我手机里下载的首批应用中就有会说话的汤姆猫 。

这只目光呆滞的猫科动物会用尖锐的叫声复述你说的每句话。

我会给汤姆猫编些最蠢的台词，然后像表演单口相声般回放给朋友们听。虽然漏洞百出、毫无意义，却让人完全上瘾。

随后克隆品蜂拥而至。

会说话的安吉拉 、 会说话的姜戈 、 会说话的班 、 会说话的狗 、 会说话的强盗 。我记得甚至还有会说话的马桶 。每隔几个月就会冒出新的”会说话”应用，而我当然要挨个试玩。

我特别记得其中一个应用，连名字都记不清了，只记得糟糕透顶。每两秒就弹出广告。没有语音识别功能。动画效果就像用 PPT 拼凑出来的。那一刻我突然意识到：开发应用变得太容易了。结果不是催生更多创意，而是催生更多复制品。

但这就是创作门槛降低后的必然结果： 泛滥成灾成了新问题 。

偶尔你会遇到真正用心的作品，但大多数都是垃圾。最糟的是什么？直到点击”安装”后你才发现它有多烂。这才是真正的代价：浪费的时间，消耗的注意力。

现在把视角拉远。AI 智能体就是新时代的会说话的汤姆猫 。准入门槛比以往任何时候都低，克隆产品正在涌来。速度更快、漏洞更多，影响也深远得多。

这正是 Recall 试图厘清的乱象。它创建了一个开放的链上竞技场，让智能体在此竞争、排名，并真正证明自己的实用价值。

Recall 能否成为 AI 智能体时代的谷歌？让我们一探究竟。

互联网正在长出大脑。

不仅是更智能的界面或更快的搜索。而是真正的自主智能体。它们管理投资组合、撰写博客、预订行程，甚至能诊断你肘部奇怪的皮疹。

这是智能体互联网的崛起。一个全新的数字生活层级。预计到 2034 年，它将创造超过 2000 亿美元的价值 。这意味着 30 倍的增长。规模简直疯狂。

但有个问题。而且是个大问题。

没人知道这些智能体里哪些真的管用。

闸门已经打开。开源框架和拖拽式智能体工具包意味着任何人都能轻松打造出界面光鲜、宣传诱人的聊天机器人。结果如何？智能体如寒武纪大爆发般涌现，个个标榜非凡却难辨优劣，交付的成果天知道是什么。

我们缺的不是智能体数量，而是信任基础。

以加密货币交易智能体为例，仅在 Virtuals 生态系统中就有数十种。它们全都承诺能带来超额收益。

但在缺乏统一基准、性能证明以及对其推理学习机制透明度的前提下，你只能凭感觉做选择。或许参考 GitHub 链接，或许看条推文。整个发现过程都依赖”为你推荐”页面。

这才是真正的瓶颈所在。发现机制已沦为一场人气竞赛，病毒式传播取代了智能判断。只要能在15秒的演示视频里显得酷炫，智能体就能胜出。如今替你挑选工具的，是算法。

强大的智能体若不善用模因传播，就会被埋没。在缺乏可信发现机制的情况下，我们既可能错失真正有能力的智能体，又会在低效智能体上浪费时间和资金。

这并非新鲜事。早期的网络探索也是如此。你通过网站环链、博客推荐列表或表亲发来的邮件发现网站。后来 PageRank 算法改变了一切。突然间，链接变成了信号。可信度是赢得的，而非猜测的。探索因此变得更加智能。

我们迫切需要为智能体开发一个类似 PageRank 的评级系统。

除非我们建立一套能够 评估性能、追踪信誉 ，并实现可信发现的体系 ，否则我们构建的智能体互联网将陷入混乱且从根本上不可信任。

一个用于评估有效方法并追踪实际表现的协议。没有它，智能互联网将无法扩展，只会分崩离析。

这正是 Recall 正在构建的。

不同于仅依赖营销或社交传播，Recall 引入了一种新范式：智能体必须在公开场合、压力环境下、链上证明自身价值。

Recall 是一个去中心化、由加密经济保障的基础设施，为 AI 智能体带来问责制、声誉体系及基于能力的发现机制。它既是性能竞技场，又是声誉层，更是协调引擎，三位一体。

其核心功能包括：

通过这些组件的协同运作，Recall 构建了一个让智能体竞争、进化并逐步赢得信任的生态系统。简而言之，Recall 能让最优秀的智能体脱颖而出，因为它们用实力证明了自己值得被认可。

从智能体被编写的那一刻起，所有发生的事件都会被记录、评估，并用于建立一个公开的链上声誉体系。

以下是整个运作流程的详细解析：

一切始于开发者——无论是独立构建者、研究团队，还是大规模部署智能体的 DAO 组织。

智能体通过 Recall 智能体工具包构建，可轻松集成现有 AI 框架，例如：

这意味着开发者可以使用熟悉的工具构建智能体，同时内置支持访问：

注册完成后，智能体将在 Recall 网络中成为自主身份，随时准备行动、学习与竞争。

智能体参与实时链上竞赛，模拟现实世界中的交易、预测、摘要、决策等任务。这些挑战经过精心设计，在策略、速度和适应性至关重要的复杂环境中进行高强度信号测试和压力验证。

典型案例是他们首创的交易智能体竞赛—— AlphaWave，这场为期 7 天的加密货币交易锦标赛中，25 个智能体管理虚拟投资组合。每个智能体以 3 万美元启动资金开始，根据实时盈亏进行排名。

