1. 项目概述当Starknet遇上智能体最近在探索Starknet生态时我偶然发现了一个名为starknet-agentic的开源项目。这个项目来自keep-starknet-strange组织光看名字就很有意思——“保持Starknet的奇异性”。它本质上是一个为Starknet区块链设计的智能体Agent框架。简单来说它试图将当下AI领域火热的“智能体”概念引入到Starknet这个Layer 2的ZK-Rollup生态中让代码不仅能执行预设逻辑还能具备一定的自主决策和任务执行能力。这听起来有点抽象但背后的想象空间巨大。在传统的区块链交互中无论是DeFi操作、NFT铸造还是资产管理都需要用户手动发起交易、签名确认。而starknet-agentic框架的目标是构建能够理解用户意图、自动规划并执行链上复杂操作的智能程序。比如你可以告诉一个智能体“帮我监控ETH/USDC的流动性池当价格低于某个阈值时自动将10%的资产进行兑换并添加流动性。” 剩下的规划、监控、交易构建和发送都可以交给这个框架下的智能体去完成。这个项目目前还处于早期阶段但它的定位非常清晰成为Starknet上智能体应用开发的“基础设施”。它提供了一套标准化的组件包括任务规划、工具调用、记忆管理、安全执行等模块开发者可以基于此快速构建专注于特定场景的链上智能体。对于想要在Starknet上探索自动化、智能化应用的开发者来说这无疑是一个值得深入研究的起点。接下来我将从设计思路、核心组件、实操搭建到潜在应用为你完整拆解这个项目。2. 核心架构与设计哲学2.1 为什么是“智能体”架构在深入代码之前我们首先要理解为什么starknet-agentic选择了智能体Agentic架构而不是传统的脚本或机器人。传统的自动化脚本是线性的、确定性的如果A发生则执行B。这种模式在简单场景下有效但面对复杂的、多步骤的链上操作时就显得僵化且脆弱。例如一个跨多个协议的DeFi收益聚合策略可能涉及条件判断、路径计算、滑点容忍度评估和失败重试线性脚本会变得极其臃肿且难以维护。智能体架构的核心思想是赋予程序“感知-思考-行动”的循环能力。starknet-agentic框架正是围绕这一循环构建的感知Perception智能体通过集成的外部数据源如预言机、链上事件监听器和内部状态记忆来获取信息。思考Reasoning/Planning基于目标和感知到的信息智能体进行任务分解和规划。它可能需要调用一个内置的“规划器”模块将“为用户赚取收益”这样的大目标拆解成“查询余额”、“寻找最佳流动性池”、“计算最优路径”、“构建交易”等一系列子任务。行动Action规划完成后智能体调用其可用的“工具”Tools来执行具体操作。在Starknet上下文中工具就是与智能合约交互的函数例如transfer,swap,provide_liquidity等。框架需要负责将高级指令转换为底层的Starknet交易调用。这种架构的优势在于灵活性和适应性。智能体可以根据环境反馈动态调整计划处理非预期情况并通过“记忆”学习优化未来的决策。starknet-agentic的目标就是为Starknet开发者提供实现这一循环所需的标准化“轮子”。2.2 框架核心组件拆解浏览项目代码结构我们可以梳理出几个核心组件它们共同构成了一个智能体的基本骨架智能体Agent核心类这是智能体的“大脑”。它通常包含一个大型语言模型LLM的集成接口用于自然语言理解和任务规划、一个记忆系统用于存储对话历史、工具调用结果和状态、一个工具包Toolkit和一个执行引擎。Agent类负责协调整个感知-思考-行动循环。工具Tools抽象层这是智能体的“手”和“脚”。工具是对外执行能力的具体封装。在starknet-agentic中一个工具可能对应一个Starknet合约的调用。框架会定义标准的工具接口例如execute(parameters) - result。开发者可以轻松地为自己开发的合约或第三方合约创建工具并将其注册到智能体中。例如一个SwapTool可能封装了JediSwap或MySwap的兑换接口。规划器Planner模块这是智能体的“策略中心”。当用户给出一个复杂指令时如“用我一半的ETH购买所有上市的Starknet ID”规划器负责将其分解为可顺序或并行执行的任务序列。规划器可以基于规则Rule-based也可以基于LLMLLM-based。项目初期可能提供一个简单的基于模板的规划器但预留了接入更复杂规划模型如Chain of Thought, ReAct的接口。记忆Memory系统智能体需要有“记忆”才能进行连贯的交互和学习。