解读Eliza技术白皮书:不仅仅是框架,更是AI与Web3的一次深度融合

这份白皮书确实回答了一个很关键的问题：Eliza 是怎么把 AI 和 Web3 真正揉到一起的？它用了模块化的架构，还是个开源框架，技术实现上有很多值得聊的细节。

白皮书由 Shaw、多位 Eliza Labs 成员以及其他相关组织的技术人员共同完成。不过坦白说，里面技术术语和底层原理比较多，对普通读者来说，读起来确实有点门槛。

深潮 TechFlow 做了一次通俗化的梳理，争取用大白话讲清楚白皮书的重点，让大家花几分钟就能搞懂它在说什么。

解读Eliza技术白皮书：不仅仅是框架，更是AI与Web3的一次深度融合

1.为什么要做 Eliza ？

先说清楚一个前提：这里聊的“为什么做”，是站在加密和 Web3 的圈子里来看的，不是拿它跟所有 AI 框架去比。范围得先圈定，不然容易跑偏。

白皮书的简介和背景部分，其实已经把这个问题讲得很明白了：

AI 和 Web3 交汇的地方，一直缺一个能真正把两者捏到一起的袋里框架。

具体来说，白皮书指出了 Web3 领域目前碰到的三个主要难题：

• 去中心化交易越来越复杂 以太坊、Solana、BASE 这些公链越来越多，资产跨链管理、执行交易的难度也在上升。市面上不是没有交易平台，但如果你是个中高级用户，有个性化需求，那些基础功能往往不太够用。
• 链上数据怎么挖出价值 区块链上信息量巨大，从基础的持币地址变化、代币价格、市值，到更深层的鲸鱼账户占比、做市商风格等等。问题在于，怎么做才能把这些零散的数据变成真正有用的判断，这挺让人头疼的。
• 社交媒体信息太碎 对 Web3 玩家来说，Twitter、Discord、Farcaster 这些平台是信息源，也是行情风向标。但 KOL 一多，消息满天飞，想在信息海里捞点有价值的判断，越来越难。

这几个现实痛点，就是 Eliza 被做出来的原因。作为一个开源的、对 Web3 友好的 AI 袋里操作系统，它用了模块化设计，开发者和用户可以根据自己的需要去搭积木。

Eliza 想做的事情，是让普通用户也能用上高级 AI 功能，不是说非得会写代码才能搞一个自己的 AI 袋里。

白皮书还把 Eliza 跟市面上几个常见的 AI 框架做了对比。下面这张表能看得很清楚：在 Web3 的适配度上，Eliza 确实是最贴合的那一个。这也是整份白皮书想传达的核心信息。

2.Eliza 的设计理念和技术创新

Eliza 能起来，不是瞎蒙的。团队一开始就定了三条原则：

• 先服务 Web3 开发者
  Web3 圈子主要用 Ja vaScript/TypeScript，所以 Eliza 直接选了 TypeScript。这样一来，开发者用熟悉的工具就能上手，把区块链功能嵌进现有的网页应用也方便。说白了，就是让 Web3 开发者能“拿来就用”，不用重新学一套。

• 插件化，模块化
  Eliza 把系统拆成核心运行时和四个关键部分：

• Adapter（数据适配器）

• Character（袋里个性）

• Client（消息交互）

• Plugin（通用功能）

这么设计的好处是，开发者可以自己加插件、客户端、角色、适配器，不用去碰核心运行时的内部逻辑。这也让 Eliza 能支持一大票模型提供商（比如 OpenAI、Llama、Qwen 等），能接入 Twitter、Discord、Telegram 这些平台，还能兼容 Solana、Ethereum、Ton 等不同的链。

