MuleRun розробляє on-chain AI-агента з високоякісними даними та недорогим інференсом для підвищення ефективності трейдингу

21 квітня Шу Цзюнь, технічний директор MuleRun, першого у світі персонального AI-проєкту з саморозвитком, поділився на офлайн-заході на тему «Декодування Web 4.0: коли AI-агенти беруть на себе ончейн-дозволи», що традиційні методи збору даних, які спираються на пошукові системи або безкоштовні API, є недостатніми для високоточного використання, особливо у фінансово-трейдингових сценаріях. Безкоштовні інтерфейси ринкових даних часто мають затримки та пропуски у даних, що робить їх непридатними для задач високої частоти чи спеціалізованого прийняття рішень. Щоб вирішити цю проблему, MuleRun інтегрує високоякісні джерела даних і спеціалізовані інструментальні інтерфейси, знижуючи бар’єр доступу для користувачів без необхідності самостійно купувати чи налаштовувати API, дозволяючи їм застосовувати систему даних, що містить ончейн-дані, дані фондового ринку США та багатовимірні аналітичні можливості. Платформа також впроваджує різні 'Skills', включаючи оцінку торгових стратегій, багаторольові симульовані дебати й функціональність кількісного бектестингу. Завдання з бектестингу виконуються на зовнішніх серверах для вирішення проблеми недостатньої обчислювальної потужності у локальних та загальних хмарних середовищах, що підвищує реальний користувацький досвід для кількісних користувачів. Додатково MuleRun розширює різноманіття джерел даних, наприклад, інтегруючи дані про товари транскордонної електронної комерції, щоб підвищити спроможність Агента отримувати інформацію у різноманітних бізнес-сценаріях. Щодо 'інтелектуального прийняття рішень', Шу Цзюнь наголосив, що основа Агента полягає у здатності виконувати складні завдання, такі як багатоперіодний аналіз даних, розрахунок індикаторів і виконання стратегій. Контроль витрат також став ключовим показником. Наразі AI-системи зазвичай стикаються з проблемами великого споживання токенів, що прямо впливає на витрати користувачів. На це у MuleRun системно оптимізували використання токенів на інженерному рівні, значною мірою зменшивши витрати при збереженні якості виконання завдань, що підвищує ефективність виконання завдань в межах того самого бюджету. Шу Цзюнь зазначив, що якість даних і ефективність моделі будуть безпосередньо визначати продуктивність AI-Агента у завданнях, а у майбутньому платформа продовжить шукати баланс між високоякісним доступом до даних і низьковитратними інтелектуальними обчисленнями для підтримки складніших ончейн-сценаріїв застосування.