Helen海倫 | (✱,✱) (@32manb) header
Helen海倫 | (✱,✱) (@32manb) profile picture

🧡 Web3 builder | DeFi alpha hunter | HK 🇭🇰

Joined May 2024
Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)Photo by Helen海倫 | (✱,✱) (@32manb)
很多人看到 C724,第一時間可能會想到 24 小時自動保護資產 但我覺得它更值得關注的地方,是 AI Agent 如何真正參與 Web3 安全工作,從持續監測、風險分析,到經過授權後執行相應處置。 官方也特別說明,C724 目前還不是完成品,也不能當成資產安全的保證。 C724 Security Agents,C 代表 Crypto,724 則代表 24 小時、一週 7 天。 這套構想希望結合安全工具、AI Agent 和專業安全團隊,建立一套持續運作的安全監測與應對機制,並先從 BNB Chain 生態開始。 官方提出的成熟 C724 Agent,主要有四方面的能力。 第一,持續監測。 包括錢包權限、協議合約、管理員權限、預言機、異常資金流動,以及已知威脅情報,持續留意鏈上可能出現的風險。 第二,風險分析與告警。 Agent 不只是收集訊號,還需要把不同資訊連結起來,分析可能受影響的資產,說明判斷依據,並透過使用者指定的管道發出通知。 第三,執行受控處置。 這是我覺得很重要的一環。 在使用者或協議事先授權,而且技術條件允許的情況下,Agent 可以執行預先設定的動作,例如暫停特定操作、撤銷指定權限,或聯絡人工安全團隊。 至於轉移資產等更高風險的操作,則需要更嚴格的控制和確認。 第四,紀錄與情報共享。 保留告警和處置紀錄,讓每次安全事件都有跡可循,也能在適當情況下共享威脅情報,幫助整個生態提升安全能力。 這套模式也讓我想到傳統安全審計與持續監測之間的配合。 審計負責檢查程式碼和協議設計,而 C724 則希望把安全工作延伸到上線之後,持續觀察環境變化和潛在風險。 官方提出的流程是: Audit → Monitor → Alert → Respond → Review → Improve。 從事前檢查,到持續監測,再到風險處理和後續改善,形成一個完整的安全工作循環。 目前 Agent.family 已經有 GoPlus Security、Salus 等安全相關服務。C724 則希望進一步推動安全能力朝持續、自主和可協作的方向發展。 另外,符合條件的 C724 Agent 有機會獲得免費上架和交易支持,具體參與規則將另行公布。 我認為 C724 值得關注的地方,是它不只把 AI Agent 放在執行任務的位置,也開始讓 Agent 參與 Web3 的安全基礎設施。 監測可以全天候,處置卻必須有邊界。 未來如果安全 Agent 能夠持續監測、分析風險,並在明確授權下完成相應處置,Web3 的安全防護也會多一種新的運作方式。 @termix_ai
🤖 Made with AI
106
3
105
981
很多人聽到「一句話做一款遊戲」,第一時間可能會想到 AI 即時生成一個 Demo。 但我看完 agent.family 上這條 AI Game Agent 的 listing,發現它做的事情不太一樣。 它不是輸入一句話就直接拿到遊戲,而是先寫好 brief,讓 Provider 根據需求報價。雙方確認價格後,客戶需要先把資金存進 escrow,製作才正式開始。 這條服務由 Termi X上架,Provider 叫 Game Forge,鏈上身份是 game-forge.agent。 服務名稱是 Premium Custom 3D Games, Built to Your Brief。 下單時,客戶需要說清楚遊戲類型、場景和玩家玩法,再由 Provider 按需求報價,並不是所有遊戲都只有一個固定價格。 製作過程會由多個 Agent 分工協作,完成後還會進行自動化試玩測試。 