撰文：Portal Lab「你养龙虾了吗？」最近 Web3er 打招呼，可能十有八九都是这句。2026 开年，自中国春晚机器人炸翻全场后，以 OpenClaw 为代表的新一代 AI Agent 成为科技人口中的新玩具。有人用 AI 做客服、有人用 AI 写代码、有人甚至开始尝试用 Agent 去模拟一整套「数字员工」，最近在各类互联网平台屡屡被提及的一个概念 「一人公司」，就是一个人通过一个 AI 工作流，就能跑起过去需要一个小团队才能完成的工作。Web3 这边当然也没有闲着。最近如果多看看行业媒体，会发现不少项目也开始围绕 AI Agent 做文章。有的在研究 Agent 怎么直接调用链上资产或合约，有的在做 Agent 的支付、身份或者金融基础设施，有人在讨论「Agent 经济体系」，让 AI 可以像用户一样参与网络，甚至有人又开始喊起了「Web4.0」的新口号。看到这里，其实会有一种很熟悉的感觉。都说时尚圈是个循环，哪曾想科技圈（或者说加密圈）也是如此。还记得 2022 年开始的熊市那阵子，ChatGPT 一夜爆火，AI 一下子成了所有人都在聊的话题。Web3 圈当然也没闲着，很快就冒出一堆新概念，什么 AI Agent、AI 交易员、自动化策略之类的，好像只要和 AI 沾点边，就能讲出新的故事。但这种热闹并没有持续太久。等到后面加密市场又重新上涨起来，大家的注意力很快就回到了 Crypto 本身。而这次 2025 年下半年，加密市场又有了熊的趋势，于是 Web3 开始寻找新概念接盘。但是，在 Portal Labs 看来，问题也恰恰出在这里。当一个叙事开始流行的时候，很多 Web3 创业团队其实并不是在做技术和商业判断，而是在做叙事判断：哪个概念火，就做哪个。而后便栽了跟头。很多团队在真正推进项目的时候才发现，概念可以很快搭起来，但产品却很难落地。用户在哪里？具体场景是什么？靠什么持续收费？能不能拉到投资？这些问题往往到项目做了一段时间之后才逐渐浮现出来。等到热度退去，市场上留下的往往是一地尚未跑通的项目。有的产品停在 Demo 阶段，有的勉强上线却找不到用户，还有一些干脆随着叙事一起消失。短时间内看起来像是一个新赛道被打开，但过一段时间回头看，真正留下来的东西其实并不多。也因此，是继续深耕 Crypto，还是转 AI，成了难题。选前者吧，市场又不好，投入不一定有回报；选后者吧，又没有底。AI 的技术门槛、人才结构和竞争环境都和 Web3 有所区别。很多团队过去几年积累的技术栈、产品经验、社区资源，其实都建立在 Crypto 体系里，一旦彻底转向 AI，等于是重新进入一个完全陌生的赛道。从模型能力、数据资源到工程团队，几乎都需要重新搭建。更现实的一点是，AI 赛道本身已经非常拥挤。无论是大模型公司、传统互联网企业，还是大量初创团队，都在这个领域里投入了巨大的资源。对于一个原本做 Web3 的创业团队来说，如果只是因为叙事转向而进入这个市场，很容易发现自己既没有技术优势，也没有行业资源。其实，对很多 Web3 创业团队来说，还有一条可以实践的路径。不一定非要转型做 AI，而是继续走自己的 Web3 路径，同时去思考 Crypto 能在 AI 体系里补上什么能力。如果仔细看现在这一波 AI 发展，你会发现很多关键环节其实还没有完全解决。最典型的就是数据。模型越来越强，但训练数据从哪里来、数据是否可信合规，尤其是 AI Agent 如何实现 1v1 定制化，这些问题一直没有一个很好的机制。对于依赖大规模数据训练的 AI 来说，这是一个长期存在的基础问题。再比如身份和协作。当 AI Agent 开始参与任务执行、自动交易甚至运营决策时，它们本身也需要身份、权限以及协作规则。