Operating-Layer Controls for Onchain Language-Model Agents Under Real Capital

A continuación se presenta un resumen técnico detallado del artículo "Controles de Capa Operativa para Agentes de Modelos de Lenguaje Onchain bajo Capital Real".

1. Declaración del Problema

El artículo aborda la brecha crítica de fiabilidad en los agentes autónomos de modelos de lenguaje (LM) al gestionar capital real en mercados financieros en vivo. Si bien las evaluaciones existentes (por ejemplo, SWE-bench, AgentBench) evalúan a los agentes en entornos sintéticos o de solo texto, no logran capturar las complejidades de las operaciones financieras persistentes del mundo real, que incluyen:

• Liquidación irreversible: Las transacciones no pueden deshacerse.
• Costos económicos reales: Altas tarifas de transacción (2.3% por intercambio en este estudio) y deslizamiento (slippage).
• Retroalimentación multiagente: Los agentes reaccionan al mismo estado de mercado y a las operaciones de los demás.
• Autonomía de largo horizonte: Los agentes deben tomar miles de decisiones secuenciales durante días sin intervención humana.

Los autores argumentan que la fiabilidad en este dominio no es únicamente una función de la inteligencia del modelo base, sino una propiedad emergente de la capa operativa—la arquitectura del sistema que rodea al modelo y traduce la intención del usuario en acciones validadas y ejecutables.

2. Metodología: DX Terminal Pro

El estudio utilizó DX Terminal Pro, un despliegue en vivo de 21 días en la blockchain Base que involucró 3,505 bóvedas financiadas por usuarios.

• Arquitectura del Sistema:
  • Modelo: Qwen/Qwen3-235B-A22B-Thinking-2507 (235B parámetros, 22B activos).
  • Inferencia: Servida mediante SGLang en una pila de computación fija para garantizar consistencia.
  • Entorno: Un mercado acotado de 12 tokens de memecoin en Uniswap V4.
  • Restricciones: Un agente por billetera; los humanos podían configurar estrategias y controles de riesgo, pero no podían ejecutar operaciones individuales. Los agentes debían elegir exactamente una acción por ciclo: Comprar, Vender u Observar.
• Bucle de Control:
  • Entrada: Los usuarios configuraron las bóvedas mediante controles deslizantes estructurados (Actividad de Trading, Riesgo, Tamaño de Operación, etc.) y texto de estrategia en lenguaje natural.
  • Procesamiento: Un "arnés" compiló estas entradas en un prompt, incluyendo datos de mercado en tiempo real, estado de la cartera y memoria.
  • Validación: Una capa de políticas fuera de la cadena verificó la validez de las llamadas a herramientas (por ejemplo, verificaciones de saldo, límites de deslizamiento, listas permitidas de tokens) antes de la presentación.
  • Observabilidad: El sistema registró un rastro completo de instrucción a liquidación para cada invocación, vinculando mandatos del usuario, prompts, razonamiento, llamadas a herramientas y resultados onchain.
• Escala: 7.5 millones de invocaciones de agentes, ~70 mil millones de tokens de inferencia y ~20 millones de dólares en volumen de trading.

3. Contribuciones Clave

El artículo presenta tres contribuciones principales:

1. Arquitectura para Agentes de Capital Real: Un diseño de sistema en vivo que compila configuraciones de usuario en contexto de agente, valida acciones antes de la liquidación y mantiene rastros granulares desde la intención hasta el resultado en la cadena.
2. Identificación y Mitigación de Modos de Fallo: Los autores identificaron cinco modos de fallo específicos únicos para la operación persistente con capital real y demostraron cómo intervenciones dirigidas a nivel de "arnés" (sistema) los redujeron.
3. Evidencia Empírica de la Dominancia de la Capa Operativa: Datos que muestran que las mejoras en la fiabilidad provienen del diseño del sistema (compilación de prompts, validación, semántica de memoria) y no solo de actualizaciones del modelo.