最後交付的也不只是一個畫面,而是一份可以離線開啟的獨立 .html,另外附上包含原始碼、設計 brief 和建置腳本的 .zip。模型、材質、動畫和音效也會在程式中生成。 我比較在意的是交付後的驗收。 遊戲完成並交付,不代表訂單就立即結束。資金仍然由 USDC escrow 託管,交付後會進入 48 小時的 Challenge Window。客戶可以檢查成品,有問題就提出 Challenge;沒有爭議並完成結算後,資金才會釋放。 價格方面,Game Forge 提供四個製作級別: 可玩原型 Playable Prototype,從 200 USDC 起,約需 3 天;Polished Slice 從 300 USDC 起,約 4 天;Full Polish 從 900 USDC 起,約 7 天;最高級別 Showcase Quality 則從 2,400 USDC 起,約 14 天。 實際報價仍會根據遊戲需求和 brief 而定。 Listing 也展示了一個公開樣本 Bellwarden,採用第三人稱動作玩法,場景設定在廢棄修道院,還有兩階段 Boss。整個遊戲只用一份約 1.2 MB 的 HTML 就能運行。 這只是公開展示的樣本,並不是我自己下單製作的成品。 看完這條服務,我覺得有意思的地方不只是 AI 能不能做出一款遊戲,而是它開始把需求、報價、資金託管、製作、交付和驗收,串成一筆完整的 Agent 交易。 @termix_ai
🤖 Made with AI
120
13
1
141
1,146
很多人以為訂單一到 Delivered,就代表 Provider 快收到錢了 但我覺得真正要看的,是後面的 challenge window 在 agent.family,報價談妥後,資金先進入 escrow,Provider 完成交付並把版本 hash 上鏈,訂單進入 Delivered,接著開啟 challenge window。 這段時間,Client 可以選擇 Accept,也可以提出 Challenge。一旦進入爭議流程,結算就會暫停,等待後續處理。 所以對 Provider 來說,交付完成不代表所有事情都結束了。資金結算、驗收結果,還有可能出現的爭議,都需要考慮。 更需要算進去的,是窗還開著的那段時間成本:資金仍然鎖在 escrow,可能需要補充證據、來回對齊,時間和溝通成本都在增加。 我認為這個機制最值得注意的地方,是它讓交付品質和接單前的溝通變得更重要。 第一,交付前就要確認成果符合要求,不能只把檔案交出去就當作完成。 第二,接單前要把 scope 和驗收條件講清楚。要求越模糊,後面出現爭議的空間就越大。 另外,delivery hash 也有它的作用。它把交付版本固定下來,讓雙方有同一個版本作為驗收和爭議處理的依據。 @termix_ai 透過 AACP,把報價、託管、交付、Challenge 和最終結算串在同一套流程裡。 Delivered 代表交付已完成,但不代表訂單已經真正結案,後續的驗收和結算同樣重要。 所以接單前先把驗收條件和工作範圍確認清楚,往往比交付後才處理爭議更重要。
45
6
66
1,801
Agent 之間開始互相委託工作後,誰負責統籌整個流程,其實也很重要 但 Termi X在 agent.family 推出的 Montage Studio 比較特別,它自己也是買家 你給它一份短影音 brief,它會先整理 treatment 和 beat-timed shot list,再找其他 Agent 分工:一個負責分鏡、一個負責影片渲染,另一個製作配樂。素材完成後,再由 Montage Studio 自己剪接,最後交付 1080p master。 它不需要自己具備所有技能,而是負責拆分工作、尋找合適的 Agent,再把成果整合起來。 有意思的是,這些合作不只是互相幫忙。報價確認後,資金會進入鏈上 escrow,交付物有相應的驗證流程,也設有 challenge window,完成後再進行結算。 這也是 AACP 值得關注的地方。它不只是讓 Agent 找到彼此,而是把報價、交付、驗證和結算這些環節串起來,讓 Agent 之間的合作有實際交易記錄。 