这节课解决什么问题

前面三节解决的是概念问题。这一节开始进入上手层：如果你要真正做 AI × Web3 产品或研究，最常用的工具链到底有哪些，它们分别负责什么。

可以先把工具分成四类

1. 模型服务

负责提供推理能力，也就是“让模型真正输出结果”。

常见能力包括：

• 文本生成
• 向量嵌入
• 图像生成
• 语音识别
• 多模态理解

这一层决定了你能调用哪些模型，以及成本、延迟、上下文长度和可控性。

2. 开发框架

负责把模型能力接进应用，而不是每次都手写底层调用。

开发框架常解决的问题包括：

• Prompt 模板管理
• 多步调用编排
• 工具调用
• 记忆管理
• 检索增强生成
• Agent 执行链

3. 数据与向量系统

负责把知识、文档和历史上下文组织起来，让模型不只依赖一次输入。

这一层常见用途：

• 存放文档切片
• 做语义检索
• 管理对话上下文
• 组织链上数据摘要与标签

4. 评测与观测工具

负责检查模型到底有没有稳定工作。

重点包括：

• 输出质量评估
• 成本监控
• 延迟监控
• 错误追踪
• Prompt 和版本管理

在 AI × Web3 场景里最值得优先掌握的能力

如果目标是做真正可用的产品，而不是单次 Demo，优先级通常是：

1. 模型调用与成本控制
2. 检索和上下文组织
3. 工具调用和 Agent 执行
4. 结果评测与回放
5. 与链上数据或钱包系统的连接

一个最小可用工具链

如果你只想先搭出一个可工作的原型，可以用这套最小组合：

• 一个模型服务：负责生成和理解
• 一个后端应用：负责接口、权限、日志
• 一个向量或检索层：负责知识补充
• 一个链上数据来源：负责读取地址、交易、协议状态
• 一个前端界面：负责输入、反馈、结果展示

这套组合已经足够做出很多早期产品，例如：

• 链上研究助手
• 治理提案总结器
• 钱包行为分析助手
• Agent 风险提示面板

选工具时不要只看“最新”，要看这四个标准

可靠性

服务是否稳定，失败时是否容易排查。

可替换性

是否容易更换模型或底层服务，避免被单一供应商锁死。

成本结构

推理成本、存储成本、调用频率和并发成本是否可控。

适配场景

研究型产品、链上执行产品、内容产品、教育产品，对工具链要求并不一样。

Web3 场景下要额外注意什么

AI 应用一旦接到链上环境，工具选型会多出三项约束：

• 权限是否清晰：哪些动作只能建议，哪些动作可以执行
• 数据是否可信：链上数据、索引数据、人工标签是否一致
• 风险是否可回滚：错误调用是否会导致真实资产损失

所以 AI × Web3 工具链不是简单把“模型 + 钱包”拼在一起，而是要先设计清楚执行边界。

这一节的最小收获

学完后，至少要能说清楚：

• AI 工具链通常分成哪几层
• 模型服务、开发框架、数据层、评测层分别干什么
• 做 AI × Web3 原型时，什么是最小可用组合
• 选工具时为什么不能只看功能，还要看成本、替换性和风险

Part 1 小结

Part 1 到这里，应该已经建立起一条完整主线：

• 先理解 AI 的基本边界
• 再理解模型如何学习
• 然后理解 Deep Learning 和大模型的关系
• 最后把这些能力落到真实工具链上

接下来的 Web3 基础部分，会把这套 AI 能力放进链上环境里，开始讨论账户、交易、Gas、智能合约和协议结构。

编辑此页