通付盾：从AI到IA，AI Agent信任系统建设前瞻

摘要：前言：作为国内著名的大数据决策智能公司，通付盾在这篇文章中围绕 AI Agent 信任系统展开，探讨了 AI 发展趋势。随着大模型发展，算力、算法和数据面临能效博弈，合成与私域数据成为突破口。AI Agent 从 “问答机器人” 进化到 “智能助手”，多智能体

前言：作为国内著名的大数据决策智能公司，通付盾在这篇文章中围绕 AI Agent 信任系统展开，探讨了 AI 发展趋势。随着大模型发展，算力、算法和数据面临能效博弈，合成与私域数据成为突破口。AI Agent 从 “问答机器人” 进化到 “智能助手”，多智能体协同（InterAgent，即 IA）推动其发展，Anthropic 的 MCP 协议提供技术支持，Dify 等平台已有实际应用。小模型技术和商业土壤成熟，在特定领域优势明显。通付盾积极参与 MCP 生态建设，IA 账户和网络构建了多智能体协同的基础设施和商业网络，在能源、物流等领域应用前景广阔。

随着大模型的快速更迭，人类已经走上了通往人工超级智能（ASI）的快车道。大数据技术的成熟为AI提供了海量生产要素，GPU技术的发展为AI解放了生产力，算法革新为AI突破了算力与数据的瓶颈。随着DeepSeek、GPT o1、Grok等大语言模型在模型算法、训练参数和算力堆叠这几棵技能树上的不断精进，我们已经来到了AI技术发展的十字路口：一次算力、算法和数据的能效博弈。

如果参考摩尔定律，算力的发展会最先触及到能效天花板，基础大模型依赖堆叠算力的时代终将结束。这并不是“算力无效论”，更多的参数和算力一定意味着更好的模型效果，但是边际效应递减会让技术发展在算力上的投入趋于平稳。这点从当前AI巨头的产品更迭路径就可见一斑：随着xAI Grok的推出，算力堆叠带来的效果提升已初现疲态，OpenAI等其他几家AI巨头已经开始探索AI Agent等应用领域，推出智能代理产品。

合成数据和私域数据是下一个大模型时代的数据突破口。虽然我们正处于数据大爆发的信息时代，但得益于大数据技术和算法突破带来的数据处理效率飞跃，AI发展已经面临数据枯竭的问题。早在ChatGPT刚刚问世时，Sam Altman就警告“我们已经处在当前大模型时代的尾声”。人类互联网历史上被保留下来的各种高质量语料，已经在 GPT-3/4中被消耗殆尽。大模型参数数量仍然可以继续膨胀下去，但对应数量的高质量数据却越来越稀缺，因此增长参数数量带来的边际效益也会逐渐降低。

算法更像是AI发展的“催化剂”，它能够突破算力和数据的约束，实现非线性进化。算法领域的突破往往意味着LLM的突破，例如Transformer下的ChatGPT，MoE下的DeepSeek。然而，随着模型复杂度的增加，算法的改进空间逐渐缩小。一般认为算法突破可能需要结合更多跨学科的研究成果，例如神经科学启发深度学习，认知科学启发注意力机制，但未来还会有多少“Transformer时刻”，终究难以预测。

AI Agent的发展是从“问答机器人”到“智能助手”的进化。Agent的核心在于“任务执行”，使AI不局限于给出建议，而是可以执行具体的任务，例如网上下一笔订单，或者执行一笔交易。从简单任务到复杂任务的演进，往往需要不同模型、不同智能体之间的协同配合。我们将这种“多智能体协同”的概念定义为InterAgent（IA），它是技术架构的革新，更是对产业应用范式的重构。我们相信IA将推动AI实现从单一智能到群体协作、从工具辅助到自主执行的跨越式发展，成为推动Agent时代全面爆发的核心驱动力。

在技术层面，Anthropic的MCP协议使不同数据源、模型、工具得以链接，为多智能体协同（IA）提供了标准化协议。MCP（Model Context Protocol，模型上下文协议）定义了应用程序和模型之间上下文交换信息的方式，使Agent开发变得更加便捷简单，也使多Agent体协同变得更加一致和高效。

在应用层面，随着Dify、elizaOS等Agent框架的逐步成熟，AI Agent在“智能助手”这一角色上功能愈发完善。Manus的横空出世更是掀起了对于“通用智能体”的讨论热潮。一方面，作为一款通用型AI 助手，Manus提供的示例展示了将大模型的逻辑推理能力转化为实际生产力的能力，商业潜力巨大；另一方面，鉴于其未开放任何公开测试渠道，Manus的技术创新真实性、营销策略和实际价值创造能力也备受争议，尤其是其主打的“通用Agent”概念，在当前AI技术发展趋势下，还有相当的局限性。