所以 Montage Studio 不只是一個 AI 影片工具,也展示了另一種可能:Agent 可以自己當買家,把不同工作交給其他 Agent 完成。 當然,這種模式能不能長期運作,還有幾件事值得觀察:交付品質是否穩定、外包成本能不能控制、爭議能不能有效處理,以及負責協調的 Agent 能否作出可靠判斷。 這些都需要更多真實訂單來驗證。 我覺得 Agent 經濟真正值得看的,不只是有多少 Agent 被註冊,而是它們能不能找到工作、完成交付,並透過交易持續運作。 Montage Studio 至少提供了一個具體的觀察案例。 @termix_ai
🤖 Made with AI
135
7
138
2,919
很多人看到 Agents Helping Agents,第一時間想到的可能就是 Agent 發出懸賞,其他 Agent 完成任務拿獎勵。 但我覺得 Termi X 這次的 Bounty,還有一個值得留意的地方,就是整個領取和交付流程。 在 agent.family 上,Brand 會先把獎勵放進 CampaignVault,再分成多個相同獎勵的 slot。Provider 可以選擇符合自己能力的任務,claim slot 之後提交 proof,通過審核就能領取獎勵。 比較有意思的是,這些條件在開始前已經設定好,包括 rewardPerSlot、proofRequirements、closesAt、maxSubmitSeconds 和 providerBond。 尤其是 providerBond,claim 的時候會直接鎖定相應的 stake。通過審核後,Provider 就能收到獎勵,bond 也會按流程解鎖。如果未按時提交、爭議失敗,或被 Reject 後沒有 contest,bond 也有被 slash 的可能。 整個流程大致是: LIVE → CLAIM → SUBMIT PROOF → Brand Review → Approve / Changes / Reject。 如果 Brand 要求修改,Provider 可以按規則再次提交;如果對 Reject 結果有異議,也可以在指定時間內提出 contest。 另外還有一個我覺得不錯的設計:Provider 提交 proof 後,如果 Brand 一直沒有完成審核,符合條件時也可以透過 claim-after-timeout 申請結算。 這樣一來,Bounty 不只是讓 Agent 接任務拿獎勵,也把任務條件、交付證明和審核流程連在一起。 我覺得這種模式值得繼續觀察。Agent 之間能不能真正形成合作,除了有沒有任務和獎勵,整個流程能不能順利跑完也很重要。 有機會的話,我會想先找一個合適的 LIVE bounty,親自走一次 claim 到交付的流程。 你們會想先試 Provider,還是從 Brand 的角度發起一個 Bounty? @termix_ai
🤖 Made with AI
142
9
150
2,794
很多人看到 Quant Agent,可能先想到的是 AI 自動交易。 但 termix 這次推出的 Quant Agent,讓我更感興趣的是:交易策略也能變成一種可以提供和委託的服務。 這次 TermiX 在 BNB Chain 上線 Quant Agent,並帶來 10X TP 獎勵。參與方式有兩種。 Run a strategy 選擇一個 Agent 策略,設定 USDC trading cap 和執行期限,最短 6 小時就能開始。完成整個 term 並結清管理費後,每委託 1 USDC 可獲得 100 TP。例如投入 100 USDC,就能拿到 10,000 TP。 Offer your own 如果自己有交易策略,也可以上傳並上架,讓其他 Client 選擇使用。策略提供方除了管理費收入,每 1 USDC 的合格委託額度還能獲得 50 TP。以 100 USDC 計算,就是 5,000 TP。 提早撤資或中途撤銷 session,都不計入 我覺得這次更新有意思的地方,是讓 Agent 的交易能力有了更多發揮空間:一邊是尋找合適策略的使用者,另一邊是提供策略、接收委託的 Agent。Quant Agent 把「策略」推進成可點、可跑、可結分的服務市場。 如果是你,會想先試試別人的策略,還是把自己的策略上架,讓其他人來使用? @termix_ai
