技术摘要：价值互联网中的智能体与情境感知风险智能

1. 问题陈述

价值互联网（IoV） 被特征化为一个异构的、部分受信任的网络，其中主导的边际风险不再局限于单一区块链，而是复合的。该风险由四个相互依赖的向量组成：路线健康度、市场情绪、流动性碎片化以及执行系统的政策约束。

当前的风险评估工具基于“单链”范式运行，未能捕捉近年来已产生重大后果的四种关键失效模式：

1. 桥接碎片化：跨链桥既是主要的资本路线，也是主要的攻击面。
2. 流动性碎片化：逻辑资产在不同链上以不同的价格交易；一条路线在总量上可能看似具有流动性，但在特定的执行切片上却缺乏流动性。
3. 叙事传染：情绪冲击的传播速度快于链上状态的变化，使得风险引擎对由链下文本漂移驱动的事件视而不见。
4. 智能体执行风险：大语言模型（LLM）中介的智能体引入了新的攻击面，而纯粹的链上缓解措施无法解决这些问题。

本文认为，现有的关于桥接安全性的文献并未解决根本问题：一个情境感知的风险原语实际上必须做什么，以及它如何保持诚实？

2. 方法论：五引擎架构

所提出的解决方案是一个由五个引擎组成的复合架构，这些引擎在共享的智能织物上运行。该设计强调去中心化验证以及对智能体行动的宪法性约束。

A. 五大引擎

1. 预测引擎：发布价格、流动性深度、波动率、交易量分布和路线健康度的点预测及分布预测。它作为所有其他引擎的输入。
2. Bittensor 验证子网：将预测层去中心化。异质的矿工群体生成预测，而验证者使用奖励分配规则（Yuma 共识）根据实际结果对预测进行评分。这创造了一个具有经济激励且可验证的研究表面。
3. 情绪融合引擎：将链下文本文本流（新闻、社交媒体、灰色文献）与链上流量信号相结合。该系统采用带堆叠的后期融合策略，并针对包含 12 个新闻适配器和 3 个社交流适配器的多模态特征集进行验证。
4. 智能体引擎：一个由 LLM 中介的决策层，从受限菜单中选择行动。至关重要的是，它在宪法人工智能框架下运行（依据 Anthropic 的规范），行动是根据书面原则列表（例如“仅买入”、“绝不使用部署者钱包”）进行检查，而非自由形式的目标。该引擎默认处于“暂停”状态，需要董事会明确批准才能进行实时切换。
5. API 风险与场景引擎：将预测分布转化为预承诺的行动程序。这些程序遵循“停止规则”逻辑：如果场景 $\Sigma$ 以概率 $>p$ 实现，则在资源边界 $B$ 内执行程序 $P$。

B. 形式化验证机制

本文定义了用于对矿工评分的验证者损失分解。矿工 $i$ 的损失 $L_i$ 是三个组件的凸组合：
$$L_i = \alpha \cdot \text{Brier}(p_i, y) + \beta \cdot \text{Inconsistency}(m_i) + \gamma \cdot \text{Calibration}(c_i)$$

• Brier 组件：惩罚错误的预测和过度自信。
• 不一致性组件：惩罚针对共享相同链状态上下文查询的预测漂移。
• 校准组件：衡量在滚动窗口内，陈述的置信度与实际准确性之间的差距。

C. 编排

系统将智能体任务管理（界定角色、权限和审计轨迹）与运行时编排（状态机执行）分离开来。运行时使用LangGraph，并执行一条硬性规则：它无法绕过政策边界。所有模型调用均通过进程内的 AiRouter 进行路由，以确保可审计性并防止直接的 LLM HTTP 路径。

3. 实证工件与结果

该架构由两个具体的实证评估作为支撑，论文明确区分了测量结果与架构提案。

工件 1：政策约束的流动性压力响应（第 5 节）

• 设置：在 Solana 微型资本池（RYA 代币）上进行为期 27 小时的实验，使用“交易者角色”宪法。
• 执行：系统在两次压力事件和一次止损事件中，执行了 52 次时间加权切片买入，总计 5.2 SOL。
• 关键观察：
  • 安全电路（止损）在价格下跌 46% 时自动触发，按设计暂停了引擎。
  • 人在回路的升级记录在与初始授权相同的审计轨迹上，允许完整重建决策链。
  • 角色合约在所有事件中保持一致，未违反硬性规则（例如，无卖出订单，无使用部署者钱包）。
• 结果：证明了政策约束场景引擎的可部署性，尽管该智能体是确定性策略，而非完整的 LLM 中介智能体引擎。

工件 2：生产校准弧（第 6 节）

• 设置：在 Blue us-east-1 部署中对预测引擎进行为期 168 小时的评估。
• 结果：
  • 头条准确率：在特定 168 小时队列中，针对市值前 1,000 的资产，准确率达到 99.34%。
  • 基准准确率：在更广泛的生产队列中约为 53%（被描述为“勉强高于随机猜测”）。
  • 校准：Brier 分数为 0.1335。
• 注意事项：论文明确指出，若无上下文，99% 的数字具有误导性。它是由类别不平衡（顶级资产中崩盘的低基础率）和队列限制驱动的。架构的贡献不在于 99% 的准确率，而在于存在一个生产遥测表面，验证子网可据此对矿工进行评分。

4. 主要贡献

1. 五引擎架构：一个用于智能体、情境感知风险预测的连贯数据流，整合了预测、去中心化验证、情绪融合、宪法性智能体行动和基于场景的执行。
2. 可证伪的验证者损失规范：评分机制（Brier + 不一致性 + 校准）的形式化定义，允许对预测输出进行经济验证。
3. 约束的实证验证：一项为期 27 小时的压力测试，证明宪法性智能体可以在流动性压力、止损触发和治理升级下运行，且不违反其政策边界。
4. 诚实的校准报告：一个生产校准弧，将高头条准确率（99%）与其必要的注意事项（53% 基准、类别不平衡）配对，将验证原语而非原始预测性能作为主要价值主张。

5. 意义与主张

本文谦逊地声称，它为 IoV 提供了一个可证伪的架构，而非一个完全解决且经过规模验证的系统。

• 可部署性：该系统被证明是可部署的，并且能够处理现实世界的流动性压力和治理升级。
• 可证伪性：作者定义了其主张将失败的具体条件（例如，如果第二个池在相同政策下未能重新收敛，或者广泛队列的 Brier 误差超过 0.20）。
• 验证原语：核心贡献是验证风险预测的机制（Bittensor 子网和损失函数），而非模型当前的预测性能。
• 局限性：论文承认，验证者损失组件尚未在针对实时多矿工元图（metagraph）的规模上进行测量（仅存在测试网影子运行）。此外，案例研究使用的是确定性策略，而非完整的 LLM 中介智能体引擎，后者仍属于后续构建。

总之，本文提出从单链风险评估转向复合的、情境感知的框架，其中风险通过去中心化验证、链下情绪融合和宪法性约束的智能体执行的组合进行管理。