Agentic Trading 正进入产品化验证阶段。近期行业创新集中于独立 Agent 钱包、自然语言交易、标准化工具调用及自动化风控,交易执行能力已成为产品竞争的重要组成部分。
钱包与交易入口的竞争将进一步围绕授权关系展开。用户资产的控制权、Agent 可操作范围及交易路径选择机制,将影响未来交易流量的分配。
DEX、流动性聚合器及交易执行服务有望承接新增需求。Agent 对跨协议交易、自动再平衡、条件订单和持续市场监控具有适配性,但能否形成增量交易规模仍需验证。
交易规模增长不等于协议收入同步增长。手续费率、流量归属、执行成本、用户留存及代币价值捕获机制,将决定各环节的实际经济收益。
安全与风控将影响行业商业化进程。模型误判、权限滥用、提示词注入、智能合约漏洞及高频自动化交易产生的成本,均可能限制 Agent 的资金管理规模。
2026 年以来,AI Agent 与加密交易基础设施的融合明显提速。2 月,面向 AI Agent 的专属钱包及自主支付功能开始进入实际应用;4 月,具备独立资金账户、交易权限配置及自动签名能力的智能体钱包相继落地;8 月,围绕 Agent 构建的交易工具、钱包服务及支付协议进一步整合;10 月,头部加密交易平台将自然语言策略生成、自动化交易执行与资产管理能力纳入统一产品体系。行业创新逐步覆盖行情获取、策略制定、交易执行、资金管理及链上结算等环节,推动 Agentic Trading 从技术验证进入产品化探索阶段。
Agentic Trading 指 AI Agent 在用户授权范围内,利用模型推理、外部工具调用和交易接口,自主完成市场监控、策略分析、交易执行及后续仓位管理的一类交易模式。相较于传统量化交易依赖预设规则运行,Agentic Trading 引入了自然语言交互、动态任务规划和跨工具协作能力,使交易系统能够处理更复杂的非结构化信息,并根据市场环境调整执行流程。不过,模型自主决策能力与稳定盈利能力之间仍存在显著差距,当前产品的发展程度主要体现在交易工作流的自动化和交互效率提升方面。
从产业结构看,Agentic Trading 的发展可能改变钱包、交易平台、DEX 与链上金融协议之间的流量分配方式。用户可以通过统一的 Agent 界面发起交易需求,由底层系统完成资产查询、交易路径选择、风险检查及订单提交。随着 Agent 逐渐承担交易操作,用户与底层交易协议之间的交互频率、平台获客方式以及服务收费模式都可能出现调整。具备用户授权关系、资金托管或管理能力、流动性聚合能力及交易执行基础设施的参与者,将在这一过程中占据不同的价值环节。
AI 技术与加密交易的结合已经经历多个发展阶段。早期应用主要集中于行情分析、市场情绪识别及交易信号生成。交易者使用机器学习模型处理价格、成交量、资金费率及社交媒体数据,以辅助判断市场走势。此类产品的主要价值体现在信息处理效率,用户仍然需要自行决定交易方向,并通过钱包或交易所完成具体操作。
随后,AI 交易工具开始与自动化交易系统结合。用户能够通过自然语言描述交易策略,由系统生成脚本、设置触发条件或调用已有交易机器人执行订单。例如,用户可以要求系统在某项资产价格突破指定区间后买入,或者在资金费率达到特定水平时进行仓位调整。这一阶段的系统已经具备一定自动化能力,但大部分交易逻辑依赖固定条件,复杂策略仍需要开发者编写和维护代码。
近年来,大语言模型的工具调用能力逐步成熟,AI Agent 开始具备将复杂任务拆分为多个操作步骤的能力。对于加密交易而言,Agent 可以根据用户提出的目标,自主调用行情接口、查询链上流动性、比较交易路径、生成订单参数,并根据执行结果更新任务状态。
例如,用户提出“将投资组合中稳定币比例维持在 30%,当市场波动明显扩大时适当降低风险资产敞口”,Agent 需要完成资产余额查询、价格数据收集、风险指标计算、交易数量规划以及订单执行。相比单次买卖指令,这类任务涉及多个数据源和交易环节,同时需要对执行结果进行持续跟踪。
链上金融为 Agent 提供了较为开放的执行环境。DEX、借贷协议、收益聚合器及跨链服务通常通过智能合约或标准化接口开放操作能力,使 Agent 能够在具备授权的情况下与多个协议交互。交易平台 API 则提供另一类执行路径,支持现货、衍生品及账户管理等操作。两类基础设施共同构成了 Agentic Trading 的执行基础。
Agentic Trading 的自主性需要根据实际权限区分。能够根据自然语言生成交易建议的产品,仍属于决策辅助工具;能够调用接口完成预设订单的产品,属于自动化执行系统;具备自主分析、任务规划、交易操作和反馈调整能力的产品,才具有较完整的 Agent 工作流特征。当前市场上的相关产品覆盖多个技术层级,统一使用 Agentic Trading 标签容易高估实际自主化程度。
2026 年初,面向 AI Agent 的专用钱包基础设施开始得到更广泛的产品验证。2 月 11 日,行业出现支持 Agent 自主持有资金、执行代币交易及调用链上支付服务的专用钱包方案,并引入支出限制与安全控制机制。这类产品尝试解决 Agent 参与金融交易时的基础问题,即如何在获得有限资产操作权的同时,避免直接暴露用户主要资金账户。
4 月 24 日,头部加密平台进一步推出独立 Agent 钱包方案,将专属资产余额、交易权限配置、实时操作监控及自动签名机制结合起来。根据公开产品说明,用户可以为 Agent 分配独立资金,并设置可交易资产范围及消费限额。Agent 在授权范围内执行操作,主要资金账户与 Agent 操作账户保持隔离。这类设计使自然语言交互能够与实际资金管理建立联系,也让钱包从单纯的资产存储工具延伸至自动化交易的权限管理系统。