记忆系统通常分为短期记忆如当前会话的上下文和长期记忆如存储到链上或链下数据库的用户偏好、历史操作记录。starknet-agentic需要设计一种高效的方式在Starknet的高成本存储和智能体对上下文的需求之间取得平衡可能采用链下存储链上存证的方式。安全与执行沙箱Sandbox这是至关重要的“安全阀”。让一个智能体自动操作资产安全是首要顾虑。框架需要提供一个安全的执行环境可能包括交易模拟在发送前预估结果和费用、权限控制智能体只能操作其被授权的资产、支出限制单次或周期内最大交易额以及人工审核拦截点对于高风险操作。这部分的设计直接决定了该框架能否被用户信任。注意在项目早期安全模块可能相对简单。在自行搭建或开发时绝对不要在测试网或主网上为智能体授予过高权限如无限额度的资产操作权。务必从最小权限原则开始并充分进行测试网模拟。3. 环境搭建与基础智能体创建3.1 开发环境准备要开始实验starknet-agentic你需要一个标准的Starknet开发环境。假设你使用Cairo作为智能合约语言并选择Protostar或Scarb作为项目管理和构建工具。首先确保你的系统已安装Rust和Cairo工具链。然后克隆starknet-agentic仓库git clone https://github.com/keep-starknet-strange/starknet-agentic.git cd starknet-agentic查看项目的README.md和Scarb.toml或protostar.toml文件安装所有必要的依赖。由于项目处于活跃开发中依赖项可能更新频繁遇到问题时优先查阅项目Issue和最新文档。接下来你需要一个Starknet测试网节点连接。你可以使用公共RPC节点如Starknet的公共测试网节点但对于频繁的开发和测试建议运行一个本地开发节点如Katana由Dojo团队开发或Starknet-devnet。这能提供最快的反馈和零成本的测试环境。# 例如使用Katana运行一个本地开发网 katana --disable-fee --invoke-max-steps 10000000运行后它会提供两个账户的私钥和RPC地址通常是http://127.0.0.1:5050记下它们后续部署合约和智能体交互时会用到。3.2 构建你的第一个链上工具智能体的能力取决于其工具集。让我们从创建一个最简单的工具开始一个查询账户ETH余额的工具。虽然听起来简单但这涵盖了工具定义、Starknet RPC调用和结果解析的全流程。在starknet-agentic框架中工具通常被定义为一个实现了特定Trait特性的结构体。以下是一个概念性示例具体语法需参考项目最新代码// 伪代码展示概念 use starknet::core::types::FieldElement; use serde::{Deserialize, Serialize}; #[derive(Serialize, Deserialize)] struct BalanceQueryParams { address: String, } struct EthBalanceTool { rpc_url: String, } impl Tool for EthBalanceTool { fn name(self) - String { get_eth_balance.to_string() } fn description(self) - String { 查询指定Starknet地址的ETH余额单位为wei。.to_string() } fn execute(self, params: serde_json::Value) - Resultserde_json::Value, ToolError { // 1. 解析参数 let query: BalanceQueryParams serde_json::from_value(params)?; let addr FieldElement::from_hex_be(query.address).map_err(|_| ToolError::InvalidParams)?; // 2. 