme um. Diese Programme folgen einer Logik der „Stop-Regel": Wenn das Szenario $\Sigma$ mit einer Wahrscheinlichkeit $>p$ realisiert wird, führe Programm $P$ innerhalb der Ressourcenbegrenzung $B$ aus.

B. Formales Verifizierungsmechanismus

Die Arbeit definiert eine Validator-Verlust-Dekomposition zur Bewertung von Minern. Der Verlust $L_i$ für einen Miner $i$ ist eine konvexe Kombination aus drei Komponenten:
$L_i = \alpha \cdot \text{Brier}(p_i, y) + \beta \cdot \text{Inkonsistenz}(m_i) + \gamma \cdot \text{Kalibrierung}(c_i)$

Brier-Komponente: Bestraft falsche Vorhersagen und Überzeugung.
Inkonsistenz-Komponente: Bestraft Drift in Vorhersagen für Abfragen, die denselben Chain-State-Kontext teilen.
Kalibrierungskomponente: Misst die Lücke zwischen geäußerter Sicherheit und realisierter Genauigkeit über ein rollendes Fenster.

C. Orchestrierung

Das System trennt das Agenten-Aufgabenmanagement (Abgrenzung von Rollen, Berechtigungen und Prüfpfaden) von der Runtime-Orchestrierung (Zustandsmaschinenausführung). Die Runtime verwendet LangGraph und setzt eine harte Regel durch: Sie kann die Politikgrenze nicht umgehen. Alle Modellaufrufe werden durch einen in-Prozess-AiRouter geleitet, um Auditierbarkeit sicherzustellen und direkte LLM-HTTP-Pfade zu verhindern.

3. Empirische Artefakte und Ergebnisse

Die Architektur wird durch zwei spezifische empirische Evaluierungen verankert, wobei die Arbeit zwischen gemessenen Ergebnissen und architektonischen Vorschlägen explizit unterscheidet.

Artefakt 1: Politikbeschränkte Liquiditäts-Stressreaktion (Abschnitt 5)

Setup: Ein 27-stündiges Experiment an einem Solana Micro-Cap-Pool (RYA-Token) unter Verwendung einer „Trader-Rolle"-Konstitution.
Ausführung: Das System führte 52 zeitgewichtete, geschnittene Käufe durch, die insgesamt 5,2 SOL über zwei Stressereignisse und einen Stop-Loss-Ereignis hinweg umfassten.
Wichtige Beobachtungen:
- Der Sicherheitskreis (Stop-Loss) löste automatisch bei einem Preisrückgang von 46 % aus und pausierte die Engine wie vorgesehen.
- Human-in-the-Loop-Eskalationen wurden im selben Prüfpfad wie die ursprüngliche Autorisierung aufgezeichnet, was eine vollständige Rekonstruktion der Entscheidungskette ermöglichte.
- Der Rollenvertrag hielt über alle Ereignisse hinweg, ohne gegen harte Regeln zu verstoßen (z. B. keine Verkaufsaufträge, keine Nutzung der Deployer-Wallet).
Ergebnis: Zeigte die Einsetzbarkeit einer politikbeschränkten Szenario-Engine, wobei der Agent zwar eine deterministische Politik war, aber noch nicht die vollständige LLM-vermittelte Engine darstellte.

Artefakt 2: Produktionskalibrierungsbogen (Abschnitt 6)

Setup: Eine 168-stündige Evaluierung der Vorhersage-Engine auf der Blue us-east-1-Bereitstellung.
Ergebnisse:
- Hauptgenauigkeit: 99,34 % bei einer spezifischen 168-stündigen Kohorte, die auf die Top-1.000-Assets nach Marktkapitalisierung beschränkt war.
- Basisgenauigkeit: Ca. 53 % bei der breiteren Produktionskohorte (beschrieben als „kaum über dem Zufall").
- Kalibrierung: Der Brier-Score betrug 0,1335.
Einschränkungen: Die Arbeit stellt explizit fest, dass die 99 %-Zahl ohne Kontext irreführend ist. Sie wird durch Klassenungleichgewicht (niedrige Basisrate von Crashs bei Top-Cap-Assets) und Kohorteneinschränkung getrieben. Der architektonische Beitrag ist nicht die 99 %-Genauigkeit, sondern die Existenz einer Produktions-Telemetriefläche, gegen die ein Verifizierungs-Subnetz Miner bewerten kann.

4. Hauptbeiträge

Fünf-Engine-Architektur: Ein kohärenter Datenfluss für agente, kontextbewusste Risikovorhersage, der Vorhersage, dezentrale Verifizierung, Sentiment-Fusion, konstitutionelle Agentenaktion und szenariobasierte Ausführung integriert.
Falsifizierbare Validator-Verlust-Spezifikation: Eine formale Definition des Bewertungsmechanismus (Brier + Inkonsistenz + Kalibrierung), die eine wirtschaftliche Verifizierung von Vorhersageergebnissen ermöglicht.
Empirische Validierung von Beschränkungen: Ein 27-stündiger Stresstest, der zeigt, dass ein konstitutioneller Agent unter Liquiditätsstress, Stop-Loss-Auslösern und Governance-Eskalationen operieren kann, ohne seine Politikgrenzen zu verletzen.
Ehrliche Berichterstattung über Kalibrierung: Ein Produktionskalibrierungsbogen, der eine hohe Hauptgenauigkeit (99 %) mit ihren notwendigen Einschränkungen (53 %-Basis, Klassenungleichgewicht) kombiniert und das Verifizierungsprimitiv als primäres Wertversprechen darstellt, nicht die rohe Vorhersageleistung.

5. Bedeutung und Behauptungen

Die Arbeit beansprucht bescheiden, eine falsifizierbare Architektur für das IoV bereitzustellen, nicht ein vollständig gelöstes, skalengestütztes System.

Einsetzbarkeit: Das System wird als einsetzbar und fähig gezeigt, reale Liquiditätsstressszenarien und Governance-Eskalationen zu bewältigen.
Falsifizierbarkeit: Die Autoren definieren spezifische Bedingungen, unter denen ihre Behauptungen scheitern würden (z. B. wenn ein zweiter Pool unter derselben Politik nicht wieder konvergiert oder wenn der Brier-Fehler der breiten Kohorte 0,20 überschreitet).
Verifizierungsprimitiv: Der Kernbeitrag ist der Mechanismus zur Verifizierung von Risikovorhersagen (das Bittensor-Subnetz und die Verlustfunktion), nicht die aktuelle Vorhersageleistung der Modelle.
Einschränkungen: Die Arbeit gibt zu, dass die Validator-Verlustkomponenten noch nicht im Maßstab gegen ein Live-Multi-Miner-Metagraphen gemessen wurden (es existiert nur ein Shadow-Run im Testnetz). Darüber hinaus nutzte die Fallstudie eine deterministische Politik, nicht die vollständige LLM-vermittelte Agenten-Engine, die als nachfolgende Entwicklung bleibt.

Zusammenfassend schlägt die Arbeit einen Wandel von der Single-Chain-Risikobewertung zu einem kompositen, kontextbewussten Rahmen vor, in dem das Risiko durch eine Kombination aus dezentraler Verifizierung, Off-Chain-Sentiment-Fusion und konstitutionell eingeschränkter Agentenausführung gemanagt wird.