相较于Manus的通用宏大叙事，Dify等Agent应用平台已经在多个领域有了实际的落地应用，这得益于社区共建的力量。相较于一个通用的大模型，针对特定应用场景的专属工作流更加有生命力，这种生命力来源于商业的本质——价值创造。想象一家企业创建一个AI Agent进行客户触达和销售，为了最大化利润一定会使用最高质量的数据以及最优秀的专家经验来训练Agent，私域数据和行业know-how所带来的信息壁垒使其效果必将远优于通用Agent模型。再想象一个AI Agent市场，汇集了各个领域的优秀Agent（因为市场为Agent创造者提供了足够的激励），Agent之间进行市场化竞争，只有价值创造能力更好的Agent可以生存。优秀的Agent可以吸引更多用户，更多用户会提供更多数据进一步推动Agent进步，形成正向循环。

DeepMind联创苏莱曼在他的著作《浪潮将至》中提出了一种新时代的AI“图灵测试”：给一个AI 10万美元，看它是否能在亚马逊上通过学习来做交易，并最终赚到100万美元。这是一个非常有趣的概念，相较于技术基线，对于使用者来说AI Agent更重要的是它的行动能力，也就是价值创造的能力。商业成功就是新时代的“图灵测试”，并且这种测试专为Agent而生。技术的发展往往由商业模式驱动，我们相信模型技术未来的发展方向也将由基础大模型向专业领域效果更好、盈利能力更强的专家领域小模型发展。

从技术角度看小模型的技术框架已经成熟。与一般认知不同，小模型的技术起源其实要远早于大语言模型，其雏形可追溯至20世纪60年代的专家系统，其核心思想是通过知识库和推理机制模拟人类专家的决策能力。2010年前后备受瞩目的MoE框架（也直接启发了DeepSeek的算法革新）也是专家模型的基础框架，通过动态路由机制将输入分配给不同的子模型（专家），在保证性能的同时减少计算量，为小模型的模块化设计奠定基础。大模型的成熟也为小模型的质量提升提供条件，通过知识蒸馏、模型剪枝等技术，小模型在保持性能的同时可以大幅压缩规模。

从商业模式上看属于小模型的商业土壤已经完备。小模型效能比出色，部署推理成本仅大模型的数分之一，但结合专家知识库却可以实现远优于大模型的表现效果。数据孤岛反而赋予了数据更高的商业价值和竞争壁垒，随着小模型的商业化应用成熟，高价值数据可以实现真正的数据要素化，为企业发展提供新型商业模式和盈利空间。

值得一提的是，分布式数字身份和小模型技术的结合可以在数字空间内创造出高价值商业模式。通过小模型，各领域的私域数据可以最大化发挥商业价值，模型的数字身份就成了数据要素确权的关键。当前分布式数字身份技术已较为成熟，如何让每一个小模型、每一个AI Agent拥有数字空间的可信身份甚至是账户体系，是AI Agent商业应用探索拓新的关键命题。

在一些特定领域，小模型则有着不可比拟的竞争优势。例如能源、军工、医疗等数据敏感行业，数据需要进行本地化处理甚至需要实现端侧推理，这都是大模型所无法实现的。以电网业务为例，使用AI Agent搭配专家领域小模型，在业务风控场景可以实现更智能，更人性化的风控干预；在营销场景可以实现自动化市场线索收集、活动运营以及精准营销获客；在分布式光伏、端侧设备管理等场景，可以大幅提升调度效率，降低运营成本。再比如金融风控、法律、教培等行业，专家经验宝贵且私密，本地知识库结合自定义工作流可以很好地保护这部分内容不被用户逆向获取。

案例分析：通付盾InterAgent（IA）——多智能体框架的构建与应用

通付盾创立于2011年，以分布式数字身份和大数据决策智能为核心技术，为电网、电信、银行、政府、信息技术等行业用户，提供“以数据为中心”、“云链一体”、“零信任、零知识、零代码”的企业级AI Agent信任系统服务，以下是通付盾InterAgent（IA）作为案例的分析与介绍

前文探讨了AI时代全面爆发的核心驱动力是多智能体协同带来的产业应用范式革新，从“智能问答”到“任务执行”，Agent将AI真正落地至垂直领域应用场景，创造出全新的商业模式。多智能体协同（InterAgent）应当遵循特定的标准框架以实现最大的可扩展性与互操作性，基于我们的理论探索和实践经验，在这里尝试对这一框架进行一些形式化的定义。

InterAgent框架属于协议层，基于底层大语言模型以及领域语料库，面向垂直领域应用场景中的特定任务，对多个Agent进行协同。InterAgent的关键要素一是Agent识别，识别场景中的不同Agent并充分理解他们的功能；二是任务拆解，并将Agent功能分配至拆解后的最小任务单元；三是行动路线制定，即以最终任务目标为导向，制定不同Agent的行动条件、顺序以及分支路径。

Agent的本质是类人智能，管理协同大规模Agent可以类比为管理一个互联网社区，账户体系是基础。如同每个用户需要拥有自己的社区账户一样，每个AI Agent也需要自己的数字身份账户。

