AI-агенти виконуватимуть крос-чейн операції через deBridge
Нове рішення від розробників крос-чейн протоколу deBridge дозволить AI-агентам переказувати цифрові активи між EVM-сумісними мережами та Solana без передачі контролю над коштами.
Команда, що стоїть за децентралізованим крос-чейн протоколом deBridge, оголосила про запуск deBridge MCP — плагіна для серверів з відкритим кодом, заснованого на Model Context Protocol (MCP). Він інтегрується з інструментами для розробників та AI-агентами, надаючи їм доступ до прямого виконання транзакцій на блокчейні.
deBridge MCP забезпечує транзакції між мережами EVM і всередині блокчейну Solana через єдиний інтерфейс. Користувачі зберігають контроль над своїми активами на кожному етапі, у той час як процес виконання абстрагується від технічної складності. Рішення підтримує оптимальний розрахунок маршрутів, внутрішньомережеві свопи, крос-чейн перекази активів та автоматизовану маршрутизацію транзакцій.
Згідно з пресрелізом, рішення впроваджує детерміновану модель виконання, тобто комісії стягуються відповідно до заздалегідь визначених параметрів, а маршрути оптимізуються з урахуванням MEV для підвищення надійності. Розробники зазначають, що цей підхід знижує ризики, пов’язані з автоматизацією крос-чейн операцій, та усуває поширені проблеми роботи з кількома блокчейнами.
Серед потенційних сценаріїв використання deBridge MCP команда виділила:
- Vibe Trading. Торгова модель, у якій користувач задає бажаний результат (наміри), не визначаючи точних кроків для його досягнення. AI-агент самостійно планує та виконує всі необхідні дії на блокчейні.
- Алгоритмічне управління портфелем. AI-агенти можуть постійно аналізувати розподіл активів, оцінювати концентрацію ризиків у певних мережах або токенах і автоматично перебалансовувати портфелі. Якщо виявлено надмірний ризик в конкретній мережі, агент розраховує оптимальні маршрути для свопу і бриджу та виконує транзакції без потреби у кастомних скриптах.
- Виконання запитів на блокчейні з миттєвим розрахунком. Агент може визначити найбільш вигідний шлях для переказу активів між мережами, порівняти комісії, оцінити прослизання (slippage) і виконати транзакцію після підтвердження користувачем. Система підтримує отримання списків токенів, даних з оракулів цін і інформації про мережі з подальшою агрегацією результатів.
- Оркестрація багатокрокових операцій в межах одного наміру. Наприклад, при консолідації активів з кількох мереж в один токен на вибраній мережі для стейкінгу агент автоматично поєднує бридж-операції, свопи та DeFi-взаємодії в один атомарний процес на основі детермінованого шару виконання deBridge.
Нещодавно Coinbase представила Agentic Wallets — гаманці, які дозволяють автономним AI-агентам управляти активами, виконувати транзакції та оплачувати послуги без втручання людини. Більше про автономних AI-агентів можна прочитати у спеціальному звіті CP Media.
Відмова від відповідальності: зміст цієї статті відображає виключно думку автора і не представляє платформу в будь-якій якості. Ця стаття не повинна бути орієнтиром під час прийняття інвестиційних рішень.
Вас також може зацікавити

Чистий прибуток Berkshire за другий квартал подвоївся, обсяг викупу акцій за квартал став найбільшим за останні 5 років, Google увійшла до п'ятірки найбільших холдингів.
У другому кварталі Berkshire витратила 4,527 мільярда доларів на викуп власних акцій, тоді як у першому кварталі масштаб викупу складав лише близько 235 мільйонів доларів. За перше півріччя загальний викуп склав близько 4,76 мільярда доларів, переважна більшість з яких припала на другий квартал. Крім того, компанія у другому кварталі чисто купила акцій приблизно на 19,8 мільярда доларів, зокрема витратила близько 10 мільярдів доларів на придбан ня звичайних акцій Alphabet, і Google офіційно увійшла до п’ятірки найбільших позицій у портфелі.
Monster: стрімке зростання оцінки, як довго може тривати "солодкий період" монстра?

Компанії з застосуванням AI вперше проходять "обстеження" щодо рентабельності: Canva свідомо знижує темпи зростання, Figma бере на себе витрати на обчислення
Досвід Canva та Figma розкриває загальну проблему компаній, що застосовують AI: високі витрати на інференцію серйозно зменшують валову маржу й порушують економічну модель на одиницю продукту. Щоб контролювати витрати, Canva свідомо призупинила масове впровадження AI, що призвело до зниження темпів зростання доходів; Figma через необхідність самостійно покривати витрати на безкоштовне тестування зазнала різкого падіння вартості акцій. Обидві компанії сподіваються, що їх власні моделі допоможуть вирішити проблему, однак шлях до прибутковості AI досі потребує перевірки часом.