谁可以调用某个 Agent？Agent 之间如何分工？执行任务之后如何结算？这些问题，本质上都涉及到开放网络中的身份和价值分配。还有支付问题。AI Agent 一旦开始在网络中自主调用服务、获取数据或者执行任务，就意味着它们需要一种可以自动结算的小额支付系统。而在传统互联网体系里，这样的支付结构其实很难实现。这些看起来都是 AI 的问题，但很多解决方案反而已经存在于 Crypto 的技术体系中。无论是数据激励网络、链上身份体系，还是开放支付网络，本来就是 Web3 在过去几年一直在探索的方向。如果 Web3 创业团队真的打算往这些方向去尝试，有几件事情是必须先想清楚的。首先要看的是团队本身的技术能力。不同的 Web3 项目，其技术积累差异很大。有的团队擅长做链上协议，有的长期在做数据网络，也有的更偏应用层产品。如果团队过去几年一直在做数据相关的基础设施，比如数据采集、数据萃取或者数据市场，那么围绕 AI 的数据层去延伸会相对自然，例如数据贡献网络、可验证数据源，或者为模型提供可激励的数据市场。如果团队原本更偏链上协议或基础设施，那么可以考虑围绕 AI Agent 的运行环境去做事情，例如 Agent 的链上身份、权限管理、任务执行协议，或者为 Agent 提供自动结算和支付能力。而对于那些本身就在做应用层产品的团队，比如交易工具、内容平台、社区产品或者消费应用，AI 更适合作为能力层嵌入原有产品体系。例如用 AI 提升数据分析能力、自动化运营流程，或者通过 Agent 去完成原本需要人工处理的部分功能。其次要看的是是否存在真实业务场景。很多 AI 项目之所以很快消失，并不是技术不行，而是从一开始就没有明确的使用场景。概念可以讲得很热，但真正需要这个产品的人在哪里、他们为什么要用、又为什么愿意为它付费，这些问题往往没有被认真回答。有些概念在行业里讨论得很多，比如「AI+Web3」「Agent 经济体系」「AI 交易员」，听起来都很宏大，但如果往下追问一层，真正稳定存在的用户群体其实并不多。相反，一些看起来不那么「性感」的需求，比如数据处理、自动化运营、信息筛选或者任务执行，反而在现实业务里长期存在。也正因为如此，判断是否进入某个 AI 方向时，与其先看概念是否热门，不如先去看场景本身：这个场景是不是长期存在的业务问题，是否已经有人在为此付费，以及 AI 是否真的能在这个环节里提升效率。如果这些条件成立，那么这个方向才更有可能从叙事变成产品。再往下还需要看，Web3 创业团队手里有没有能够真正进入这些环节的资源。前面提到的数据、身份、支付这些方向，本质上都不是单纯的技术问题，而是网络资源的问题。比如数据网络，如果团队手里没有稳定的数据来源，也没有能够持续贡献数据的用户群体，那么即使技术做出来了，也很难形成真正的网络效应。同样，如果想做 AI Agent 的身份体系或者协作网络，也需要有真实的开发者、应用或者 Agent 参与进来，否则协议本身很难形成生态。支付和结算体系也是类似的逻辑。AI Agent 一旦开始在网络中调用服务、获取数据或者执行任务，小额支付就会变得非常频繁。但这种支付网络只有在大量 Agent 和服务同时存在的情况下才会有意义，否则它仍然只是一个技术模块。所以对很多 Web3 团队来说，真正需要评估的并不是「这个方向有没有技术空间」，而是自己能不能成为这个网络的一部分。团队是否已经有数据来源、开发者生态或者应用场景，这些往往决定了一个项目能不能真正进入 AI 的基础设施层，而不是停留在概念层。
Thank you for reading this post, don't forget to subscribe!