TL;DR

以下，谈谈个人观点：

1）MCP（Model Context Protocol）是一个旨在让各类AI LLM/Agent 无缝连接到各种数据源和工具的开源标准化协议，相当于一个即插即拔USB“通用”接口，取代了过去要端到端“特定”封装方式。

简单而言，原本AI应用之间都有明显的数据孤岛，Agent/LLM之间要实现互通有无则需要各自开发相应的调用API接口，操作流程复杂不说，还缺乏双向交互功能，通常都有相对有限的模型访问和权限限制。

MCP的出现等于提供了一个统一的框架，让AI应用可以摆脱过去的数据孤岛状态，实现“动态”访问外部的数据与工具的可能性，可以显著降低开发复杂性和集成效率，且在自动化任务执行、实时数据查询以及跨平台协作等方面。说到此，很多人立马想到了，如果用多Agent协作创新的Manus集成此能促进多Agent协作的MCP开源框架，是不是就无敌了？

没错，Manus + MCP 才是web3 AI Agent此番遭受冲击的关键。

2）但，匪夷所思的是，无论Manus还是MCP都是面向web2 LLM/Agent 的框架和协议标准，其解决的都是中心化服务器之间的数据交互和协作的问题，其权限和访问控制还依赖各个服务器节点的“主动”开放，换句话来说，它只是一种开源工具属性。

按理说，它和web3 AI Agent追求的“分布式服务器、分布式协作、分布式激励”等等中心思想完全背离，中心化的意大利炮怎么能炸掉去中心化的碉堡呢？

究其原因在于，第一阶段的web3 AI Agent太过于“web2化”了，一方面源于不少团队都来自web2背景，对web3 Native的原生需求缺乏充分的理解，比如，ElizaOS框架最初就是一个，帮助开发者快捷部署AI Agent应用的封装框架，恰恰就是集成了Twitter、Discord等平台和一些OpenAI、Claude、DeepSeek等 API接口，适当封装了一些Memory、Charater通用框架，帮助开发者快速开发落定AI Agent应用。但较真的话，这套服务框架和web2的开源工具有何区别呢？又有什么差异化优势呢？

呃，难道优势就是有一套Tokenomics激励方式？然后用一套web2可以完全取代的框架，激励一批更多为了发新币而存在的AI Agent？可怕。。顺着这个逻辑看，你就大概明白，为何Manus +MCP能够对web3 AI Agent产生冲击？由于一众web3 AI Agent框架和服务只解决了类同web2 AI Agent的快捷开发和应用需求，但在技术服务和标准和差异化优势上又跟不上web2的创新速度，所以市场/资本对上一批的web3的AI Agent进行了重新估值和定价。

3）说到此，大致的问题想必找到症结所在了，但又该如何破局呢？就一条路：专注于做web3 原生的解决方案，因为分布式系统的运转和激励架构才是属于web3绝对差异化的优势？

以分布式云算力、数据、算法等服务平台为例，表面上看似这种以闲置资源为由头聚合起来的算力和数据，短期根本无法满足工程化实现创新的需要，但在大量AI LLM正在拼集中化算力搞性能突破军备竞赛的时候，一个以“闲置资源、低成本”为噱头的服务模式自然会让web2的开发者和VC天团不屑一顾。

但等web2 AI Agent过了拼性能创新的阶段，就势必会追求垂直应用场景拓展和细分微调模型优化等方向，那个时候才会真正显现web3 AI资源服务的优势。事实上，当以资源垄断方式爬上巨头位置上的web2 AI到一定阶段，很难再退回来用农村包围城市的思想，逐个细分场景击破，那个时候就是过剩web2 AI 开发者+ web3 AI 资源抱团发力的时候。

所以，现在web3 AI Agent的机会空间也很清晰了：在web3 AI 资源平台拥有溢出的web2开发者需求客户前，探索践行出一套非web3分布式架构不可的可行解决方案和路径来。事实上，web3 AI Agent除了web2的那套快捷部署+多Agent协作通信框架外+Tokenomic 发币叙事之外，有很多web3 Native的创新方向值得去探索：

比如，配备一套分布式共识协作框架，考虑到LLM大模型链下计算 +链上状态存储的特性，需要诸多适配性的组件。

1、一套去中心化的DID身份验证系统，让Agent能够拥有可验证的链上身份，这像执行虚拟机为智能合约生成的唯一性地址一样，主要为了后续状态的持续追踪和记录；

2、一套去中心化的Oracle预言机系统，主要负责链下数据的可信获取和验证，和以往Oracle不同的是，这套适配AI Agent的预言机可能还需要做包括数据采集层、决策共识层、执行反馈层多个Agent的组合架构，以便于Agent的链上所需数据和链下计算和决策能够实时触达；

3、一套去中心化的存储DA系统，由于AI Agent运行时的知识库状态存在不确定性，且推理过程也较为临时性，需要一套把LLM背后的关键状态库和推理路径记录下来存储于分布式存储系统中，并提供成本可控的数据证明机制，以确保公链验证时的数据可用性；

4、一套零知识证明ZKP隐私计算层，可以联动包括TEE时、FHE等在内的隐私计算解决方案，实现实时的隐私计算+数据证明验证，让Agent可以有更广泛的垂直数据来源（医疗、金融），继而on top之上有更多专业定制化的服务Agent出现；

5、一套跨链互操作性协议，有点类似于MCP开源协议定义的框架，区别在于这套Interoperability解决方案，需要有适配Agent运行、传递、验证的relay和通信调度机制，能够完成Agent在不同链间的资产转移和状态同步问题，尤其是包含Agent上下文和Promopt、知识库、Memory等复杂的状态等等；

……

在我看来，真正的web3 AI Agent的攻克重点应该在于如何让AI Agent的“复杂工作流”和区块链的“信任验证流”如何尽可能契合。至于这些增量解决方案，由已有的老叙事项目升级迭代而来，还是由新构成的AI Agent叙事赛道上的项目重新铸就，都有可能性。

这才是web3 AI Agent应该努力Build的方向，才是符合AI +Crypto大宏观叙事下的创新生态基本面。若不能有相关的创新开拓和差异化竞争壁垒建立，那么，每一次web2 AI 赛道的风吹草动，都可能搅得web3 AI天翻地覆。

声明：

1. 本文转载自 [Haotian-CryptoInsight’s Substack]，著作权归属原作者 [@haotiancryptoinsight]，如对转载有异议，请联系 Gate Learn 团队，团队会根据相关流程尽速处理。
2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
3. 文章其他语言版本由 Gate Learn 团队翻译， 在未提及 Gate.io 的情况下不得复制、传播或抄袭经翻译文章。