调用Starknet RPC的 get_storage_at 或预编译合约的 balanceOf // 这里需要知道ETH合约地址和余额存储的存储键storage key // 假设我们使用一个封装好的RPC客户端 let client RpcClient::new(self.rpc_url); let balance_storage_key calculate_storage_key_for_balance(addr); let eth_contract_addr FieldElement::from_hex_be(0x049d36570d4e46f48e99674bd3fcc84644ddd6b96f7c741b1562b82f9e004dc7).unwrap(); let balance_felt client.get_storage_at(eth_contract_addr, balance_storage_key, BlockId::Tag(BlockTag::Latest)).await?; // 3. 格式化结果 let balance_wei balance_felt.to_string(); Ok(json!({ balance_wei: balance_wei, address: query.address })) } }这个工具定义了一个execute方法它接收JSON格式的参数通过Starknet RPC查询存储并返回结果。你需要将其注册到智能体的工具列表中。实操心得在实现工具时错误处理至关重要。Starknet RPC调用可能因网络、节点状态或合约状态而失败。你的工具应该能捕获这些错误并将其转换为框架能理解的ToolError类型这样智能体才能根据错误决定重试或调整计划。此外工具的描述description字段应尽可能清晰如果框架集成了LLMLLM会依靠这些描述来理解何时以及如何使用该工具。3.3 组装并运行一个简单智能体有了工具之后我们可以创建一个最简单的智能体它不依赖复杂的LLM规划而是执行一个硬编码的任务序列例如“查询我的余额如果大于0.1 ETH则发送0.05 ETH到另一个地址”。首先你需要初始化智能体并为其配备必要的“器官”配置设置RPC URL、账户包含私钥用于签名交易等。工具注册将我们编写的EthBalanceTool和一个TransferEthTool需要另外实现添加到智能体的工具库。记忆初始化可能是一个简单的内存中的哈希表用于记录步骤和结果。执行引擎负责按顺序调用工具并处理工具间的数据传递。// 伪代码展示流程 let mut agent Agent::new() .with_config(AgentConfig { rpc_url: http://127.0.0.1:5050.to_string(), account: my_account, ..Default::default() }) .with_tool(Box::new(EthBalanceTool::new(http://127.0.0.1:5050))) .with_tool(Box::new(TransferEthTool::new(my_account.clone()))) .with_memory(Box::new(InMemoryStore::new())) .build(); // 定义一个简单的、基于规则的任务规划 let task_plan vec![ Task::new(get_balance) .with_tool_name(get_eth_balance) .with_params(json!({ address: my_address })), Task::new(conditional_transfer) .with_condition(|context| { // 从上下文中获取上一个任务的结果 let prev_result context.get_result(get_balance)?; let balance: u128 prev_result[balance_wei].as_str().unwrap().parse().unwrap(); // 条件余额 0.1 ETH balance 100_000_000_000_000_000u128 // 0.1 ETH in wei }) .with_tool_name(transfer_eth) .with_params(|context| { json!({ to: target_address, amount: 50000000000000000 // 0.05 ETH }) }), ]; // 执行任务计划 let execution_result agent.execute_plan(task_plan).await; match execution_result { Ok(report) println!(任务执行成功报告: {:?