• 能简单就别搞复杂：

工程资源有限的情况下，把内部实现做简单，省下来的时间可以去开发新功能、适应新场景，也能跟上 AI 和 Web3 这两块飞速变化的节奏。

具体到技术实现，Eliza 的创新分了两条线：内部增强和外部扩展。

• 内部增强
  为了让 AI 模型的“脑子”更好使，Eliza 整合了几项前沿技术：

• Chain-of-Thoughts（思维链）
  ：

  • 官方说法：引入步骤式解释

  • 说人话：好比做数学题要把步骤写出来，AI 也会把自己的思考过程一步步列清楚，而不是直接甩个答案。结果更可靠，人也能看懂它是怎么推出来的。

• Tree-of-Thoughts（思维树）
  ：

  • 官方说法：允许分支探索多个解决方案

  • 说人话：像下棋得考虑好几步走法，AI 会同时探索几种可能的路径，然后挑最优的那条。就像在思维树上，选了最好的一根枝桠。

• Graph-of-Thoughts（思维图）
  ：

  • 官方说法：连接推理路径

  • 说人话：把问题当成一张网，各个想法之间可以互相连。跟我们解决复杂问题时，把各种相关的点串成一张思维导图差不多。

• Layer-of-Thoughts（思维层）
  ：

  • 官方说法：分层推理 AI

  • 说人话：像过滤一样，把思考拆成不同层次。先想大方向，再细化到具体细节，一层一层往下推。

• 外部扩展
  为了让 Eliza 能解决实际问题，还集成了不少外部能力：

• RAG（检索增强生成）
  ：

  • 官方说法：通过检索来增强生成能力

  • 说人话：就像学生翻课本做作业，AI 回答问题的时候也能去查自己的“资料库”，答案会更靠谱。

• 向量数据库
  ：

  • 官方说法：存储和检索结构化数据

  • 说人话：相当于 AI 的“图书馆”，能快速找到相似的内容。比如你说“找首跟月亮有关的诗”，它能立马把相关的都翻出来。

• 网络搜索
  ：

  • 官方说法：实时获取互联网信息

  • 说人话：AI 也能像人一样上网查最新消息，不会被锁死在旧数据里。

• 文本转图像/视频/3D 模型
  ：

  • 官方说法：将文字描述转换为多媒体内容

  • 说人话：好比画家听了你的描述就能画出来，AI 也能根据文字生成图片、视频甚至 3D 模型。

在目前的 Web3 AI 袋里框架里，Eliza 确实有一些明显的优势。根据 50 多位 AI 研究人员和资深区块链开发者的反馈，Eliza 在几个关键指标上表现不错：

• 支持的模型种类

• 链的兼容范围

• 功能完整度

• 社交媒体的集成深度

3.Eliza OS：一个精心打造的 Web3 AI 生态系统

聊完设计理念，再来看看 Eliza 到底是怎么跑起来的。你可以把它想象成一套乐高积木，每个零件都能严丝合缝，同时又很灵活，想怎么搭都行。

Eliza 的世界里，五个核心组件互相配合，一起构成了一个完整的智能系统。

• Agents（袋里）：系统的主角

它们就像一个个独立的“数字助手”，负责处理各种自主交互。每个袋里都有自己的“记忆”和“性格”，能通过 Discord、Twitter 等不同渠道跟用户连续对话、互动。

• Character Files（角色配置）：袋里的“人设”

要让袋里有血有肉，就得靠 Character Files（角色配置）。这相当于袋里的“简历”，不光定义了它的身份和性格，还规定了它能用哪些模型（比如 OpenAI、Anthropic），能做哪些事（比如区块链交易、NFT 铸造）。角色配置设计得好，每个袋里就能展现出自己的专业特长和行为风格。

• Providers（提供者）：袋里的“感知系统”

袋里跟外界互动的时候，需要 Providers（提供者）来当它的“感官”。就像人靠眼睛耳朵感知世界，提供者给袋里喂市场数据、钱&包详情、情绪分析这些实时信息，帮它搞清楚当前的环境和上下文。

• Actions（行动）：袋里的“技能库”

真要动手做事的时候，Actions（行动）就是袋里的“技能包”。从简单的买卖订单到复杂的 NFT 生成，每个操作都过了安全验证，处理金融相关任务时能靠谱一些。这些技能让袋里在 Web3 世界里真正能干点实事。

• Evaluators（评估器）：袋里的“

  决策系统

  ”

最后，Evaluators（评估器）是袋里的“决策大脑”，负责分析对话内容，提取关键信息，帮袋里建立长期记忆。它一边追踪目标完成进度，一边保证对话不跑偏，前后连贯。

在交互方面，Eliza 用了多层的理解系统，就像一个经验丰富的翻译，不光听懂字面意思，还能琢磨说话时的背景和意图。这个系统能比较准确地抓住用户的真实需求，在不同平台之间保持体验一致，也能根据上下文灵活调整回应的方式。

Eliza 的插件系统说白了就是一个工具箱，给整个框架带来了很强的扩展性。这种扩展主要体现在三个方向上：多媒体生成、Web3 集成和基础设施。

• 多媒体生成方面，能生成图片、视频、3D 模型，支持 NFT 系列自动生成，还能做图片描述和分析。
• Web3 集成方面，支持以太坊、Solana 等多链操作，有完整的交易功能套件，还能接各种 DeFi 操作。
• 基础设施方面，提供了浏览器服务、文档处理、语音转文字这些基础能力。