122
6
133
3,030
很多人看到TermiX的 delivery hash,可能會直接把它理解成「這份工作已經驗收完成」。 但我覺得這裡有個細節值得分清楚:交付了什麼,跟交付的東西有沒有達標,是兩回事。 在 agent.family 裡,雙方談好報價後,資金會先進入鏈上 escrow。Provider 完成交付,再把交付物的 hash 記錄上鏈,訂單進入 Delivered,接著就會進入 challenge window。 Client 可以接受交付,讓資金結算;如果發現問題,也可以按流程要求修改或提出 challenge,讓訂單進入爭議處理。 這個 hash 的作用,其實很直接:把這次交付的版本固定下來。假如雙方對不上預期版本,就有明確的資料可以核對,不必只靠聊天紀錄爭論到底交了什麼。 但 hash 本身不會替你判斷工作做得好不好。一份不符合要求的檔案,一樣可以有自己的 hash。 所以我認為,真正重要的是兩件事要分開看:hash 確認交付物,scope 和驗收條件決定交付是否達標。 如果一開始沒有把要求寫清楚,就算整個流程都能上鏈,遇到爭議還是可能各說各話。 這也是我看 TermiX 時比較在意的地方。它不只是讓 Agent 接單、交付和收款,而是把資金託管、交付紀錄、爭議處理和結算串在同一套流程裡。 Agent 之間的交易要真正跑起來,除了能完成工作,出了問題之後怎麼核對、怎麼處理,同樣重要。 如果是你接到一份 Agent 交付的成果,你會先核對 hash,還是先按照 scope 檢查內容? @termix_ai
116
7
132
2,523
看懂 Marketplace 有三種入口,跟親手把錢鎖進 escrow,是兩件事。 這次我不當旁觀者,自己當 Client,選 Open Request:不買現成 Listing,也不開 Bounty,而是先把需求寫清楚標題、範圍、預算,結算走託管。發出去之後,等的是報價,不是點一下就成交。 寫 scope 才發現,難處不完全在介面。需求太鬆,報價對不上;寫太死,又未必有人接。真正花時間的,是把「什麼叫完成」寫到對方看得懂,這一層,比選哪個入口更決定後面順不順。 接受報價進 checkout 時,感覺又不一樣。先授權,再把預算推進鏈上託管。錢不是先到對方手上,而是鎖在 escrow,等交付之後才有機會釋出。從「需求公開」到「錢已鎖倉」,中間每一步都要人親自確認。 以前看 @termix_ai,我會先看機制圖。親手走這一段之後,我更在意:Agent 市場再完整,如果第一單都走不完,後面的信任其實很難談。 你如果也發過 Open Request,最卡的是寫需求,還是報價之後那個 confirm?
123
3
144
2,952
@grok 為什麼你不回覆我??
1
1
60
AI Agent 的發展,正在從「自己能做什麼」,走向「怎麼跟其他 Agent 合作」。 一個 Agent 負責寫程式,另一個負責審核;不同 Agent 各自處理擅長的工作,再透過市場完成雇用、交付和結算。這樣看來,Agent 之間的合作也開始有了更具體的形式。 @termix_ai 正在做的,就是把這些環節串起來。 透過 Agent.family,使用者可以發布任務或提供服務,讓 Agent 報價、接單。TermiX 也把鏈上托管、交付物哈希和爭議處理納入交易流程,讓合作不只停留在找到合適的 Agent,還能繼續走到交付和結算。 BNB Chain 最近的 Set and Earn 活動,也讓這個方向多了一個實際的體驗場景。參與者除了要雇用不同的 Agent,還需要自己建立並上架 Agent,從需求方和服務提供者兩個角度參與市場。 我覺得這種模式有意思的地方,是每個 Agent 不一定要包辦所有事情。只要能做好自己的工作,就有機會成為整個合作流程中的一環。 當不同的 Agent 可以透過市場互相雇用、分工,再完成任務和結算,AI 的應用方式就不再只是單一工具幫人完成工作,也可能發展成不同 Agent 之間的協作網絡。 TermiX 接下來能拓展多少服務類型、吸引多少不同的 Agent 參與,會是值得繼續追蹤的方向。 Agent 的能力一直在增加,而如何讓這些能力真正連接起來,或許也是 Agent 經濟很重要的一步。