6 月至 8 月,智能体钱包的产品能力进一步扩展。部分自托管钱包开始将 Agent 的应用场景覆盖至代币兑换、永续合约、预测市场及流动性提供,并通过交易模拟、协议白名单、支出限制及 MEV 保护降低自动执行风险。8 月 6 日,一项 Agent Wallet 产品进入公开使用阶段,支持用户预设交易范围,并在交易提交前执行风险检查。
同一时期,行业开始整合交易 API、钱包服务、Agent Skills、MCP 接口和机器支付协议。8 月 20 日发布的一套 Agent 开发基础设施,将这些模块纳入统一工具体系,降低开发者逐项连接交易服务的成本。10 月 5 日,相关产品进一步扩展为包含市场信息分析、自然语言策略构建和自动化执行的完整应用体系。产品能力逐步覆盖普通交易用户与开发者两类群体。
从这些产品进展观察,行业正在集中解决三个问题。
首先是 Agent 的资金操作权限。传统钱包通常以用户主动签名为中心,频繁交易需要多次授权。Agent 钱包通过独立账户、有限额度和会话权限,将人工审批集中于权限设置及高风险操作,使常规交易能够在限定范围内自动执行。
其次是交易工具的兼容性。不同交易平台、区块链网络及 DeFi 协议拥有不同接口规范,开发者需要维护复杂的适配代码。标准化工具调用框架可以降低集成成本,使同一个 Agent 能够连接多个数据源和交易系统。
最后是交易流程的可管理性。自主执行会产生连续操作,用户需要能够查看交易记录、监控资金变化、撤销权限及处理异常状态。产品设计逐步从单次交易指令延伸至资金账户、任务队列、风险控制和审计记录。
这一发展过程表明,Agentic Trading 的竞争正在向底层交易基础设施延伸。模型推理能力仍然重要,但资金权限管理、交易接口稳定性、订单执行质量及用户信任同样决定产品能否进入实际金融场景。
虽然相关产品发布频率明显提高,但产品功能上线与形成稳定业务需求之间仍存在距离。Agent 能够执行代币兑换,并不代表用户愿意将较大规模资金交由 Agent 管理;能够自动生成策略,也不能证明策略在真实市场中具备稳定收益。
现阶段,行业公开信息主要集中于产品功能、支持网络、接口能力和开发者生态。不同平台对 Agent 调用次数、活跃钱包及交易笔数的统计口径并不统一,部分指标还可能包含测试活动、重复调用或内部执行步骤,因此不宜直接将其等同于独立用户数量及真实交易需求。
评估行业成熟度需要观察资金与交易指标,包括 Agent 专属账户中的实际资产规模、独立付费用户数量、用户授权后的持续使用比例、Agent 发起的真实成交额以及扣除全部交易费用后的策略收益。
对于交易平台而言,Agent 对交易接口的调用增长可以反映开发者使用程度,但只有形成可持续成交、留存及净收入,才具有较明确的商业价值。对于链上协议而言,Agent 活动也需要与常规交易机器人及人工发起的交易区分,否则难以识别 Agentic Trading 带来的新增需求。
一个完整的 Agentic Trading 系统通常需要具备市场数据获取、策略分析、交易规划、资产操作及结果反馈等能力。各环节既可以由单个 Agent 统一管理,也可以由多个专门负责不同任务的 Agent 协同完成。
数据获取层负责收集交易决策所需的信息,包括中心化交易平台行情、DEX 流动性、链上资金流动、智能合约状态、宏观经济数据及市场情绪等。传统量化交易通常通过固定数据接口获取结构化信息,Agent 则能够进一步处理研究报告、项目公告及社交媒体等非结构化内容。不过,来自外部的信息存在准确性、实时性及可信度差异,需要建立独立的数据校验机制。
模型决策层负责理解用户目标,并将任务转化为可执行的操作计划。例如,用户提出“寻找流动性较好的稳定币收益机会,并将单一协议敞口限制在总资产的 20%”,Agent 需要识别可用协议、获取收益率及资产流动性数据、评估潜在风险,并生成符合约束的资金配置方案。
交易规划层则将模型输出转化为订单参数或链上操作。这里需要确定交易资产、数量、执行价格、滑点容忍度、目标协议及交易有效期限。对于涉及多步操作的任务,还需要判断不同交易之间的依赖关系,并处理部分成交或交易失败等异常状态。
权限与风控层承担独立校验职责。模型生成的指令不能直接被视为已获得合法授权的交易请求。系统应在执行前验证用户身份、资金范围、资产白名单、订单额度和风险敞口,并根据风险等级决定是否需要再次获得用户确认。
执行与反馈层负责向交易所或链上协议提交订单,持续读取成交状态,并将实际交易结果反馈给系统。由于订单可能发生延迟成交、部分成交、交易撤回及链上交易失败等情况,Agent 需要基于实际成交状态更新持仓,避免因重复执行产生意外风险敞口。
上述架构还涉及一个容易被忽略的问题:策略决策与订单执行应当具有不同的系统权限。 模型可以生成交易建议,但最终资金操作需要经过独立校验。对高风险金融业务而言,将风控逻辑完全交由语言模型判断,容易使策略错误进一步转化为资金损失。
Agentic Trading 的运行依赖大量外部工具。模型本身无法直接获取实时资产余额,也不能仅依靠文本输出完成链上转账。行情接口、钱包服务和交易执行系统必须通过明确的工具规范向 Agent 开放操作能力。
MCP(Model Context Protocol)提供了一种标准化连接方式,使兼容的 AI 应用能够发现和调用外部工具。2026 年 7 月 28 日发布的新版本规范进一步调整协议结构,并强化授权、扩展及多轮请求等能力。虽然 MCP 属于通用 AI 基础设施,其发展能够降低不同交易服务与 Agent 框架之间的连接成本。
对于加密交易应用而言,标准化工具连接具有三个方面的价值。
第一,减少重复开发。开发者可以通过标准化工具接入行情、钱包及交易服务,无须为每一种模型单独构建完整适配系统。这有利于交易基础设施向更多 Agent 产品开放。
第二,提高功能组合能力。单个 Agent 可以同时调用市场数据查询、智能合约分析、资产余额读取及订单执行工具,并根据任务需要组织操作顺序。交易任务的复杂度由固定脚本转向动态工作流管理。