}, report), Err(e) println!(任务执行失败: {:?}, e), }这个例子虽然简单但它演示了智能体框架的核心工作流规划任务 - 按条件执行工具 - 管理上下文。在实际的starknet-agentic框架中Task的定义、条件判断和上下文管理可能会由更高级的模块来负责。4. 高级功能探索与集成4.1 集成LLM实现自然语言规划框架的真正威力在于与大型语言模型LLM的集成从而实现从自然语言指令到链上操作的自动转换。starknet-agentic项目可能会提供一个LLMPlanner模块。集成步骤通常如下选择LLM服务可以是OpenAI的GPT系列、Anthropic的Claude或者开源的本地模型如Llama 3。考虑到链上操作对确定性和成本的要求初期可能更倾向于使用提示词工程Prompt Engineering引导的、输出结构化数据如JSON的API模型。构建系统提示词System Prompt这是指导LLM行为的关键。提示词需要明确告诉LLM你是一个Starknet区块链智能体。你拥有以下工具列出所有工具的名称和详细描述。用户的目标是执行链上操作。你必须输出一个符合特定JSON格式的任务计划该计划由一系列工具调用组成。你必须严格遵守安全规则例如不能生成转账给未知地址的计划。工具描述规范化每个工具必须有清晰、无歧义的名称和描述。描述应包含功能、输入参数名称、类型、说明和输出示例。LLM依靠这些描述来选择合适的工具。解析与验证LLM返回的JSON计划必须经过严格的解析和验证确保工具名存在、参数格式正确、没有安全违规然后才能交给执行引擎。# 伪代码LLM规划器的工作流程假设框架用Python实现核心逻辑 class LLMPlanner: def __init__(self, llm_client, tools_descriptions): self.llm llm_client self.tools_desc tools_descriptions async def plan(self, user_input: str, context: dict) - List[Task]: system_prompt f 你是一个Starknet区块链智能助手。你的任务是将用户的自然语言指令转化为可执行的任务序列。 你可以使用的工具如下 {self.tools_desc} 请以如下JSON格式输出计划 {{ tasks: [ {{ id: 1, tool_name: 工具名, parameters: {{param1: value1}}, reason: 使用此工具的原因 }} ] }} 确保参数值类型正确。如果指令无法完成或存在风险请说明原因。 user_prompt f用户指令{user_input}\n当前上下文{context} llm_response await self.llm.chat(system_prompt, user_prompt) # 解析llm_response中的JSON并转换为内部的Task对象列表 # 此处必须有严格的错误处理和格式校验 tasks self._parse_and_validate_response(llm_response) return tasks注意事项LLM的“幻觉”问题在金融操作中是致命的。绝对不能让LLM直接生成交易签名或操作未经校验的地址。LLM应只负责高级规划具体的地址、金额等关键参数应通过上下文传入或由LLM提出后经过程序的二次确认和校验。例如LLM可以建议“向0x123...转账”但程序必须检查该地址是否在用户白名单中。4.2 实现状态记忆与持续学习一个有用的智能体应该能记住过去的事情。starknet-agentic的记忆系统设计需要考虑几个层面对话记忆存储当前会话中用户与智能体的交互历史。这通常是一个固定长度的队列用于提供给LLM作为上下文使其理解当前的对话状态。工具调用记忆记录每次工具调用的输入、输出、成功与否以及时间戳。这有助于调试、审计也能作为未来相似任务的参考。知识/状态记忆存储一些需要持久化的信息例如用户的偏好设置、常用的合约地址、资产配置模板等。对于链上智能体一个有趣的挑战是将记忆存储在何处纯链下存储在中心化或去中心化数据库如IPFS、Ceramic。优点是成本低、容量大、速度快。缺点是失去了区块链的不可篡改和去信任特性。纯链上将记忆数据写入Starknet合约的存储中。优点是透明、抗审查、可验证。缺点是Gas成本极高不适合频繁或大数据量存储。混合模式这是更可行的方案。