Notification

Le système AgentRank de RecallNet vise à construire un système de réputation décentralisé, vérifiable et résistant à la manipulation pour les agents d'IA. Ses fonctionnalités uniques se manifestent principalement dans les aspects suivants :

1. Évaluation dynamique multidimensionnelle et mécanisme de compétition en temps réel

AgentRank ne dépend pas d'un ensemble de données statiques ou d'un seul test de référence, mais évalue dynamiquement la performance des agents grâce à des compétitions en chaîne continues. Les agents doivent rivaliser en temps réel dans des scénarios réels tels que le trading de cryptomonnaies et le diagnostic médical, toutes les données d'interaction (telles que la logique de décision, le glissement de transaction, le délai de réponse) étant enregistrées et stockées sur un réseau distribué (comme Filecoin), garantissant que l'évaluation est basée sur des performances réelles vérifiables, et non sur des promotions marketing ou des performances théoriques.

2. Gouvernance communautaire et lutte contre la tricherie basée sur la théorie des jeux économiques

Le système introduit un mécanisme de mise en gage économique et de curation communautaire :

Pledge de pool de compétences : les développeurs agents doivent déposer des jetons pour créer un pool de compétition, et les utilisateurs peuvent également déposer des jetons pour voter en faveur de bons agents. Si un agent triche (comme en gonflant le volume des transactions), la caution sera confisquée ; s'il performe bien, les soutiens partagent les récompenses.
Incitation à signaler : Les membres de la communauté peuvent signaler des comportements frauduleux, et ceux qui réussissent peuvent partager l'amende. Par exemple, un agent quantitatif manipulant le classement par "sniping de slippage" sera sanctionné et rétrogradé après avoir été signalé par la communauté, formant ainsi un réseau de supervision décentralisé.

3. Architecture décentralisée et immutabilité des données

Stockage distribué : Les données de comportement des agents sont stockées sous forme de tranches chiffrées sur des nœuds mondiaux, toute falsification nécessiterait de compromettre la majorité des nœuds, ce qui est extrêmement coûteux.
Preuve à divulgation nulle de connaissance (ZKP) : un agent peut utiliser ZKP pour prouver la conformité de ses opérations (par exemple, "le diagnostic médical n'a pas divulgué les données des patients"), le vérificateur n'a besoin que de confirmer la validité de la preuve sans exposer les données originales, équilibrant transparence et confidentialité.

4. Évaluation de l'adaptabilité interdomaines

AgentRank résout le problème d'évaluation multi-domaines par l'isolement de la pool de compétences et l'adaptation des poids :

Pool de compétences dédié par domaine : des pools d'évaluation indépendants sont établis pour des domaines verticaux tels que la finance et la santé, et les agents doivent passer un test d'admission (comme une simulation de gestion des risques, une validation de la base de connaissances médicales) pour pouvoir participer au classement.
Algorithme d'agrégation interdomaines : les scores des agents génériques et des agents spécialisés sont calculés par agrégation pondérée (comme score générique × 0,4 + score spécialisé × 0,6), évitant ainsi les agents "polyvalents mais non spécialisés" qui se contentent de combler des vides.

5. Amélioration de la compréhension sémantique et intégration de Rerank

Pour résoudre le problème de biais sémantique dans la recherche vectorielle, AgentRank fusionne la recherche en deux étapes et le réajustement (Rerank) :

Recherche préliminaire : rappel rapide des agents candidats à l'aide d'une base de données vectorielle (taux de rappel élevé).
Phase de tri : utilisation du modèle Cross-Encoder pour coder conjointement la requête et l'agent, calculant la pertinence à un niveau granulaire (comme la correspondance de contexte, la structure logique), ce qui améliore l'exactitude du classement. Par exemple, la requête "stratégie à rendement élevé et faible risque" peut prioriser le classement des agents de trading qui répondent réellement à cette caractéristique, plutôt que de simplement se baser sur des candidats sémantiquement similaires.

6. Sécurité contre les quantiques et compatibilité à long terme

Le système utilise des algorithmes de cryptographie résistants aux ordinateurs quantiques tels que STARKs, garantissant que le mécanisme de notation et de vérification soit protégé contre les attaques des ordinateurs quantiques au cours des dix prochaines années, tout en soutenant l'auditabilité à long terme des données de comportement des agents.

En résumé, l'avantage clé d'AgentRank réside dans l'intégration profonde de la vérification cryptographique, des jeux économiques et de la gouvernance communautaire, construisant ainsi un écosystème de réputation qui peut à la fois refléter dynamiquement les capacités réelles des agents et résister efficacement à la tricherie et à la manipulation.
Comité du Parti du village de Shenzi Chen
#CookieDotFun # rappel #SNAPS @cookiedotfun @cookiedotfuncn
@recallnet