A MuleRun desenvolve um agente de IA on-chain com dados de alta qualidade e inferência de baixo custo para reestruturar a eficiência das negociações

Em 21 de abril, Shu Jun, Diretor de Tecnologia da MuleRun, o primeiro projeto de IA pessoal autoevolutiva do mundo, compartilhou no evento presencial com o tema “Decodificando a Web 4.0: Quando Agentes de IA Assumem Permissões na Cadeia” que os métodos tradicionais de aquisição de dados, baseados em motores de busca ou APIs gratuitas, são inadequados para necessidades de alta precisão, especialmente em cenários de negociação financeira. Interfaces de dados de mercado gratuitas frequentemente sofrem com atrasos e omissões de dados, tornando-se inadequadas para decisões de alta frequência ou especializadas. Para resolver isso, a MuleRun integra fontes de dados de alta qualidade e interfaces de ferramentas especializadas, reduzindo a barreira de acesso para os usuários, que não precisam adquirir ou configurar APIs por conta própria, permitindo que utilizem um sistema de dados que inclui dados na cadeia, dados de ações dos EUA e capacidades analíticas multidimensionais. A plataforma também apresenta várias ‘Habilidades’, incluindo avaliação de estratégias de negociação, debates simulados com múltiplos papéis e funcionalidades de backtesting quantitativo. As tarefas de backtesting são executadas em servidores externos para resolver problemas de insuficiência de poder computacional em ambientes locais e de nuvem geral, melhorando a experiência real do usuário para usuários quantitativos. Além disso, a MuleRun está expandindo suas diversas fontes de dados, como a integração de dados de produtos de comércio eletrônico transfronteiriço, para aprimorar a capacidade do Agente de adquirir informações em diferentes cenários de negócios. Em termos de ‘tomada de decisão inteligente’, Shu Jun enfatizou que o núcleo do Agente reside na sua capacidade de lidar com tarefas complexas, incluindo análise de dados de múltiplos períodos, cálculo de indicadores e execução de estratégias. O controle de custos também se tornou uma métrica-chave. Atualmente, os sistemas de IA enfrentam problemas de alto consumo de tokens, o que afeta diretamente os custos dos usuários. Em resposta, a MuleRun otimizou sistematicamente o uso de tokens a nível de engenharia, reduzindo significativamente os custos enquanto garante a qualidade na conclusão das tarefas, melhorando a eficiência na execução das tarefas sob o mesmo orçamento. Shu Jun afirmou que a qualidade dos dados e a eficiência do modelo determinarão diretamente o desempenho do Agente de IA nas tarefas, e no futuro, a plataforma continuará buscando um equilíbrio entre acesso a dados de alta qualidade e computação inteligente de baixo custo para suportar cenários de aplicação na cadeia mais complexos.