这种模块化设计，让 Eliza 既稳当，又给开发者留了很大的折腾空间。Web3 世界里新需求和新场景不断冒出来，这样的设计确实更扛得住。

4.Eliza 的实力几何？从数据看真相

一个新技术框架出来，大家最关心的就是它实际表现怎么样。Eliza 在这块给出了一个比较坦诚的回答。

在 GAIA 基准测试（一个专门测 AI 袋里解决实际问题能力的平台）里，Eliza 表现还不错。这个测试不是考简单的问答，而是要求 AI 袋里有逻辑推理、多模态处理、网页浏览和工具使用这些综合技能。

虽然 Eliza 的得分（19.42%）跟目前最顶尖的方案比还有差距，但考虑到它是个专注 Web3 的框架，这个成绩已经挺能打了。尤其是在基础任务（Level 1）上，Eliza 达到了 32.21% 的完成率，说明基本功挺扎实。

更值得留意的是，Eliza 在 Web3 领域其实有点像“标准制定者”。因为 Web3 方向的 AI 系统还在很早期的阶段，Eliza 率先提出了一套完整的评估标准体系，给整个行业划了个方向。

这套评估体系分了三个层次，白皮书把它叫做 Web3 AI 版本的 “图灵测试”：

• 基础能力：包括钱&包创建、代币交易、智能合约交互这些基本操作
• 进阶功能：整合最新的 AI 技术，比如文本转视频/3D、RAG 支持等
• 高级特性：能根据用户指令自主规划和推理，实现真正的智能决策

目前，Eliza 已经完成了基础层的全部功能，正在往进阶层走。团队表示，他们相信未来几年内，能做出完全自主的 AI 袋里系统。

5.实际应用：市场用真金白银投票

原白皮书里有一节是代码展示，用来演示目前能用这个框架做出什么实际应用。考虑到代码对普通读者不太友好，这里就不展开了，只聊更宏观的实际落地情况。

根据白皮书描述，截至 2025 年 1 月，已经有多个重要的 Web3 项目基于 Eliza 搭建了它们的 AI 袋里系统，这些合作伙伴的总市值超过 200 亿美元。

这个数字本身，可能就是对 Eliza 技术实力最直接的认可。

另外，Eliza 团队对接下来要走的路挺有信心的。他们认为，随着这些“智能袋里”逐步进化，我们会看到一个由多个 AI 单元协同工作的新阶段。就像 Anthropic 的 CEO Dario Amodei 说的“天才数据中心”那个愿景，Eliza 正在往那个方向铺路。

6.现存限制与未来展望：诚恳的自我剖析

任何技术框架都不可能十全十美，Eliza 团队在白皮书中也挺坦诚地指出了当前的一些短板。

工作流程系统的缺失：就像一个熟练的助手需要一套标准作业流程，当开发者想做一些常规性任务时（比如定期从多个源头汇总数据），现有的 Eliza 框架还没法直接给出现成方案。这类需求，可能还得借助 Dify 或 Coze 这种带图形界面的工作流系统。

多袋里系统的性能问题。袋里一多，系统需要处理的上下文和记忆内容就会指数级增长。尤其是在处理大量输入输出任务时，怎么平衡计算开销和运行效率，还是个需要继续啃的技术难题。

多语言支持的拓展需求。目前 Eliza 主要基于 TypeScript，但要想吸引更多领域的开发者进来，还得扩展对 Python、Rust 等其他语言的支持。

展望：开创去中心化 AI 新纪元

尽管有这些限制，Eliza 的意义已经不只是个技术框架了。它代表了 AI 技术和 Web3 应用深度融合的一次比较有开创性的尝试。

把每个功能模块都设计成标准的 TypeScript 程序，Eliza 让用户对系统有完全的控制权。同时，它还能跟区块链数据、智能合约无缝集成。这种设计既保证了安全性，又留出了很强的扩展空间。

就像白皮书结尾说的，Eliza 的可能性只受限于使用者的想象力。AI 和 Web3 的技术还在往前走，Eliza 也会跟着迭代，继续在去中心化 AI 的方向上探路。

以上就是对 Eliza 技术白皮书的一个通俗版解读。它到底是不是“AI 与 Web3 的深度融合”，看完这些细节，你可以自己做个判断。

最后想多说一句：本文内容仅供学习参考，不构成任何投资建议、交易建议或收益承诺。加密货币和迷因币市场波动较大，价格预测和市场数据请以官方公告、交易所页面及实时行情平台为准。投资者需要独立判断、谨慎决策，对自己的操作负责。