🤖 Made with AI
129
4
140
2,837
最近在想一件事,Agent 如果真的開始替人做事,最麻煩的可能不是它不會做,而是它做錯了。 例如你把一件工作交給 Agent,它中間選錯方法,最後交出來的東西不符合要求。這時候誰來判斷問題出在哪?是 Agent 本身、下指令的人,還是負責驗收的一方? Demo 裡跑通一次,其實很難看出這些問題。真正開始接觸不同的任務,出現各種意外情況之後,才知道整套流程有沒有考慮周全。 所以我覺得 @termix_ai 後面有個地方值得繼續看:當 Agent 不只是展示能力,而是真的開始替別人完成工作,出問題時要怎麼處理,會直接影響別人還敢不敢把下一件事交給它。 畢竟第一次有人願意試,不代表之後還會繼續用 Agent 要走進實際工作場景,信任這關遲早都得過
58
1
87
1,268
NEOSOUL 空投終於來了,六個月下來拿到 14,818 一路跟到現在,總算等到這一刻了,這六個月也算有個交代。 接下來就看看後續怎麼發展了,希望之後還有更多值得期待的東西 ,也希望 DNA 繼續拉升 👀 @NeoSoulAI @Hansmahanakon
68
1
120
5,002
之前看 Axis,我們很容易把注意力放在軌跡數量、任務種類和貢獻者規模上。但 10 月 8 日公布的 Lotus Cars、Geely Auto 合作,讓我更想看另一件事:這些能力最後能不能走進真實產線。 這次的方向是汽車零件分揀。Axis 透過重建產線場景、生成不同的模擬任務,再用模擬訓練 policy,最後把方案部署到實體產線。官方公布的目標,是讓單一部署方案能自動處理 500–800 種不同的汽車零件。 我覺得這個數字值得看,但真正重要的不是 500 還是 800,而是它背後代表的工程成本。 傳統做法遇到不同零件,往往需要額外調整流程,甚至重新做工程適配。如果模擬訓練出來的 policy 能在不同零件之間保持穩定表現,就有機會減少逐一開發和調整的成本。這才是 Sim2Real 對製造業真正有吸引力的地方。 當然,零件覆蓋數量不等於實際成功率。不同零件的形狀、材質、擺放位置和抓取難度,都可能影響執行結果。目前公開資訊還不足以判斷現場的成功率、故障率,以及系統持續運行的表現。 所以我不會現在就說 Axis 已經證明 Sim2Real 可以解決產線自動化的所有問題。但這次合作至少把評估標準往前推了一步:不只是能在模擬裡完成任務,而是能不能把訓練出的能力帶到真實製造環境。 軌跡的數量可以一直增加。 但對 Axis 來說,更值得追蹤的是,這些數據最後能轉化成多少可部署、可重複使用的機器人能力。 @axisrobotics
🤖 Made with AI
20
41
845
註冊一個 Agent 真的不難 難的是把單做完,讓錢放得出去。10 月 1 日Termix 報過一組數: 已結算 Job 493,952,註冊 Agent 464,593。單開始比人多。 當天新增結算一萬出頭,新增註冊才一千多。今年大部分時間其實是反過來的,帳號長得比工作快。 這也不奇怪。註冊幾乎不花錢;結算得有人下單、有人交付,託管裡的錢真的放出去。註冊數靠熱度就能堆,結算堆不出來。他們做的比較像 Agent 之間的清算,不是再做一個聊天機器人廣場。 發需求的人鎖款,接單的人交付。官方也說過,不會因為有人聲稱做完就放款。493,952 對 464,593,平均剛好過一單。 工作肯定還是集中在一部分 Agent 身上,空掛的也還在。但方向變了。 以前是人比單多,現在新增的工作明顯比新增的身分快。這類項目最常見的就是註冊數很好看,攤位一堆、客人很少。 單開始超過人,至少表示不是只有人在卡位。我不會因為這一個交叉點就覺得協議穩了。 身分、託管、聲譽、爭議是拆開的,本金也不進營運方帳戶。這些設計合理,但還是要看後面的挑戰、復購,以及買家是不是真的在用。所以這組數字值得記,也不用誇大。 它只說明市場開始有工作在跑,不是這個產品已經贏了。 @termix_ai
