صرافی‌ها به "خرچنگ‌ها" (معامله‌گران) درخت مهارت می‌دهند؛ آیا Openclaw قرار است معامله‌گران انسانی را پشت سر بگذارد؟

نویسنده: فرانک، PANews

یک شبه، به نظر می‌رسد همه در حال استقرار خرچنگ رودخانه‌ای (یک پلتفرم محبوب ارزهای دیجیتال) هستند. این روند سرانجام به صنعت کریپتو رسیده است. در 3 مارس، بایننس و OKX، دو غول کریپتو، به طور همزمان کتابخانه‌های مهارت‌های AI برای AI Agent را راه‌اندازی و منبع باز کردند، که به AI Agent امکان می‌دهد مستقیماً از طریق این پروتکل‌ها به کشف آلفای درون زنجیره‌ای و معاملات بلادرنگ دست یابد. کمی قبل از آن، رهبر بازار پیش‌بینی Polymarket نیز یک ابزار CLI را به طور خاص برای نمایندگان راه‌اندازی کرد.

پشت این وضعیت به ظاهر تصادفی این واقعیت نهفته است که هوش مصنوعی در حال تبدیل شدن به نهاد معاملاتی اصلی در آینده صنعت کریپتو است و این تغییر از قبل آغاز شده است.

اما سوال اصلی که کاربران با آن روبرو هستند این است: آیا معاملات مبتنی بر نماینده واقعاً قابل اعتماد است؟

پیشتاز در راه، کریپتو به طور رسمی از معامله‌گران AI استقبال می‌کند.

بیایید نگاهی بیندازیم که Skill که بایننس و OKX این بار منبع باز کرده‌اند، واقعاً چه کاری می‌تواند انجام دهد.

هفت مهارت بایننس به عنوان یک "هسته هوشمند یکپارچه" موقعیت‌یابی شده‌اند که سیگنال‌های پراکنده بازار کریپتو را به تصمیمات معاملاتی قابل اجرا تبدیل می‌کنند. به طور خاص، آنها به AI Agent امکان می‌دهند اجرای معاملات اسپات را خودکار کنند، مانند دسترسی به داده‌های بازار بلادرنگ و ثبت سفارش. آنها همچنین می‌توانند هر آدرس کیف پولی را تجزیه و تحلیل کنند تا گزارش‌های ردیابی پول هوشمند را تولید کنند، از جمله دارایی‌های دقیق. ویژگی‌های دیگر شامل بازیابی توکن، معاملات کپی و نظارت بر ریسک قرارداد است.

ارتقای AI OnchainOS از OKX به عنوان یک "سیستم عامل درون زنجیره‌ای برای AI Agent" موقعیت‌یابی شده است. این سیستم از بیش از 60 عملکرد درون زنجیره‌ای مرتبط با مدیریت خودمختار کیف پول، معاملات و پرداخت‌ها پشتیبانی می‌کند. اینها شامل ویژگی‌هایی مانند جستجوی دارایی‌های کیف پول (موجودی دارایی‌های فناوری میان زنجیره‌ای و پورتفولیوها)، داده‌های بازار DEX، اجرای معاملات و کشف توکن است.

رابط CLI Rust Polymarket که قبلاً راه‌اندازی شده، یک ترمینال برای AI Agent است که به آنها امکان می‌دهد به طور مستقیم تمام بازارهای پیش‌بینی در Polymarket را جستجو، معامله و مدیریت کنند. علاوه بر این، Bitget و Coinbase نیز کتابخانه‌های مهارت مشابهی را منتشر کرده‌اند.

از دیدگاه عملکردی، این مهارت‌ها عملکردهای اساسی را که کاربران عادی برای معاملات درون زنجیره‌ای یا مشارکت در سایر معاملات کریپتو نیاز دارند، ارائه می‌دهند، از جمله تحقیقات بازار، اجرای سفارش، ردیابی پول هوشمند و موارد دیگر.

با این حال، آیا این بدان معناست که اکنون همه می‌توانند از قهوه لذت ببرند در حالی که خرچنگ‌های رودخانه‌ای پشت صحنه کار می‌کنند تا برای آنها پول به دست آورند؟

یک کاربر در رسانه‌های اجتماعی ابزار کسب درآمد "خرچنگ رودخانه‌ای" را به اشتراک گذاشت.

