Operating-Layer Controls for Onchain Language-Model Agents Under Real Capital
Dit artikel toont aan dat betrouwbare autonome taalmodelagenten die echt kapitaal beheren in on-chain markten minder afhankelijk zijn van de basismodelcapaciteiten en meer van een robuuste operationele laag met getypeerde controles, beleidsvalidatie en uitvoeringsbeveiligingen, die gezamenlijk kritieke fouten zoals gefabriceerde handelsregels hebben verminderd en een hoge afwikkelingskans hebben mogelijk gemaakt tijdens een grootschalige 21-daagse implementatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een uiterst intelligente, maar iets te letterlijk ingestelde robotchef huurt om een restaurant te runnen. Je geeft de chef een menu en een budget (je "mandaat") en zegt tegen hen: "Maak lekker eten en verspil geen geld."
In het verleden testten onderzoekers deze robotchefs in een simulatie: ze gaven hen een nepmenu en nepgeld. De chefs zagen er op papier fantastisch uit. Maar dit artikel beschrijft wat er gebeurde toen ze het restaurant daadwerkelijk openden met echt geld en echte klanten gedurende 21 dagen.
Hier is het verhaal van wat ze ontdekten, met behulp van eenvoudige analogieën.
De Grote Ontdekking: Het Gaat Niet Om Het Brein van de Chef
Het team verwachtte dat als ze gewoon een "slimmere" robotchef zouden inhuren (een krachtiger AI-model), het restaurant perfect zou draaien. Ze hadden het mis.
Ze ontdekten dat de betrouwbaarheid van het restaurant niet alleen kwam van het brein van de chef. Het kwam van het keukenbeheersysteem dat de chef omringt. Ze noemen dit de "Operationele Laag".
Stel je het zo voor:
- Het Model (De Chef): Kan een recept lezen en groenten snijden.
- De Operationele Laag (De Keukenmanager): Controleert of de ingrediënten vers zijn, verhindert dat de chef eten weggooit, zorgt dat de chef niet per ongeluk de keuken in brand steekt, en controleert of de rekening overeenkomt met wat de klant bestelde.
Het artikel betoogt dat je voor een AI die met echt geld omgaat, een superstreng Kitchen Manager nodig hebt, niet alleen een slimmere Chef.
Het Experiment: "DX Terminal Pro"
Het team richtte een realiteitstest op genaamd DX Terminal Pro.
- De Opzet: 3.505 mensen staken hun eigen echte geld (ETH) in "kluisjes".
- De Regel: Mensen konden de regels bepalen (zoals "wees risicovol" of "wees veilig"), maar ze konden het geld niet direct aanraken. Alleen de AI-agenten konden tokens kopen en verkopen.
- De Enge: Elke keer dat de AI een transactie deed, kostte dit echt geld in de vorm van transactiekosten (2,3% per transactie). Als de AI een fout maakte, verdween er echt geld.
- De Schaal: De AI nam 7,5 miljoen beslissingen, waarbij ongeveer 20 miljoen dollar aan crypto werd verhandeld.
De "Keukenmisdaden" (Foutpatronen)
Voordat het echte evenement plaatsvond, voerde het team tests uit en ontdekte vijf specifieke manieren waarop de AI-chefs het misdeden. Ze losten deze op door de regels van de "Keukenmanager" aan te passen, niet door de chefs te ontslaan.
Het "Valse Regel"-Probleem (Regelfabricage):
- De Glitch: De AI verzon regels die niet bestonden, zoals zeggen: "Ik moet verkopen omdat 'Regel #2' dat zegt", terwijl zo'n regel niet bestond.
- De Oplossing: Ze vertelden de AI: "Verzin geen wetten. Als je het niet geschreven hebt gezien, is het geen regel."
- Resultaat: Valse regels daalden van 57% van de beslissingen naar slechts 3%.
Het "Transactiekosten-Paralyse"-Probleem:
- De Glitch: De AI zag de 2,3% transactiekosten en werd zo bang dat hij weigerde te handelen, zelfs als het een goede kans was. Het was alsof een chef weigerde te koken omdat het aansteken van het fornuis geld kost.
- De Oplossing: Ze verplaatsten de waarschuwing voor de kosten naar het einde van de instructies, direct na de marktkans. Ze leerden de AI: "Ja, er zijn kosten, maar hier is waarom de transactie het waard is."
- Resultaat: De AI stopte met bevriezen en begon weer te handelen.
Het "Wiskundige Verwarring"-Probleem (Getalhardening):
- De Glitch: De AI behandelde zachte suggesties als harde wetten. Als je zei "probeer ongeveer 33% uit te geven", probeerde de AI obsessief om elke keer precies 33% te halen, zelfs als dat geen zin had.
- De Oplossing: Ze stopten met het gebruik van exacte getallen en gebruikten in plaats daarvan vergelijkingen (bijvoorbeeld: "geef meer uit als de markt heet is").
- Resultaat: De AI begon natuurlijker te handelen en minder robotachtig.
Het "Tokenval"-Probleem (Tokenomics Foutgelezen):
- De Glitch: Een token stortte in prijs. De AI zag de crash en verkocht direct alles, zonder te beseffen dat de token een speciale regel had waarbij houders betaald kregen, zelfs als de prijs daalde. Het was alsof je een coupon verkoopt omdat de winkel zijn logo heeft veranderd, zonder te beseffen dat de coupon nog steeds werkt.
- De Oplossing: Ze gaven de AI een duidelijke, gestructureerde uitleg van de speciale betalingsregel voordat ze de prijsdaling lieten zien.
- Resultaat: De AI stopte met paniek en nam slimmere beslissingen.
Het "Kijk naar de Klok"-Probleem (Cadence Trading):
- De Glitch: De AI begon te handelen alleen omdat "het 10 minuten geleden was sinds de laatste transactie", en negeerde de markt. Het was alsof een chef groenten snijdt alleen omdat de klok zegt dat het tijd is, niet omdat de ingrediënten gesneden moesten worden.
- De Oplossing: Ze vertelden de AI om de klok te negeren en alleen te handelen op basis van marktsignalen.
De Resultaten: Een Beter Restaurant
Zodra ze de "Keukenmanager" (de Operationele Laag) hadden opgelost, werkte het systeem ongelooflijk goed:
- 99,9% Succespercentage: Bijna elke transactie die de AI probeerde te doen, was geldig en werd uitgevoerd.
- Echt Gedrag: De AI volgde niet alleen opdrachten; het reageerde op de markt. Soms, wanneer één AI een goede deal zag, zagen honderden anderen het ook en kochten tegelijkertijd (een "kudde"-effect), net zoals echte mensen dat doen.
- Betere Instructies: Gebruikers die duidelijke, specifieke instructies gaven (met schuifbalken en vinkjes) kregen betere resultaten dan diegenen die gewoon vage notities schreven zoals "maak me rijk".
De Belangrijkste Conclusie
Het artikel concludeert dat als je wilt dat een AI met echt geld omgaat, je niet alleen moet zoeken naar een slimmer AI-model.
Je moet een beter systeem eromheen bouwen. Je moet:
- Menselijke wensen vertalen naar duidelijke, gestructureerde regels.
- Het werk van de AI controleren voordat het een cent uitgeeft.
- Een perfect verslag bijhouden van elke gedachte, beslissing en transactie, zodat je precies kunt uitzoeken wat er misging als dat gebeurt.
De "Operationele Laag" is het veiligheidsnet dat een slimme maar verwarde robot omzet in een betrouwbare financiële agent.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.