第三,扩大第三方开发者生态。项目方能够将自身协议功能封装为工具,供不同 Agent 应用调用。对于交易基础设施服务商而言,接口稳定性、调用成本和开发体验可能逐渐成为获取开发者的重要因素。
Skills 则提供了一种更贴近具体任务的能力封装方式。交易 Skill 可以包含接口调用方法、订单参数说明、执行流程及异常处理要求,使 Agent 能够按照预先定义的步骤完成相应任务。
两类工具能够相互配合,但其安全边界需要分别管理。一个交易 Skill 即使包含详细的操作指令,也不应获得超出用户授权范围的资金权限。标准化工具调用能够提高执行便利性,同时也可能扩大错误指令或恶意输入的传播范围。
传统钱包的产品设计主要围绕用户主动操作展开。交易者需要查看资产、连接应用、确认交易信息并完成签名。Agentic Trading 引入持续运行的自动化任务后,钱包需要处理新的授权需求。
例如,用户希望 Agent 每小时检查一次组合比例,并在偏离目标配置超过一定幅度时执行再平衡。如果每笔交易都要求用户重新签名,自动化程度将受到明显限制;如果将钱包全部操作权限长期授予 Agent,资产又可能面临较高风险。
Agent 专用钱包通过受限授权解决这一矛盾。用户能够将有限资金分配至独立账户,并设置交易额度、代币范围、协议白名单、会话期限及异常终止条件。Agent 在这些规则内进行操作,超出授权范围的指令需要被拒绝或提交额外审批。
当前行业产品已经开始提供独立账户、支出限制、自动签名、实时监控和操作记录等能力。部分方案还引入交易模拟与风险扫描,以降低恶意合约交互及异常交易的发生概率。
钱包在 Agentic Trading 中承担的职能因此有所扩展。除资产存储和交易签名外,还需要管理 Agent 身份、授权状态、交易规则及安全审计。
对于钱包服务商而言,用户授权关系可能构成长期竞争优势。用户一旦将资产、交易权限及风险配置集中在某一钱包体系中,迁移至其他 Agent 服务可能需要重新设置权限、核对资产和建立信任关系。不过,授权关系是否形成较强用户黏性,还取决于钱包能否提供稳定的执行体验及具备竞争力的交易成本。
Agentic Trading 的另一项基础需求是机器支付。一个负责复杂交易策略的 Agent,可能需要购买实时链上数据、调用专业风险模型、获取付费研究内容或使用第三方计算服务。
传统互联网支付流程通常涉及账户注册、人工确认及支付信息管理,难以直接嵌入连续运行的自动化任务。x402 协议基于 HTTP 402 状态码,将支付要求纳入客户端与服务端之间的交互流程。服务端可以返回资源价格与支付条件,客户端根据授权完成支付,再获取所需资源。
对于交易 Agent 而言,这类机制可以支持按次购买行情数据、风险分析结果或其他专业服务,减少为每项服务单独维护充值账户及支付流程的需求。
但 x402 与交易订单执行属于不同层面的技术。支付协议解决机器与服务之间的价值交换,交易执行仍需依赖相应交易平台、钱包或智能合约。x402 的应用扩大也不必然对应交易量增长,二者之间需要通过实际业务场景建立联系。
从长期业务结构看,机器支付可能形成独立于交易手续费的收入来源。数据提供商、计算服务商及策略服务商能够按调用次数收费,Agent 开发者也可以根据用户使用量向上游购买服务。
不过,支付协议的广泛采用需要兼容性、支付成本及安全机制共同支持。如果单次服务价格较低,网络费用和支付失败率将直接影响使用体验;如果 Agent 频繁调用高成本服务,还需要设置每日支付预算及异常消费限制。
投资组合管理是 Agentic Trading 较容易形成长期需求的场景之一。用户可以设置目标资产比例、允许的偏离范围、最大回撤限制及再平衡频率,由 Agent 负责监控持仓并执行相应操作。
假设用户持有 BTC、ETH 和稳定币,目标配置分别为 40%、30% 和 30%。在市场价格变化后,实际配置可能偏离目标比例。Agent 可以读取资产余额与市场价格,根据用户设置的偏离阈值判断是否需要交易,再通过交易接口进行再平衡。
这一过程可以由传统量化程序完成,但 Agent 能够进一步处理自然语言目标及外部限制条件。例如,当用户要求提高流动性储备、限制单一资产风险或暂时停止某类交易时,系统能够将这些要求转化为新的执行约束。
Agent 还可以针对不同账户或网络整合资产信息,为用户提供统一的组合管理界面。不过,资产跨平台分布会增加权限管理和数据同步难度。尤其在涉及杠杆账户、质押资产及链上借贷头寸时,仅根据钱包余额计算风险敞口容易产生偏差。
这一场景的商业价值主要来自长期资产管理关系。与一次性交易工具相比,持续运行的组合管理 Agent 更容易形成订阅需求或资产管理服务收入。但用户愿意支付多少费用,取决于产品能够带来的实际便利、风险控制效果和长期使用可靠性。
加密资产的流动性分布于不同交易平台、DEX 和区块链网络。同一种资产在不同市场可能存在报价差异,实际成交成本还受到交易深度、手续费、滑点及网络费用影响。
Agent 可以同时查询多个交易场所,根据目标数量和用户设定的约束选择执行路径。例如,一笔较大规模的代币兑换可能通过单一流动性池完成,也可能拆分至多个交易场所,以降低价格冲击。
对于普通用户而言,这类流程通常需要手动比较多个平台。Agent 能够将查询、报价和执行组织为连续操作,降低交易操作复杂度。
但在交易执行层面,Agent 的效果不能仅通过报价改善幅度衡量。交易报价具有时效性,链上交易可能受到抢跑、三明治攻击、价格波动及区块拥堵影响。不同平台之间还存在资金划转时间、账户限制和成交规则差异。
因此,Agent 对多市场交易的贡献主要取决于能否提高实际成交质量,而成交质量需要以最终成交价格、完整费用和执行成功率评估。
在这一场景中,DEX 聚合器、报价网络、专业做市商及交易执行协议可能获得新增订单请求。Agent 能够提高询价和比价频率,但平台是否因此获得新增收入,还需要观察真实成交额及执行费用。