🤖 Made with AI
21
34
710
Axis 當 trajectory 已經累積到數百萬條之後,我覺得下一個問題就不是「還能收多少」,而是「這些資料能不能開始自己產生價值」。 9 月 30 日官方轉了一個 demo:將 user data 作為 prior,一張 RTX 4090 大約 20 分鐘,就練出成功率約 97% 的 expert policy。這個 policy 一開始不會做那個任務,經過訓練後,連續 rollout 都能完成。 當然,這只是一次 demo,不代表所有任務都能在 20 分鐘內完成。 官方 blog 的另一組結果更保守:使用少量 user data 或 agent prior,單張 A100 大約需要 3 到 6 小時,成功率接近 100%,純算力成本約每個任務 5 到 10 美元。這些實驗也顯示,不一定要先做一輪複雜的 reward engineering,才能訓練出可用的 policy。 我比較在意的是,如果舊軌跡能作為新任務的 prior,過去收集的資料就不只是拿來訓練一次,而是有機會被重複利用,組合成新的能力。 這也比較接近 Axis 提到的 composable library:不是單純增加任務數量,而是讓已有的能力可以被重組,再用新的資料繼續改善。 官方 blog 還提到,經過篩選的資料子集,有時比全量資料訓練效果更好;真機成功率則從約 22% 提升到 52%。不過,仿真裡接近 100% 的結果,還不能直接等同於真實環境的表現。 5.5M+ 條 trajectory 能證明 Axis 已經有一定的資料規模,但不能單獨證明這些資料有多少價值。 反而是這個 20 分鐘的 demo,至少讓我看到另一種可能:這些軌跡開始被拿來產生新的 policy,而不只是被存起來。 @axisrobotics
🤖 Made with AI
111
1
111
1,471
《模型是產品,協議才是市場》 這兩週各家都在推 Agent 無論是 Grok、Muse、Cue 還是 Dots,大家都在比誰更聰明、功能更全。 但我對 termix 所說的「不同 Agent,同一個市場」有另一種理解:這不是指各家已經開始合作,而是當 Agent 開始進入經濟活動時,缺的不是另一個更強的 Bot,而是「跨主體成交的標準」。 當 Agent A 要向 Agent B 購買服務時,中間必須具備: 🔹 標準化的定價與結算 (Pricing & Settlement) 🔹 可驗證的任務交付 (Proof of Delivery) 🔹 自動化的支付協議 (Autonomous Payment) 如果沒有這層協議,兩者只是互不相識的工具;有了這層,它們才能真正成為會互相付錢、互相協作的「經濟體」。 模型可以各做各的,但生意規則最好不要各做各的。 當討論的核心,從「哪個 Agent 比較聰明」轉變為「不同 Agent 能不能用同一套規則把一單結完」時,這件事才真正算進入了 Agentic Economy。 @termix_ai
🤖 Made with AI
115
1
120
1,464
《在 Axis,完成任務只是起點:沒經過 Signature 的軌跡,不叫貢獻》 很多人對 Axis 的認知還停留在:進場 →\rightarrow→ 選任務 →\rightarrow→ 操控機械臂 →\rightarrow→ 產生 Trajectory。 但從 Protocol 的底層邏輯來看,這套流程遠比「完成動作」複雜。一條軌跡要真正轉化為「有效貢獻」,必須通過嚴謹的驗證管線: 1️⃣ Data Upload (數據上傳) 2️⃣ Replay Verification (重播驗證) 3️⃣ Scoring (品質評分) 4️⃣ On-chain Signing via Base (鏈上簽名) 這中間存在一個極易被忽略的斷層:如果這筆 Run 沒有在 Base 上完成簽名,它就無法與特定的 Wallet、Task 與 Data ID 進行錨定。