将详细的日志和临时数据存储在链下而将关键状态的承诺Commitment如记忆树的Merkle根定期上链。这样既控制了成本又能在需要时提供可验证性。starknet-agentic框架可能会提供这种混合记忆系统的抽象接口。// 概念性记忆接口 trait Memory { // 存储一次交互 fn store_interaction(mut self, interaction: Interaction) - ResultMemoryId, MemoryError; // 根据查询检索相关记忆 fn retrieve(self, query: str, limit: usize) - VecInteraction; // 可选将当前记忆状态提交到链上返回交易哈希或存储证明 fn commit_to_chain(self) - ResultFieldElement, MemoryError; } struct Interaction { timestamp: u64, role: Role, // User, Agent, Tool content: String, metadata: HashMapString, String, // 如工具名、调用结果状态等 }4.3 安全执行与沙箱环境这是决定智能体能否投入实际使用的“生命线”。starknet-agentic的安全模块应至少包含以下机制交易模拟Simulation在执行任何交易前必须先在本地或测试节点进行模拟。这可以预估Gas消耗、检查交易是否会失败如余额不足、滑点过大并预览状态变化。Starknet的starknet_estimateFee和starknet_simulateTransactionsRPC调用是实现此功能的基础。权限边界Permission Boundary智能体应被明确授权只能操作特定资产、与特定合约交互、且在额度限制内。这可以通过一个“策略引擎”来实现在工具执行前检查操作是否符合预定义策略。struct Policy { allowed_tokens: VecFieldElement, // 可操作的代币合约地址 allowed_contracts: VecFieldElement, // 可交互的合约地址 daily_spend_limit: u128, // 每日支出限额以某种基准货币计 max_slippage_bps: u16, // 最大滑点基点 } fn check_policy(tool_call: ToolCall, policy: Policy) - Result(), PolicyError { if tool_call.name transfer_eth { let amount: u128 parse_amount(tool_call.params); if amount policy.daily_spend_limit { return Err(PolicyError::ExceedsSpendLimit); } } // ... 其他检查 Ok(()) }人工确认Human-in-the-loop对于高风险操作如大额转账、授权新合约、修改关键配置框架应支持设置“拦截点”要求人工通过一个签名消息或在一个控制面板上点击确认后交易才能被真正广播。紧急停止Emergency Stop部署智能体的合约中应包含一个由所有者控制的“暂停”或“自毁”功能一旦发现异常行为可以立即冻结所有智能体发起的操作。在开发测试阶段务必在测试网如Sepolia或Goerli的Starknet测试网上充分测试所有安全功能并使用无真实价值的测试代币。5. 典型应用场景与实战构想理解了框架的构成后我们可以构想几个具体的应用场景来看看starknet-agentic如何大显身手。5.1 场景一自动化DeFi收益管理目标让智能体帮助用户自动管理其在Starknet上多个DeFi协议中的资产以优化收益。智能体能力需求资产监控定期或由事件触发查询用户在AAVE、zkLend等借贷协议中的存款余额、借贷健康因子以及在JediSwap、Ekubo等DEX中的流动性头寸。收益计算与比较实时计算不同协议如借贷利率、流动性挖矿奖励、质押奖励的APY。再平衡策略根据预设策略如“保持健康因子1.5”、“将闲置USDC转入最高收益协议”自动执行资产转移、添加/移除流动性、存款/取款等操作。报告生成定期向用户通过Telegram Bot、邮件等发送资产报告和收益总结。实现要点工具集需要为每个目标协议AAVE, zkLend, JediSwap等开发一套完整的工具包括查询和交易功能。