4. Resultados Clave y Modos de Fallo

El estudio reveló que los modelos base a menudo fallan debido a errores de interpretación del prompt en lugar de una falta de capacidad de razonamiento. Mediante pruebas iterativas previas al lanzamiento, el equipo redujo las tasas de fallo específicas:

| Modo de Fallo | Descripción | Cambio Observado (Pre-arreglo a Post-arreglo) | Intervención |
| :--- | :--- | :--- | : |
| Fabricación de Reglas | Los agentes inventaron reglas inexistentes (por ejemplo, "Regla de Jerarquía #2") para justificar operaciones. | 57% $\to$ 3% de decisiones de venta | Eliminación de redacción tipo ley; aclaración de que las decisiones anteriores son contexto, no precedente. |
| Parálisis por Tarifas | Los agentes se negaron a operar porque la tarifa del 2.3% se presentaba antes del contexto de mercado, causando excesiva cautela. | 32.5% $\to$ <10% de observaciones lideradas por tarifas | Movimiento del contexto de tarifas para seguir el análisis de oportunidad de mercado; evitar presentar las tarifas como la regla principal. |
| Malinterpretación de Tokenomics | Los agentes vendieron tokens durante eventos de "cosecha" (redistribución de liquidez) porque vieron caídas de precios pero pasaron por alto los mecanismos de pago. | 42.9% $\to$ 78.0% de despliegue de capital | Inserción de contexto estructurado de tokenomics (mecánicas del whitepaper) antes de los datos de precios, permitiendo a los agentes razonar sobre pagos frente a caídas de precios. |
| Endurecimiento Numérico | Las restricciones suaves (por ejemplo, "Tamaño de Operación 5") se interpretaron como objetivos numéricos duros, invirtiendo el comportamiento deseado. | Restaurado gradiente monótono | Reemplazo de números exactos por lenguaje comparativo vinculado a la ventaja de mercado. |
| Trading por Cadencia | Los agentes operaron basándose en el tiempo transcurrido ("la última operación fue hace 6 ticks") en lugar de señales de mercado. | Reducido significativamente | Prohibición de cadencia fija; filtrado de memoria para prevenir ritmos de auto-refuerzo. |

Hallazgos de Comportamiento en Producción:

• Eficacia de los Controles Deslizantes: Los controles estructurados (deslizadores) mapearon la intención del usuario al comportamiento de manera más fiable que el chat de forma libre. Por ejemplo, los deslizadores de "Tamaño de Operación" se correlacionaron directamente con el porcentaje de gasto (2% a 95% de ETH).
• Rebaño y Cascadas: Los agentes exhibieron dinámicas de mercado especulativas, incluidas "cascadas de atención" donde más de 1,500 agentes compraron el mismo token en una hora, y cascadas de venta con intervalos inter-agentes de 9.5 segundos.
• Flujo Bidireccional: A pesar del comportamiento de rebaño, el 92.9% de las ventanas de 5 minutos vieron tanto compras como ventas, impulsadas por mandatos de usuario diversos (deslizadores/estrategias) en lugar de diversidad de modelos.
• Correlación de Resultados: Los usuarios que proporcionaron instrucciones concretas y verificables (condiciones de salida, parámetros) tuvieron 4.2 veces más probabilidades de cerrar con ganancias que aquellos que usaron solicitudes vagas de "superar".

5. Significado e Implicaciones

• La Fiabilidad es una Propiedad de la Capa Operativa: El artículo demuestra que un modelo puede seguir instrucciones bien pero operar mal si la estructura del prompt, la semántica de la memoria o la lógica de validación son defectuosas. Un "arnés" puede mejorar la tasa de éxito de un modelo de ~87% a 99.9% (como se muestra en evaluaciones internas de intercambios EVM).
• La Observabilidad a Nivel de Rastro es Crítica: La capacidad de rastrear una acción hasta la línea específica de política, memoria o mandato del usuario que la causó es esencial para la depuración. Esto permite separar la "confusión del modelo" de los "errores de mandato del usuario".
• Más Allá de las Evaluaciones de Texto: Las evaluaciones estándar basadas en texto no logran capturar la "parálisis por tarifas" o las "reglas fabricadas" que solo emergen bajo presión financiera y ejecución repetida.
• Datos de Entrenamiento Futuros: Los rastros de instrucción a liquidación proporcionan un conjunto de datos rico para Aprendizaje por Refuerzo (RL), generación de escenarios sintéticos y evaluación de la homogeneidad de modelos a través de diferentes arquitecturas.

Conclusión:
El estudio concluye que para los agentes que gestionan capital, la "capa operativa" (compilación de prompts, controles tipados, validación de políticas y observabilidad) es el determinante principal de la fiabilidad. El progreso futuro en la IA financiera depende menos de escalar modelos base y más de ingeniar sistemas robustos e instrumentados que puedan detectar y corregir fallos antes de que se despliegue el capital.