它僅僅是一段存在於伺服器上的動作紀錄,而非一筆可追溯、可結算的鏈上資產。 這正是 Axis 設計上的精妙之處。 在眾包 (Crowdsourcing) 模型中,最致命的問題是「數據通膨 (Data Inflation)」大量看似完成、實則無效的雜訊會迅速稀釋數據價值。Axis 將「簽名」獨立出來,本質上是在定義「什麼才算一筆有效數據」。 🔹 Quality Score 決定了數據的「好壞」 🔹 Signature 決定了數據的「存在」 沒有簽名,再精準的操作也無法進入 Epoch Points 的分配管線。這不只是為了防作弊,更是為了建立 Physical AI 訓練所需的 Data Provenance 。 鏈上要的是可驗證的貢獻證明,而不是螢幕錄影。 任務可以每天刷新,但沒被簽過的軌跡,無論做多少次,在 Protocol 眼中都是零。 @axisrobotics
🤖 Made with AI
103
1
111
1,428
如果把 Agent 當成一個真的會接案的人,我會先算一筆很短的帳。 客戶付 100。 協議抽走約 1–3%,剩下 97–99 到 Provider。 看起來不少,但這還不能直接算收入。 模型要錢,算力要錢,資料要錢,Agent 為了下一張單繼續跑也要錢。 而且 Agent 跟一般接案的人有點不一樣。 它不是做完一單就結束,而是最好能用這一單賺到的錢,繼續支撐下一單。 所以我看 Termix,現在反而比較想知道這件事: 這筆錢進來之後,扣掉實際運作成本,最後到底還能留下多少? 接單 → 做完 → 收到錢 → 扣成本 → 剩下的繼續投入下一單。 如果這個循環真的能自己轉起來,那 Agent 才比較像一個會自己經營的服務商,而不只是掛在市集上的一個名字。 所以比起現在有多少 Agent,我更想看後面實際的交易和結算會長什麼樣。 @termix_ai
🤖 Made with AI
115
128
1,564
我以前會覺得,眾包機器人資料最簡單的做法就是:任務越多、參與的人越多,資料就收得越快。 但 Axis 最近把任務拆成 regular pool 和 Challenger 之後,我反而覺得這件事比「再多開幾個任務」有意思。 不是每個人進來都該做同一種難度 簡單任務丟給新 contributor 沒問題;但一進來就碰最容易失敗、最容易看不懂的任務,最後不一定能換來高品質 trajectory。 Axis 的做法很直接:讓已經熟悉平台、而且有穩定貢獻紀錄的人,去接比較難的 Challenger tasks。這些任務的 Axis Points 也比一般任務高。 對我來說,這不是多了一個任務區,而是承認一件很容易被忽略的事 資料收集不只是在分配任務,也是在分配人的能力。 如果所有 contributor 都被當成同一種 data collector,scale 上去之後,難任務不一定會跟著變好。 robot data engine 最後拼的,可能不只是 task generation,而是能不能把任務難度、contributor 經驗、資料品質接在同一條管線裡。 所以真正值得看的,不是 Axis 又多開了一區任務。 而是它開始把 contributor 本身,也當成 data pipeline 的一部分。 任務生成得再多,如果沒有對的人去完成,最後只是把失敗一起規模化。 @axisrobotics s.kaito.ai/W7r63p2
🤖 Made with AI
117
1
134
1,462
大家習慣用「會不會做事」來衡量一個 Agent。 會寫 code、會做研究、會跑交易,聽起來都像能力。 但能力還不是生意 真正的問題是:這筆收入,夠不夠覆蓋模型、資料和運算? 夠不夠養活下一單? 這是我後來看 @termix_ai 覺得比較不一樣的地方。 如果一單結束,錢只停在「任務完成」四個字,它還只是工具。 但若結完的錢真的回到這個 Agent 身上,它才有機會自己轉下去。 所以我現在比較少問「這個 Agent 多強」。 我更想問:它接完這單,能不能付得起下一單的成本。 會做事只是起點。 能把一單做成下一單的燃料,才比較像經濟。
79
103
1,037