AI Agent ≠ ربات معاملات کمی

اما نتیجه واقعی ممکن است با آنچه اکثر مردم تصور می‌کنند متفاوت باشد.

بسیاری از مردم "معاملات AI" را با ربات‌های معاملات کمی برابر می‌دانند، اما منطق اساسی این دو اساساً متفاوت است.

تفاوت بنیادی است. ربات‌های معاملات کمی سنتی اساساً برنامه‌های خودکاری هستند که قوانین از پیش تعریف شده را اجرا می‌کنند، مانند "خرید کنید وقتی RSI به زیر 30 می‌رسد و بفروشید وقتی به بالای 70 می‌رسد." آنها بسیار سریع هستند، اما هیچ درکی از کاری که انجام می‌دهند ندارند، نمی‌توانند اخبار را بخوانند و از احساسات بازار بی‌اطلاع هستند. اثربخشی استراتژی آنها کاملاً به شخصی بستگی دارد که کد را نوشته است.

در قلب AI Agent یک مدل زبانی بزرگ قرار دارد. این مدل می‌تواند یک مقاله خبری درباره افزایش نرخ بهره توسط فدرال رزرو را بخواند، درک کند که این برای بازار کریپتو چه معنایی دارد و سپس تصمیم بگیرد که آیا دارایی‌های خود را کاهش دهد یا خیر.

به طور ساده: ربات قوانین را اجرا می‌کند و نماینده قضاوت می‌کند.

به عبارت دیگر، نماینده فعلی خودش بازار را رصد نمی‌کند و سپس وقتی فرصتی پیش می‌آید مستقیماً سفارش ثبت نمی‌کند. هزینه‌های توکن حاصل و تاخیر زمانی برای معاملات ویرانگر است.

معاملات نماینده فعلی تمایل دارد یک مدل "تقسیم کار" را اتخاذ کند: برنامه‌های سنتی مسئول نظارت و اجرا هستند، در حالی که مدل‌های بزرگ فقط مسئول تجزیه و تحلیل و تصمیم‌گیری هستند.

به طور خاص، یک برنامه سنتی به طور مداوم قیمت‌های بلادرنگ، داده های درون زنجیره‌ای، اخبار و سایر اطلاعات را از صرافی دریافت می‌کند، سپس این داده‌ها را بسته‌بندی کرده و به یک مدل بزرگ ارسال می‌کند. مدل بزرگ اطلاعات چندبعدی مانند شرایط بازار، اخبار و ناهنجاری‌های درون زنجیره‌ای را یکپارچه می‌کند تا یک تصمیم معاملاتی ارائه دهد، مانند "ETH بخرید، 10٪ پوزیشن، قیمت سفارش 2,450 دلار". در نهایت، دستورالعمل معاملاتی به برنامه سنتی بازگردانده می‌شود که سفارش را از طریق رابط صرافی اجرا کرده و به طور مداوم نتایج را پیگیری می‌کند.

کد سنتی به عنوان "دست‌ها" و "چشم‌های" نماینده عمل می‌کند، در حالی که مدل کلی به عنوان "مغز" عمل می‌کند. مهارت‌های ارائه شده توسط سه پلتفرم اصلی اساساً "دست‌ها" و "چشم‌های" استاندارد شده را به نماینده ارائه می‌دهند و به آن اجازه می‌دهند به سرعت به داده‌ها و قابلیت‌های معاملاتی پلتفرم‌های مختلف معاملاتی دسترسی پیدا کند. با این حال، پشت صحنه، انسان‌ها هنوز منطق معاملاتی را بر اساس استراتژی‌های خاص طراحی می‌کنند. این در مورد اتصال ساده به مهارت و تماشای موجودی حساب شما که به طور خودکار افزایش می‌یابد نیست.

فراتر از فناوری و عملکرد، دو مسئله واقعی وجود دارد که باید مورد توجه قرار گیرد.