DeFi 提供了大量适合自动化执行的金融操作,包括借贷头寸调整、抵押率监控、流动性管理、收益再配置及风险敞口管理。
例如,用户在借贷协议中使用加密资产作为抵押品。Agent 可以持续读取抵押率、资产价格和清算阈值,在预设条件触发时提醒用户,或在获得授权后执行部分还款及补充抵押品操作。
对于流动性提供者,Agent 可以监控资金池价格区间、手续费收入及仓位变化,并依据规则调整流动性头寸。对于稳定币资产管理,Agent 可以比较不同协议的收益率、提款限制及风险参数,按照用户设置的风险等级进行资金配置。
这些场景存在较明确的自动化需求,但也具有较高风险。借贷协议可能发生预言机异常、清算拥堵及智能合约故障;流动性策略需要考虑无常损失、手续费收入及调整成本;高收益协议还可能面临资产脱锚及流动性不足。
Agent 的应用不能消除底层协议风险。如果系统根据错误数据或不完整的风险模型进行调仓,自动化执行还可能扩大损失。
从行业发展角度看,DeFi Agent 产品的竞争指标应包括风险事件中的执行表现、极端行情下的响应能力、净收益水平及用户资金损失控制能力,而非单纯统计自动化交易次数。
传统条件订单允许用户设置价格、成交量或其他触发规则。Agent 可以将这一能力扩展至多条件交易和任务组合。
例如,用户希望在价格波动率下降、资金费率回归正常区间且交易深度满足要求时建立仓位。Agent 可以同时监控相关指标,在条件满足后生成订单,并根据预设资金比例执行。
自然语言交互降低了创建复杂策略所需的技术门槛。用户无须直接编写脚本,也能够描述包含多个条件的交易目标。
然而,自然语言具有一定模糊性。用户提出“适当降低仓位”或“在风险较小时增加配置”,可能对应不同的数量和风险标准。如果系统未在执行前明确这些参数,容易产生与用户预期不一致的交易。
因此,Agent 需要将模糊描述转换为明确且可验证的执行规则,并向用户展示交易资产、最大金额、触发条件及风险限制。对于高杠杆和高波动资产,交易规则的确定性尤其重要。
在策略开发层面,Agent 还可以协助完成历史回测、参数优化和绩效分析。但历史回测存在过拟合及幸存者偏差,策略生成能力改善也不意味着未来收益稳定。
当交易任务涉及多类数据与协议时,单个 Agent 可能难以兼顾信息分析、风险管理和订单执行。多 Agent 架构允许不同智能体承担专门职责。
例如,研究 Agent 负责市场数据与事件分析,策略 Agent 负责生成候选交易方案,风险 Agent 负责检查资金敞口,执行 Agent 则负责提交订单并监控成交状态。
专业化分工能够降低单个模块承担的任务复杂度,也便于为不同角色设置独立权限。研究 Agent 无须拥有资金转移权限,执行 Agent 则只能处理经过授权的订单。
但多 Agent 架构也会引入额外成本,包括模型调用费用、信息传递延迟、状态同步及异常处理。不同 Agent 之间还可能出现判断冲突,增加系统治理难度。
对于频繁执行的交易策略,若复杂模型调用带来的延迟超过其决策收益,传统规则引擎可能具有更高效率。因此,行业中较可行的架构可能采用混合方式:由大模型负责目标理解及策略规划,由确定性程序负责高频计算、风险校验和订单执行。
现有加密交易产品主要通过网站、移动应用及 API 提供服务。普通用户通常通过交易界面查看行情、选择资产并提交订单,专业交易者则更多使用 API 和自动化程序。
Agentic Trading 为用户提供了另一种交互方式。用户可以围绕资金管理目标发起请求,由 Agent 负责识别需要使用的交易工具及执行路径。
在这一模式中,用户与具体交易页面之间的直接交互频率可能下降。对于交易场所而言,订单来源可能更多地表现为程序化调用,交易流量的获取方式也会发生相应变化。
但不同用户群体的行为变化可能存在明显差异。专业量化交易者已经拥有成熟的自动化执行系统,对自然语言界面的需求相对有限。对于缺乏编程经验、同时需要操作多个金融协议的普通用户,Agent 可以减少工具使用难度。对于长期投资者,自动化组合管理则可能比高频策略执行具有更高使用价值。
因此,Agentic Trading 的新增用户需求可能首先出现在操作复杂、执行频率适中且风险规则能够明确表达的场景中。
钱包在传统链上交易中主要承担账户管理、资产展示和签名功能。部分钱包已经通过内置兑换、跨链桥及 DApp 聚合形成交易入口,并通过路由服务和相关手续费获得收入。
引入 Agent 后,钱包能够进一步管理自动化交易授权及任务执行。用户可以通过钱包建立 Agent 账户、设置资金范围和风险参数,再由 Agent 选择具体交易场所。
这一结构可能提高钱包对交易路径的影响力。由于钱包能够掌握用户资产情况、授权状态及交易需求,其内置路由系统有机会在订单分发过程中发挥更大作用。
不过,钱包能否持续掌握用户关系取决于 Agent 的部署方式。如果用户选择独立的第三方 Agent 应用,并通过标准化接口调用不同钱包,那么上层 Agent 也可能掌握主要交互入口。此时,钱包更多承担账户和签名基础设施职能。
因此,钱包与 Agent 应用之间可能形成两类竞争模式:一类是钱包将 Agent 能力直接整合至自身产品,另一类是独立 Agent 使用多个钱包和交易服务完成操作。
前者更容易利用已有用户基础和资产管理关系,后者则具有跨平台选择的灵活性。随着接口逐步标准化,产品之间的竞争可能更多体现为交易质量、资金安全、使用成本和可支持的服务范围。
Agentic Trading 可能增加自动化交易系统对 DEX 的调用需求。特别是在跨资产兑换、仓位再平衡和多协议交易场景下,链上流动性具有开放接入的优势。
然而,Agent 可以比较多个交易场所的报价,单一 DEX 未必能够持续获得订单。对于执行系统而言,流动性深度、价格冲击、网络成本、交易成功率及最终成交质量通常比品牌认知更具有直接影响。