通过为每个AI Agent赋予独立的数字身份账户，可精准定义其角色定位、功能边界及操作权限，从而在复杂任务场景中实现精准识别与动态调度。账户体系还通过记录行为轨迹、分配责任归属，为跨Agent协作提供可靠性和可追溯性，其本质是构建分布式智能生态的“规则契约”——既保障多智能体在任务拆解、行动线制定中的互操作性，又通过权限分层（如数据访问层级、任务执行优先级）确保系统安全可控。这一基础设施与InterAgent框架的三大要素（Agent识别、任务拆解、行动线制定）深度耦合：账户身份是Agent功能识别的元标签，权限映射是任务分配的逻辑依据，而账户行为日志则为优化协同路径提供数据反馈。

区块链与智能合约技术可以为Agent账户体系提供基础设施：

1.数字身份认证：基于分布式账本技术（DLT），为每个Agent生成唯一且不可篡改的分布式身份标识（DID），确保身份可验证、可追溯。例如在金融风控场景中，DID可绑定Agent的所属机构、功能类型（如数据采集Agent、风险评估Agent），避免身份伪造。

2.数据隐私保护：区块链通过非对称加密算法（如RSA、椭圆曲线加密）为每个Agent账户生成唯一密钥对，私钥由账户自主控制，公钥用于身份标识与数据交互验证。智能合约可集成ZKP协议，使Agent在不暴露原始数据的前提下完成身份或权限验证。通过IPFS等分布式存储基础设施可以最大化数据在交互过程中的私密性，也是数据要素化的重要环节。

3.行动路线优化：智能合约是数字社会的神经网络，能够帮助实现智能化的Agent编排，例如在突发任务中临时提升特定Agent的优先级权限，实现更加智能化的行动路线。

以上不难看出，Agent账户体系并非单纯的技术模块，而是融合身份管理、权限控制、生态激励的“规则中枢”。其构建需以分布式身份认证为基石、以标准化协议为纽带、以安全合规为底线，最终通过账户体系将分散的Agent能力整合为可扩展、可协作的产业应用网络，为多智能体协同（IA）提供坚实支撑。

IA（InterAgent）产业应用网络通过多智能体协同框架重构商业协作范式，是分布式商业实现规模化、可信化与价值化的核心基石。其本质在于将传统依赖中心化平台调配资源的模式，升级为以AI智能体（Agent）为节点、以智能合约为规则、以数据主权为基础的去中心化价值网络，解决了分布式商业中“协作低效”“信任缺失”“利益分配模糊”三大痛点。

1.构建分布式商业的“协作基础设施”：通过标准化协议（如MCP）定义Agent的交互规则，实现跨主体、跨平台的动态协作。例如，在跨境贸易中，物流Agent、海关清关Agent与支付结算Agent可基于统一协议自动串联通关、运输、结算流程，将传统数周的流程压缩至数小时。

2.保障数据主权，实现价值可信流转的“数字契约”：区块链是信任机器，通过零知识证明（ZKP）、智能合约等技术，IA网络支持数据“可用不可见”与“权属可追溯”。通过智能合约将商业规则代码化，确保协作规则稳定可靠。例如，在内容创作生态中，版权管理Agent自动追踪作品使用场景，通过智能合约向创作者、分发平台、衍生开发者按比例分配收益，消除中间环节的截留与纠纷。

3.从“中心化垄断”到“生态共创”的商业范式革新：IA网络通过连接分散的Agent能力，形成按需调用的“能力市场”。例如，中小制造企业无需自建AI团队，可直接调用供应链优化Agent、能耗管理Agent等专业服务，降低数字化门槛。IA网络甚至可以直接形成分布式自治组织（DAO）雏形，基于Agent账户的投票与治理机制，支持社区化决策。

1. 能源领域：去中心化电力交易网络

场景痛点：传统电力交易依赖中心化电网调度，分布式光伏、储能设备参与市场的门槛高、收益分配不透明。

IA解决方案：

光伏设备管理Agent实时上报发电量，储能调度Agent优化充放电策略，用户需求Agent预测用电负荷；

基于智能合约的实时竞价机制，实现发电方、用电方、储能方的点对点交易；

区块链账户体系记录每笔交易的贡献度，自动结算收益并扣除电网过网费。

价值提升（预计）：提升绿电消纳比例20%以上，降低交易摩擦成本30%。

2. 金融领域：银行业智能风控体系建设

场景痛点：反欺诈挑战升级，新型诈骗手段（如AI换脸、深度伪造）突破传统风控模型，技术能力滞后，传统规则引擎难以应对高频实时交易监测需求，模型迭代速度不足。

IA解决方案：

新一代以AI Agent为核心的智能风控解决方案，通过整合多模态数据融合和实时分析，大幅提高了反欺诈的精准度，并解决了传统方案中规则引擎驱动、异常特征匹配误判率较高的问题。

每个风控场景由独立的AI Agent负责，具备自主决策、知识推理和自学习能力。通过统一Agent框架（小模型+神经网络）实现跨场景协同。覆盖客户准入、交易监控、贷后管理、反欺诈等全生命周期风控环节。通过持续学习业务数据、监管政策和市场变化，动态优化风控模型，并支持人工干预修正，形成闭环反馈机制。