AI × Web3 School 的第一周结束了。这篇文章是我对这一周学习的整理，不是知识点罗列，而是我真正理解了什么、做了什么、以及还有什么没想清楚。
一个重新理解的 AI 概念：Agent 不是更聪明的 ChatBot
之前我对 AI Agent 的理解是”能调用工具的 LLM”。这周读了 Handbook 的 Agent Workflow 章节后，认知被刷新了。
Agent 的核心不是”推理能力更强”，而是需要一套确定性流程来约束概率模型。Handbook 里有一句话特别准确：
Agent Workflow 的核心，是把概率模型放进确定性流程里。
具体来说，一个真正可用的链上 Agent 需要：
- Task Graph — 把目标拆成节点和依赖，而不是让模型一口气自由执行
- State Machine — 显式状态追踪，系统不会忘记自己在哪
- Trace — 每一步输入/输出/判断的记录，出问题才能复盘
- Regression Set — 固定测试用例，防止模型更新后安全退化
这和”让 ChatGPT 帮你写代码”是完全不同的工程思维。
一个重新理解的 Web3 概念：钱包不只是”存钱的地方”
作为 Web3 新手，我之前以为钱包就是一个”加密版支付宝”。这周学了 Agent Wallet 章节后，才理解钱包本质上是一个权限系统。
三种账户方案在 Agent 场景下的差异很大：
- EOA（普通钱包） — 一把私钥控制全部权限。给 Agent 私钥 = 给全部资产，太危险。
- Smart Account（智能账户） — 合约规则控制。可以给 Agent 一个 Session Key（临时受限钥匙），限制时间、金额、目标合约、调用方法。
- 多签（Safe） — 多人签名。Agent 生成交易草稿，人来批准。
一句话总结：EOA 是钥匙，智能账户是门禁卡，多签是金库。对 Agent 来说，智能账户 + Session Key 是最合适的方案。
一个 AI × Web3 交叉问题：Human-in-the-loop 到底该放在哪？
这是这周我思考最多的问题。
Agent 可以自动完成很多事：解析意图、加载上下文、查询价格、模拟交易、生成摘要。但到了签名那一步，必须是人来确认。
问题不是”要不要有人工确认”，而是人确认时能否看懂自己在批准什么。
我画了一张 Agent 辅助 swap 的 8 步流程图，标出了 5 个 AI 自动步骤、1 个人工确认步骤、1 个钱包签名步骤、1 个链上确认步骤。发现好的 Human-in-the-loop 应该让用户看到：
- 资产变化（你会失去什么、得到什么）
- 权限变化（你在授权什么）
- 失败风险（最坏情况是什么）
如果用户只看到一串哈希和”Confirm”按钮，那这个确认就没有意义。
本周 Proof-of-Work
- 学习仓库 — ai-web3-school-cohort-0，包含每日笔记、任务产出、Handbook 反馈
- AI × Web3 最小交叉流程图 — Agent 辅助 swap 的 8 步流程，标出 AI/人工/链上的边界
- 受限 Web3 助手设计（DeFi Swap Guardian） — 10 个状态的状态机 + 5 个人工确认点 + Policy 规则
- EOA vs 智能账户 vs 多签对比 — 从安全性、灵活性、成本三个维度分析
- Sepolia 测试网合约部署 — SimpleCounter 合约，验证了部署→读取→写入全流程
- 活动参与 — Open Agentic Economy（ERC-8004 Agent Identity）、Co-learning（Railgun 隐私协议）、Long-term Memory for AI Agents
还没解决的问题
Agent 的记忆应该存在哪？
这周学了 Agent Workflow 和 Agent Wallet，但 Agent 的”记忆”问题还没想清楚。参加了 EverMind-AI 的分享，他们把 Memory Engineering 分成四个领域：Database Engineering、Agent Engineering、ML Engineering、Information Retrieval。
但链上 Agent 的记忆有什么不同？ERC-8004 的 Reputation Registry 算不算一种”链上记忆”？Agent 的执行 Trace 应该存在链上还是链下？
这是我下一周想继续探索的方向。
AI × Web3 School 是 LXDAO + ETHPanda 的开源学习计划。 Handbook | GitHub