这可能进一步提高 DEX 之间的流动性竞争强度。具备较深交易池、较稳定报价及较低交易摩擦的协议,更容易进入 Agent 的候选执行路径。
对于长尾资产而言,部分代币缺乏集中化交易渠道,链上市场仍然具有较高不可替代性。Agent 能够降低用户查询和操作长尾资产的难度,但也可能增加低流动性市场中的价格冲击及异常交易风险。
此外,自动化执行可能促进基于交易意图的订单路由机制发展。用户或 Agent 提供目标资产、交易数量和价格约束,由专业执行者竞争完成订单。
目前,链上交易已经存在通过竞价和专业执行者完成订单的机制。以 UniswapX 为例,交易者可以提交包含交易约束的签名订单,由执行者竞争提供流动性并完成结算。Agent 可以作为上层交易决策与订单生成工具,与这类执行基础设施结合。
在这一结构下,Agent 未必需要自行构建最优交易路径,而是可以将订单提交给专业执行网络。订单生成、交易路由、流动性提供和最终结算形成更明确的分工。
随着交易工具接入更加标准化,Agent 能够同时比较多个交易聚合器及执行服务。对交易量较大的用户而言,执行成本的微小变化都可能产生显著影响。
交易聚合器可以通过整合多个流动性来源,减少用户逐个查询交易池的需要。Agent 的加入可能增加询价需求,并提高复杂订单的路由频率。
不过,询价次数与实际成交额之间需要区分。Agent 为寻找最优路径可能连续调用多个报价接口,但最终仅选择其中一条路径执行。如果将全部询价活动计入交易需求,将高估实际经济规模。
执行网络的竞争还可能受到专业做市商参与程度影响。对于较大规模订单,专业做市商可以利用库存及跨市场对冲能力提供报价;对于小额交易,直接通过流动性池执行可能更有效率。
从商业模式看,交易聚合器的潜在收入包括订单服务费、路由手续费及其他增值服务收入。执行者则需要在成交价格与风险成本之间获取合理利润。
当 Agent 能够自动比较价格时,交易服务的定价透明度可能提高,部分中间服务的利润率也可能面临压力。因此,自动化需求扩大与单笔交易盈利能力下降可能同时出现。
Agentic Trading 并不必然使交易需求全部流向链上。中心化交易平台在订单簿流动性、衍生品产品、交易撮合效率以及账户服务方面仍然具有竞争优势。
对于高频策略、较大规模订单及复杂衍生品管理,成熟的交易 API 可以为 Agent 提供较直接的执行渠道。对于需要跨现货和衍生品进行组合管理的用户,统一账户体系也具有一定便利性。
同时,Agent 交易需要稳定的资金管理及风控能力。平台可以通过权限受限的 API、独立子账户及交易限额支持自动化操作,降低直接暴露主要账户权限的风险。
链上协议则在开放接入、交易透明度、可组合性及资产控制方式方面具有特点。未来 Agent 可能根据不同任务选择中心化或去中心化执行路径。
对于交易平台而言,Agent 的普及可能增加程序化交易比例,促使平台优化 API 稳定性、订单接口、策略服务和授权管理体系。对于钱包及链上应用而言,则需要改善流动性聚合、交易模拟及风险监控能力。
最终竞争格局将取决于各类基础设施能否为用户提供稳定且成本合理的交易服务。
Agentic Trading 的发展可能增加交易调用次数、自动化订单数量及链上交互频率,但这些指标不能直接用于衡量其经济价值。
首先,需要区分新增交易规模与原有交易需求迁移。如果用户原本通过手动方式完成的交易改由 Agent 执行,交易执行方式发生变化,但市场整体成交额未必增加。只有 Agent 降低交易门槛、创造新的交易场景或提高有效交易频率,才可能形成增量成交。
其次,需要区分交易量与手续费。即使 Agent 相关成交额较高,若大部分交易发生在低费率市场,或者平台为了争夺 Agent 流量采取费用减免措施,实际收入增长可能较为有限。
第三,需要区分用户支付的费用与协议保留的收入。DEX 的交易手续费可能由流动性提供者、协议金库及其他参与者分配,聚合器也可能将部分收入用于路由奖励及合作渠道分成。
最后,需要区分协议收入与代币持有人收益。即使协议产生可观现金流,如果代币缺乏明确的费用分配、回购或销毁机制,业务增长也未必直接传导至代币经济价值。
根据 DefiLlama 的指标定义,Fees 对应用户支付的总费用,Revenue 为协议实际保留的收入部分,而 Holders Revenue 则用于衡量通过回购、销毁或其他机制传递给代币持有人的经济收益。研究 Agentic Trading 的投资价值时,需要按照同样原则区分不同收入层级。
为了评估 Agentic Trading 的潜在市场空间,本报告采用自下而上的测算方法,以活跃 Agent 用户数量、用户平均资金规模及月度交易周转率为主要变量。
计算公式如下:V = N × A × T × 12
其中:
V:年度 Agent 驱动的交易额
N:月均活跃 Agent 交易用户数量
A:单个用户平均参与交易的资金规模
T:每月交易额相对于资金规模的周转倍数
例如,假设某一阶段市场拥有 100 万名活跃 Agent 交易用户,平均每名用户投入 5,000 美元资金,每月交易周转率为 2 倍,则年度交易额约为 1,200 亿美元。
需要说明的是,年度交易额包含资金反复周转形成的成交规模,与实际托管资产总额不同。上述测算也不代表对 2026 年市场规模的统计结果,而是用于观察不同用户采用率及交易行为下的潜在业务空间。
从测算结果看,用户规模与资金周转率对总交易额具有较大影响。Agent 交易产品如果能够覆盖长期组合管理、条件交易及链上资产再平衡等场景,可能通过重复执行形成较高的交易周转规模。
但高交易频率也可能增加成本。如果 Agent 每次调整仓位都需要支付手续费、滑点及网络费用,过度交易可能降低用户收益。因而,较高资金周转率不能直接视为较高产品价值。