规划器策略相对固定可以使用基于规则的规划器但集成LLM可以让用户用自然语言微调策略例如“接下来一周采取保守策略”。安全必须设置严格的滑点容忍度、单次操作金额上限和总仓位比例限制。所有再平衡操作前必须进行模拟。5.2 场景二智能空投猎人与交互助手目标自动监控潜在的空投机会并执行必要的链上交互以提升资格。智能体能力需求信息感知集成Twitter/Discord监听模块通过API或订阅特定的智能合约事件以发现新的协议、测试网活动或交互任务。任务解析理解自然语言或结构化任务描述如“在合约X上执行mint函数”、“在DEX Y上提供至少$50的流动性并保持7天”。自动执行调用相应工具完成mint、交易、质押等操作。可能需要处理复杂的多步骤任务如“先从CEX提款到Starknet然后兑换成特定代币最后进行质押”。记录与证明妥善保存所有交互的交易哈希作为未来申领空投的凭证。实现要点LLM集成关键此场景高度依赖LLM从社交媒体或公告中提取结构化任务信息的能力。需要精心设计提示词和后续的信息验证流程。成本控制自动交互会产生Gas费。智能体需要能够预估每次操作的Gas成本并在用户设定的预算内进行。防女巫检测过于规律或机械化的交互可能被协议方识别为女巫攻击。智能体需要引入一定的随机性如操作间隔时间随机、交易金额微小浮动来模拟人类行为。5.3 场景三游戏化资产管理与社交交易目标将资产管理游戏化或允许用户跟随复制高收益策略的链上操作。智能体能力需求策略封装与代币化允许策略创建者基金经理或交易高手将其一套复杂的DeFi操作逻辑如套利、流动性迁移封装成一个可执行的“策略脚本”或“智能体模板”。权限委托其他用户可以将自己部分资产的有限操作权委托给该智能体模板。自动跟单当策略创建者执行其策略时跟随者的智能体实例会自动按比例执行类似操作需考虑滑点和Gas对最终收益的影响。收益分成与结算通过智能合约自动计算策略提供者的绩效费用并进行分配。实现要点框架扩展性这要求starknet-agentic框架支持“智能体模板”的创建、验证和分发。模板可能包含一系列预定义的工具调用序列和条件逻辑。安全与合规巅峰资产委托是最高风险的操作。必须实现基于多方计算MPC或智能合约托管的多签机制确保跟随者的资产未经其同意不能被转移出协议。每一步跟单操作都应有透明的模拟和确认过程。性能挑战当大量跟随者智能体需要近乎同步地执行操作时可能会面临性能瓶颈和链上拥堵问题。需要设计高效的批量交易或Layer 3解决方案。6. 当前局限、挑战与未来展望尽管starknet-agentic构想美好但在当前阶段我们必须要清醒地认识到其面临的挑战和局限性。技术挑战LLM的可靠性与成本LLM的输出具有不确定性在金融场景下是巨大风险。同时频繁调用LLM API成本不菲。解决方案可能在于使用更小、更专精的模型或采用“LLM规划 确定性代码执行”的混合架构。Starknet交易延迟与成本即使Gas费相对以太坊主网更低频繁的自动化交易仍会累积成本。交易最终确认时间虽然快于L1对于高频策略仍可能是个问题。智能体需要优化交易打包策略例如将多个操作合并为一笔交易。复杂状态的管理智能体在执行多步骤任务时需要维护复杂的中间状态。在去中心化、可能失败的环境中如何实现状态的持久化、回滚和断点续传是一个工程难题。安全与信任挑战智能合约风险智能体交互的第三方合约可能存在漏洞或被黑的风险。框架需要集成合约安全评级或审计状态查询工具。私钥管理智能体需要私钥来签名交易。如何安全地存储和使用私钥硬件安全模块HSM、多方计算MPC是核心问题。理想情况下用户不应将明文私钥交给智能体。责任界定当智能体执行错误导致资产损失时责任在谁开发者、框架提供者还是用户清晰的免责声明和保险机制的探索必不可少。生态与未来starknet-agentic项目的成功很大程度上依赖于Starknet生态的繁荣。更多的协议、更标准的合约接口、更强大的预言机网络都会让智能体工具集更丰富、能力更强。此外它与Starknet的账户抽象Account Abstraction结合会非常有趣。通过账户抽象智能体可以作为一个“插件”或“模块”集成到智能钱包中用户可以为它设置独立的权限和支出规则安全性更高。从我个人的实践角度看现阶段starknet-agentic更适合作为一个强大的自动化开发框架由有经验的开发者用来构建特定的、逻辑相对固定的自动化策略机器人。完全通用的、由自然语言驱动的“链上贾维斯”还需要时间。建议感兴趣的开发者先从参与项目贡献、阅读代码、在测试网上构建一个简单的自动复投或监控机器人开始逐步理解其所有模块和边界。这个领域正在快速演化早期深入的理解和实践会积累宝贵的先发优势。