اولین مورد سرعت است. ربات‌های کمی فرکانس بالای سنتی دارای تاخیر معاملاتی در محدوده میکروثانیه تا میلی‌ثانیه هستند، با سیستم‌های حرفه ای که حتی به تاخیر زیر میلی‌ثانیه دست می‌یابند. گلوگاه کلیدی برای AI Agent، با این حال، در زمان مورد نیاز برای استنتاج مدل در مقیاس بزرگ نهفته است. یک تجزیه و تحلیل کامل و خروجی تصمیم معمولاً بین چند صد میلی‌ثانیه تا چند ثانیه طول می‌کشد و در سناریوهای پیچیده، حتی می‌تواند بیش از 5 ثانیه باشد. این هزاران یا حتی میلیون‌ها بار کندتر از ربات‌های سنتی است.

بنابراین ، نمایندگان به سادگی نمی‌توانند از نظر سرعت با ربات‌های معاملات کمی رقابت کنند. آنها نمی‌توانند آربیتراژ فرکانس بالا انجام دهند یا از تفاوت قیمت در سطح میلی‌ثانیه سود ببرند. رقابت‌پذیری نمایندگان در کیفیت تصمیمات آنهاست: یک ربات معاملات کمی می‌تواند در میلی‌ثانیه سفارش ثبت کند، اما معنی "رئیس فدرال رزرو به تازگی یک توییت مسالمت‌آمیز ارسال کرده است" را نمی‌داند، در حالی که یک نماینده می‌داند. نمایندگان برای انجام یک یا دو معامله خوب فکر شده در هر ساعت مناسب‌تر هستند، نه انجام هزاران عملیات مکانیکی در هر ثانیه.

عامل دوم هزینه است. ربات‌های سنتی، پس از توسعه، فقط به هزینه‌های سرور برای اجرا نیاز دارند. با این حال، نمایندگان هر بار که تصمیمی می‌گیرند، رابط‌های مدل بزرگ را فراخوانی می‌کنند که هزینه‌هایی را به همراه دارد. به عنوان مثال، با GPT-5.2، اگر یک نماینده هر 5 دقیقه بازار را تجزیه و تحلیل کند (288 بار در روز)، هزینه استنتاج ماهانه تقریباً 106 دلار است. استفاده از Claude Opus 4.6 قدرتمندتر، حدود 238 دلار است. این مبلغ قابل توجهی برای معامله گران حرفه ای که مبالغ زیادی را مدیریت می‌کنند نیست، اما برای سرمایه‌گذاران خرد با تنها چند هزار دلار سرمایه، این هزینه استنتاج، همراه با کارمزد تراکنش، دستیابی به سود خالص را بسیار دشوارتر می‌کند.

وقتی صحبت از کسب درآمد به عنوان یک نماینده می‌شود، دام‌ها بیشتر از فرصت‌ها هستند.

علاوه بر این، کیفیت تصمیم‌گیری نماینده نیز یک مسئله اساسی است. پشت آن قضاوت‌های به ظاهر منطقی و واضح، ممکن است تصمیمات پوچ وجود داشته باشد.

در سال 2025، یک مسابقه معاملاتی AI که توسط Nof1 برگزار شد، یک مثال واضح ارائه کرد. چندین نماینده هدایت شده توسط مدل بزرگ رقابت کردند، با نتایج بسیار متفاوت: نماینده هدایت شده توسط GPT-5، 62٪ از سرمایه اولیه خود را از دست داد، در حالی که Qwen3 و DeepSeek به سود 22.3٪ و 4.89٪ دست یافتند. در این مسابقه معاملاتی AI، در حالی که برخی از مدل‌ها در نهایت سود کردند، ویژگی‌های بسیار ناپایداری را نشان دادند. DeepSeek به ویژه بازدهی بالایی را در ابتدا نشان داد که پس از آن یک افت قابل توجه داشت که انتظارات بازار را کاهش داد.

در فصل دوم آزمایش، 15 ربات AI، هر کدام با سرمایه 10,000 دلار، شرکت کردند. فقط GROK-4.2 به بازده مثبت دست یافت. به طور کلی، فقط سه مدل در هر دو فصل به بازدهی مثبت دست یافتند، در حالی که بقیه در وضعیت زیان‌ده بودند.