在实际商业化过程中,还需要考虑用户行为分布。少数专业用户可能贡献较大部分成交额,大量普通用户则可能仅在特定情况下使用 Agent。平均资金规模与交易频率之间也可能存在相关性,直接将多个乐观假设相乘容易高估市场空间。
此外,Agent 交易需要与现有程序化交易需求进行去重。部分量化用户可能只是更换交易接口,或将已有自动化程序包装为 Agent 产品,这类活动无法全部计入新增市场。
假设 Agent 交易通过钱包或聚合器完成,并由相关服务商按照成交额收取一定比例的费用,则可建立以下模型:R = V × S × F
其中:
R:服务商年度交易收入
V:Agent 驱动的年度交易额
S:服务商承接的交易份额
F:服务商实际保留的平均收费率
以中性情景的 1,200 亿美元年度交易额为例,假设某一钱包或交易聚合器能够承接其中 10% 的交易规模,即 120 亿美元,并实现 3 bps 的平均净收入率,则其年度交易相关收入约为 360 万美元。
如果承接份额扩大至 20%,净收入率保持不变,对应收入约为 720 万美元。
这一测算揭示了 Agent 流量入口的商业化难点。即使 Agent 相关交易规模较大,单一服务商的收入仍然受到交易份额与净收费率限制。
另外,3 bps 的假设应理解为服务商实际保留的收入率,不包括需要支付给流动性提供者、执行者和其他合作方的费用。若使用总手续费率进行测算,还需要扣除相关分成及运营成本。
对钱包而言,潜在商业模式可能包括交易路由收入、高级自动化服务订阅费、数据分析服务,以及面向开发者的基础设施收费。
对聚合器而言,订单路由质量和流动性覆盖能力影响其交易份额,而协议费率和执行成本则决定单位成交额的收入贡献。
由此,Agent 相关交易需求的增加可能为交易服务带来新增收入,但并非所有能够接入 Agent 的基础设施都具有同等受益程度。
DEX 的经济价值可以从交易量与协议费用两方面进行分析。
假设某 DEX 承接了 100 亿美元的 Agent 驱动年度成交额,综合交易手续费率为 20 bps,则用户对应支付的交易手续费约为 2,000 万美元。
但这笔费用并不全部归属于协议。假设其中 20% 能够以协议收入形式保留,则对应年度协议收入为 400 万美元。
若协议进一步将其收入的 25% 通过某种明确机制分配给代币持有人,则相关年度价值分配约为 100 万美元。
这里使用的费率、收入分成及持有人分配比例均为情景假设,不能直接套用于具体 DEX。不同协议的费用结构及治理机制存在较大差异,部分协议可能缺乏直接的代币收入分配路径。
从投资研究角度,分析 DEX 时应优先确认以下因素:Agent 是否带来实际新增成交、协议能否持续承接订单、流动性成本是否具有竞争力、协议是否保留收入,以及代币是否具备明确的价值捕获机制。
如果 Agent 的引入导致交易量增长,但协议为了竞争而降低收费率,业务规模增长可能无法充分转化为利润。若大量 Agent 订单通过竞价执行网络完成,部分经济收益也可能被专业做市商和执行者获取。
因此,DEX 收益分析需要同时考虑交易量增长与竞争导致的费用压缩。
除交易手续费外,Agentic Trading 还可能形成面向用户的订阅服务。
这类服务可以包括自动化资产管理、专业策略分析、复杂交易工作流、持续风险监控及高级数据服务。用户支付固定订阅费用,或根据实际调用量购买相关能力。
假设某 Agent 交易服务拥有 20 万名付费用户,每名用户每月支付 15 美元,则其年度订阅收入约为 3,600 万美元。
对于低频交易用户而言,订阅收入可能比交易分成更加稳定。对于高频用户,按交易量或服务使用量收费则能够更好地反映基础设施消耗。
但 Agent 服务的运营成本需要特别关注。复杂策略可能涉及多次模型推理、实时行情数据订阅、链上查询、交易模拟及风控计算。如果单位用户使用成本较高,订阅收入未必形成较高利润。
例如,当用户每月支付 15 美元,而模型调用、数据服务及基础设施成本达到 10 美元时,服务商仅剩 5 美元用于覆盖其他运营费用。产品如果采用过度宽松的无限调用模式,活跃用户增长也可能导致成本快速扩大。
因此,Agent 服务商需要建立合理的任务分层机制。简单监控任务可以由低成本规则引擎执行,复杂分析再调用推理模型,以控制整体服务成本。
Agentic Trading 相关项目可能发行用于治理、服务支付或激励的代币,但代币用途与经济价值之间需要建立可验证的联系。
从潜在机制看,代币价值捕获主要包括三类路径。
第一类是费用分配。协议将一部分实际收入分配给符合条件的代币持有人,形成与业务收入相关的收益渠道。
第二类是回购及销毁。协议使用经营收入在市场购买代币,并通过持有、销毁或其他机制影响流通供应。
第三类是服务使用需求。代币用于支付某些必要的服务费用,或参与网络安全与资源分配。但如果支付需求可以通过稳定币或其他资产替代,则需要谨慎评估其对代币价格的影响。
对 Agentic Trading 项目而言,市场可能将 Agent 调用次数、交易规模及开发者数量作为估值依据,但这些指标与代币价值之间往往存在多层传导关系。
如果协议可以通过稳定币收取费用,而代币仅拥有治理功能,则业务增长未必直接产生代币买入需求。如果代币存在较高解锁压力,新增收入也可能不足以抵消供应扩张的影响。
因此,在具体项目研究中,需要将产品采用率、协议收入、代币价值捕获和代币供给变化分开建模,避免直接以业务增长率推导代币价格增长率。
Agentic Trading 涉及多个技术及商业环节,但不同环节的竞争壁垒和收入模式存在明显差异。
从竞争结构分析,应用层直接接触用户,具有产品交互与品牌方面的优势,但模型及工具接口逐步标准化可能降低部分产品的技术门槛。若产品缺乏专有数据、成熟策略或稳定的资产管理能力,长期用户留存可能受到影响。
钱包层掌握资金账户及授权关系,对安全性和稳定性的要求较高。用户需要信任钱包的权限管理机制,并了解异常交易情况下的资金风险。经过长期验证的资金管理系统可能具备一定竞争优势,但其收入增长仍依赖实际用户采用程度。
DEX 与执行网络能够直接承接交易需求,收入与成交规模之间具有较明确的联系。然而,这些环节已经存在成熟竞争,新增 Agent 流量可能被多个服务商共同分配。
数据与安全基础设施具有一定的专业化特征。高质量市场数据、交易模拟、合约风险识别及可靠执行监控可能成为 Agent 产品长期运行的必要条件。其商业价值可以通过付费调用、企业服务及技术授权体现。
机器支付基础设施的业务空间则取决于 Agent 是否能够形成持续的付费服务消费。协议的广泛集成可以改善使用便利性,但基础协议采用率并不能直接代表某一参与者获得较高收入。
在各环节之间,掌握用户需求的产品负责产生订单,具有流动性和执行能力的基础设施负责完成订单,能够明确收费并保留收入的参与者才具备更直接的经济价值捕获路径。
未来产业链中可能出现多个同时受益的环节,但竞争优势仍然取决于服务质量、成本结构及商业模式的实际表现。
传统 AI 分析工具出现错误时,用户通常仍然有机会审查结果。Agent 具备自动交易权限后,错误的市场判断、参数生成或工具调用可能直接影响真实资金。
语言模型可能错误识别交易资产、误读行情信息、计算不准确的仓位比例,或者在处理复杂任务时遗漏用户约束。即使模型整体准确率较高,金融交易中的低概率错误也可能产生较大的资金损失。
例如,Agent 将某项资产的报价单位识别错误,可能造成交易数量偏差;如果系统未对价格、数量和账户余额进行独立校验,错误参数就可能进入执行环节。
此外,模型输出具有一定随机性。对于同一市场条件,不同调用结果可能产生不同策略建议,这会降低交易行为的可预测性。
因此,Agentic Trading 需要通过确定性风险规则限制模型操作范围。关键交易参数必须经过程序化校验,涉及较大资金规模或高风险资产的操作应当设置额外审批机制。
Agent 需要读取大量外部信息,包括市场公告、项目文档、社交媒体内容及第三方接口返回的数据。这些数据可能包含恶意指令,试图影响 Agent 的交易行为。
例如,攻击者可以在外部网页中嵌入伪装为系统指令的文本,诱导 Agent 调用资金转移工具,或者修改原有交易目标。如果 Agent 无法区分可信指令和不可信内容,就可能错误执行未经用户授权的操作。
OWASP 于 2025 年末发布面向 Agentic AI 的风险框架,将自主智能体的权限管理、工具使用及外部信息安全纳入重点关注范围。2026 年相关安全事件分析进一步显示,Agent 身份、任务编排及软件供应链已成为攻击者关注的方向。
对于涉及资金操作的 Agent,应采用最小权限原则,并将交易授权、身份验证与外部信息处理相隔离。所有敏感操作都应由独立安全组件校验,避免模型根据外部文本自行调整权限。
同时,Agent 使用的 Skills、插件及第三方工具也需要接受安全审查。恶意工具可能通过虚假接口、篡改交易参数或泄露敏感凭证造成损失。
Agent 能够持续监控市场并执行策略,但频繁交易未必提高组合收益。
对于链上资产管理,手续费、滑点、网络费用及价格冲击会在多次操作中不断累积。如果 Agent 根据短期价格波动反复调整持仓,最终成本可能超过策略收益。
例如,一个年化毛收益为 12% 的策略,如果交易费用、资金成本及其他执行损耗合计达到 8%,其净收益空间就会明显收窄。如果再考虑模型调用成本及潜在税费,实际经济效果可能进一步下降。
因此,Agentic Trading 产品需要建立完整的成本核算体系,包括交易前成本预测和交易后实际费用评估。
对于高频交易策略,执行延迟同样重要。语言模型推理通常涉及额外计算过程,如果模型参与每一次订单决策,可能无法满足对延迟要求较高的交易场景。
在此类应用中,采用传统交易算法负责实时执行、由 Agent 进行较低频率的策略管理,可能具有更好的成本与效率表现。
Agent 可以简化 DeFi 操作流程,但无法消除智能合约漏洞、预言机失效、流动性枯竭和资产脱锚等风险。
如果 Agent 自动将资金转入高收益协议,而其风险评估主要依据历史收益率,可能无法充分识别底层资产、智能合约及资金池结构中的风险。
此外,自动化交易可能引发策略集中。当多个 Agent 使用相似数据源、模型或交易策略时,可能在同一市场条件下同时进行买卖操作。
这种行为可能增加短期流动性压力,并在市场波动较大时形成反馈效应。特别是在杠杆交易和低流动性资产中,集中执行可能放大价格冲击。
对于 Agent 资产管理产品,风险控制应覆盖单一资产、单一协议、跨链资产及整体投资组合,并为异常市场环境设置暂停机制。
Agentic Trading 涉及自动化交易、投资建议、资金管理及数字资产托管等多个业务领域。不同司法辖区对相关活动的监管要求存在差异。
如果产品只是帮助用户查询行情并生成交易建议,其合规要求可能与直接管理用户资金的服务不同。如果 Agent 可以自主决定投资标的并执行交易,则可能涉及投资服务、资产管理或其他受监管业务的认定。
此外,自动化系统发生错误时,责任划分也具有复杂性。需要判断损失源于用户授权设置、模型判断、软件故障、交易接口异常还是底层智能合约风险。
对于面向普通用户的产品,授权条款、风险披露及交易记录保存将成为重要的运营环节。
行业参与者还需要关注跨境服务、反洗钱要求、用户身份识别及自动化交易行为监测等事项。产品能够通过技术手段完成交易,并不代表其在所有市场均具备提供相关金融服务的资格。
Agentic Trading 仍处于产品验证阶段,市场容易将技术能力扩展与商业收入增长联系起来。
但当前产品功能的广泛推出,并不代表用户已经形成长期稳定的交易习惯。大量 Agent 调用可能来自开发测试、策略模拟或短期体验活动。
对于投资研究,需要警惕缺乏明确商业收入的项目,仅通过合作公告、工具接入数量或概念叙事获得较高估值。