علاوه بر این، PANews همچنین مطالعات شبیه‌سازی را بر روی چندین مدل قدرتمند در آن زمان انجام داد و نتایج نهایی نشان داد که، در بلندمدت، سودهای مورد انتظار آنها همگی منفی بودند. (مطالب مرتبط: ارزیابی AI معاملات کمی: سودهای مورد انتظار برای همه مدل‌ها کمتر از 1، هوش مصنوعی چقدر از جایگزینی معامله‌گران فاصله دارد؟)

در Polymarket، کلاسیک‌ترین استراتژی ربات AI، آربیتراژ برابری ریاضی است: وقتی هزینه کل خرید هر دو قرارداد "بله" و "خیر" در یک بازار دوتایی کمتر از 1 دلار است، خرید همزمان هر دو، سود بدون ریسک را قفل می‌کند. بسیاری از وبلاگ‌نویسان این استراتژی را بسیار تحسین کرده‌اند. با این حال، Polymarket با معرفی کارمزدهای پویا و سایر تعدیلات قوانین پاسخ داده است که برخی از استراتژی‌های آربیتراژ را بی‌اثر می‌کند.

به طور کلی، معاملات نماینده یک "ماشین چاپ پول" نیست. انتخاب مدل، طراحی استراتژی و انضباط کنترل ریسک همگی ضروری هستند.

علاوه بر اینها، معاملات نماینده همچنین شامل چندین ریسک دیگر است که باید در نظر گرفته شود.

اولاً، در مورد امنیت، نماینده کلید خصوصی را نگه می‌دارد و معاملات را به طور خودمختار اجرا می‌کند. اگر محیط عملیاتی به خطر بیفتد، می‌تواند منجر به از دست دادن دارایی شود. موارد قبلی نشان داده است که تکنیک‌های مخرب به پلتفرم‌های منبع باز تزریق شده‌اند تا کلیدهای کاربر را بدزدند. هر سه پلتفرم از سلب مسئولیت‌های محتاطانه در بیانیه‌های خود استفاده کردند، با Polymarket که حتی مستقیماً آن را به عنوان "نرم‌افزار آزمایشی اولیه" برچسب‌گذاری کرد.

ثانیاً، مشکل "توهم" مدل‌های بزرگ نمی‌تواند نادیده گرفته شود. مدل‌ها گاهی اوقات تجزیه و تحلیل‌هایی را تولید می‌کنند که به نظر منطقی می‌رسند اما در واقع اشتباه هستند. در مکالمات روزمره، این ممکن است فقط شرم‌آور باشد، اما در معاملات، می‌تواند به معنای از دست دادن پول واقعی باشد.

همگن‌سازی استراتژی‌ها نیز یک نگرانی است. وقتی تعداد زیادی از نمایندگان از همان مهارت‌ها و همان مدل‌ها برای تجزیه و تحلیل همان بازار استفاده می‌کنند، قضاوت‌های آنها بسیار مشابه می‌شود، سیگنال‌های خرید به طور همزمان فعال می‌شوند، قیمت‌ها به سرعت بالا می‌روند و فضا برای تازه واردان فشرده می‌شود.

AI صرفاً یک سلاح است؛ هنوز هم انسان است که آن را به کار می‌گیرد.

قوانین بازی در بازار کریپتو در حال تحول عمیقی است زیرا صرافی‌ها شروع به طراحی محصولات برای نمایندگان به جای انسان‌ها کرده‌اند. داده‌های سال 2023 نشان می‌دهد که سیستم‌های خودکار از قبل بیش از 70٪ از حجم معاملات در بازار کریپتو را تشکیل می‌دادند و این درصد همچنان در حال افزایش است.

با این حال، معاملات نماینده هنوز در مرحله "آزمایشی اولیه" است. منطق اساسی این است که این صرفاً یک بهبود در ابزار است، نه "خودکارسازی تولید سود". فراموش نکنید که موسسات با تجربه استراتژی و معاملات کمی گسترده نیز از همان ابزارها برای انجام بهبودها استفاده می‌کنند.

برای سرمایه‌گذاران عادی، به جای عجله برای ساختن AI Agent خود، بهتر است ابتدا ترس از دست دادن سرمایه (حدس و گمان) را مهار کنند و محدودیت‌ها و نقاط ضعف آنها را درک کنند. مسلماً، عصر معاملات نماینده فرا رسیده است، اما سودآوری هنوز به توانایی‌های تصمیم‌گیری استراتژیک انسان‌های پشت آن بستگی دارد.