尤其需要关注产品实际活跃资金、付费用户留存、单位经济模型和代币价值捕获机制。如果相关指标未能改善,Agentic Trading 的技术进展可能难以在短期内转化为相应投资回报。
展望后续发展,Agentic Trading 已经具备较明确的基础技术条件。大语言模型能够理解复杂交易目标,标准化工具接口提供外部服务连接,专用钱包支持有限资金授权,交易 API 和链上协议则负责具体执行。
但行业能否形成成熟的交易服务市场,还需要进一步验证安全性、用户需求与经济收益。
首先,资金权限管理将决定用户采用程度。 对普通用户而言,降低交易操作复杂度具有吸引力,但资产安全始终是重要约束。未来产品需要将独立账户、支出限制、交易模拟及异常审批融入常规操作流程。只有在用户能够清晰理解授权范围,并且可以随时调整或撤销权限的情况下,自动化交易才更容易获得广泛采用。
其次,交易执行质量将决定产品使用价值。 Agent 能够生成策略和提交订单,仅代表交易工作流具备基础能力。交易用户最终关注实际成交价格、净收益、风险水平和系统稳定性。能够稳定处理复杂订单、减少不必要交易并提供可靠风险控制的产品,更容易形成长期用户关系。
最后,收入与价值捕获机制将决定投资机会的持续性。 交易平台、钱包、DEX、数据服务商和 Agent 应用均可能参与这一市场,但其收入来源与竞争壁垒并不相同。对于钱包及交易聚合器,需要观察订单承接份额与净收入率;对于 DEX,需要关注真实增量成交及协议费用分配;对于 Agent 应用,需要验证付费用户、使用成本及留存表现;对于代币项目,则需要进一步判断协议收入与代币经济模型之间的关系。
我们认为,Agentic Trading 在未来一段时间内更可能沿着具体金融场景逐步渗透,优先落地于组合再平衡、条件订单、跨协议资产管理及自动化风险监控等任务明确、执行规则可验证的场景。高度自主的投资决策和大规模资金管理仍需要更充分的技术验证与风险管理能力。
从竞争格局看,标准化工具接口可能降低不同 Agent 与交易平台之间的集成成本,促使订单在更多交易场所之间流动。钱包及 Agent 应用对用户需求和授权关系的掌握程度,将影响交易流量的分配;流动性质量、交易成本和执行可靠性则将影响底层交易场所的订单承接能力。
随着相关能力逐步进入日常交易产品,行业研究需要从功能发布转向经营指标验证。Agent 发起的真实成交额、授权账户的活跃资金、订单执行质量、单位用户净收入及风险事件发生率,将成为衡量市场进展的重要指标。
2026 年以来,Agentic Trading 的发展重点逐步集中于实际资金操作能力。专用 Agent 钱包、自然语言交易、标准化工具接口和机器支付协议的落地,使 AI Agent 能够参与更多加密金融活动。行业产品已经覆盖资产查询、交易规划、订单执行及持续监控等环节,为自动化交易服务提供了较完整的技术基础。
从产业角度看,Agentic Trading 可能改变用户访问交易服务的方式,并对钱包、交易平台、DEX 和交易执行网络之间的竞争关系产生影响。用户能够将资金管理目标交由 Agent 处理,底层系统则需要根据授权和交易条件选择执行路径。这一变化可能提高程序化订单占比,扩大交易基础设施的服务范围,同时加剧不同执行渠道之间的价格与流动性竞争。
不过,Agentic Trading 的经济价值仍需要通过真实业务数据验证。自动化交易调用次数增加,未必形成同等规模的新增成交;成交额扩大,也未必带来相应的协议收入和代币价值增长。资金规模、交易周转、手续费率、净收入留存及代币价值分配机制,需要在具体项目分析中分别测算。
综合来看,Agentic Trading 的中期投资价值主要集中于三个方向:具备用户授权和资金管理能力的钱包基础设施、能够以较高执行质量承接订单的交易与流动性网络,以及能够通过持续付费需求获得收入的 Agent 应用和数据服务。
行业后续发展的关键,在于 Agent 能否在风险可控的前提下,为用户提供稳定、低成本且具有实际使用价值的交易服务。若相关产品能够持续积累真实资金、提高交易执行效率并建立明确的收费模式,Agentic Trading 将逐步形成具有独立经济价值的加密金融应用市场。
Coinbase, https://www.coinbase.com/en-gb/developer-platform/discover/launches/agentic-wallets
Metamask, https://metamask.com/zh-CN/news/introducing-metamask-agent-wallet
Model Context Protocol Blog, https://blog.modelcontextprotocol.io/posts/2026-07-28
x402, https://x402.org/
Uniswap, https://developers.uniswap.org/docs/liquidity/uniswapx/overview
DefiLlama, https://defillama.com/data-definitions
GenAI, https://genai.owasp.org/2025/12/09/owasp-genai-security-project-releases-top-10-risks-and-mitigations-for-agentic-ai-security
Gate 研究院是一个全面的区块链和加密货币研究平台,为读者提供深度内容,包括技术分析、热点洞察、市场回顾、行业研究、趋势预测和宏观经济政策分析。
加密货币市场投资涉及高风险,建议用户在做出任何投资决定之前进行独立研究并充分了解所购买资产和产品的性质。 Gate 不对此类投资决策造成的任何损失或损害承担责任。