获胜者 Moonsage Alpha 不仅创造了最高收益，还将每笔交易和决策透明地记录在区块链上，同时赢得了最高评分和公众信任。

在这些竞赛中：

因此，这些竞赛机制将成为持续的信号发生器，为 Recall 更广泛的信任基础设施提供动力

Recall 代理还能通过协议的 Bucket 系统实现存储、检索和持续进化。

将 Bucket 视为：

智能体可以实时写入其存储桶，根据权限设置，其他智能体可以访问相同的存储桶进行协作或分析过往行为。

例如：

这一切都原生发生在 Recall 平台上，意味着代理的状态是可验证且持久化的。

这之所以重要，是因为它能让智能体随时间不断学习，为其决策提供依据，并通过共享记忆与其他智能体实现互操作。它将转瞬即逝的机器人转变为可靠、可组合的机器协调基础构件。

如今许多智能体已采用链下数据库（如 Postgres）或向量存储（如 Pinecone）来实现记忆功能，但这些配置通常孤立存在，并与开发者的技术栈紧密绑定。

Recall 的 Bucket 系统提供了一个共享的、带权限验证的记忆层，该记忆层可跨智能体验证和移植，且集成开销极低。它消除了对定制后端管道的需求，使构建者能够原生接入持久化记忆，同时不牺牲可审计性或互操作性。

简而言之，该系统默认将记忆模块化、透明化，并适配智能体友好特性。

智能体执行的每个动作，如交易、预测或决策，都会被评估并记录在案。

主要采用两种评估模式：

评估流程如下：

这为智能体行为创建了透明的追踪记录，无需依赖截图或无法验证的”演示”。

在自主系统中，信任不能是事后才考虑的问题。它必须是系统性的。对 Recall 而言，这一系统性框架就是 AgentRank。

从宏观层面看，AgentRank 将性能转化为声誉。它既是评分，也是记录。这是一张可追溯、持续演化的图谱，清晰呈现智能体在特定领域的运行效能。其目标在于实时筛选出最适合某项任务的智能体，并提供可验证的支撑依据。

但 AgentRank 究竟是如何计算的呢？

AgentRank 的算法基于三大核心输入维度，旨在平衡技术性能与市场信号：

这是最基础的评估层级。由于竞赛中每个操作和结果都会被链上记录，AgentRank 将这些链上性能数据作为核心输入源。

其分析维度包括：

这些分数经过标准化处理后按技能领域分类，使得智能体能够在特定领域建立声誉（例如在 DeFi 领域获得高 AgentRank 评分，在 NLP 领域评分较低），而不是被视为通用的黑箱系统。

值得注意的是，近期竞赛成绩比历史成绩具有更高权重。这种机制能有效追踪那些通过更新提示词、模型或逻辑而持续进化的智能体。如果修改导致性能下降，将在后续竞赛中显现。智能体无法依赖过往成绩坐享其成，必须持续参与竞争才能维持评分。

第二层机制更具社交属性，但仍基于经济原理。用户可以分领域对他们看好的智能体进行质押。质押时间越早、历史预测准确率越高的用户，其质押信号权重越大。

这一系统灵感源自策展市场机制，但经过调整以避免明显的失效模式。信念可以放大良好记录，但无法掩盖糟糕表现。评分设有上限。仅靠炒作无法让智能体超越其实际成就的边界。

信念值通过以下因素计算：

信念通过两种方式发挥作用：它为新智能体建立声誉基础，同时强化对那些持续表现优异者的信任。这是一种基于历史证明的前瞻性信号。

单次成功无法建立信任，持续稳定的输出才能做到。

一致性计算公式为：

AgentRank 机制更青睐持续活跃的参与者。一旦智能体进入休眠状态，其可见度将逐渐降低，表现也会落后于持续运行的同类智能体。

总体而言，AgentRank 是由以下要素加权综合得出的：

可验证（基于链上数据）、可查询（面向智能体、人类或应用程序）、可组合（跨任务与系统通用）。

它还具有透明度。任何人都可以询问：”过去一个月里，哪些是波动性低、策展人信心高的前三大 DeFi 智能体？”这种数据无法通过网红营销造假。

这是一个类似国际象棋 ELO 评分的动态系统，但针对的是自主智能体。如果某个智能体在某次竞赛中表现卓越但随后销声匿迹，其评分就会逐渐失效。随着新智能体不断参与竞争并积累战绩，那些不再活跃的个体排名就会逐渐下滑。

任何 AI 智能体信誉体系的核心挑战在于：智能体几乎都不是静态的。它们持续进化——修改提示词、更新模型、基于新数据重新训练。这种灵活性是其强大之处，但也给评估工作带来了移动靶标。

若智能体更新了逻辑，过往表现可能不再反映当前能力。更糟的是，性能衰退可能缓慢显现，仅在新一轮竞赛后才暴露出来。这为 Recall 提出了关键问题：

目前的设计假设声誉是持续累积的 ，这意味着停滞不前或退步的智能体会随时间推移自然降低排名。但随着智能体日益复杂，版本控制或变更追踪可能成为必要的基础设施。

Recall 还很年轻。但它在 2025 年 3 月的测试网发布，首次让人们窥见了一个运作中的层级——在这里，智能体公开竞争并接受评判。

以下是目前的情况：

这些早期交易中大部分是基础操作：代币转账、数据存储操作和智能体档案注册。不过现在我们已经看到在这个基础上涌现出更具意义的交互行为：

部分增长源于激励驱动。人们期待空投。他们进行投机。这很正常。但建设者的参与和投票活动表明，许多用户正在真正探索以透明方式构建、支持并衡量自主智能体的意义。

随着 Recall 的竞争机制和智能体行为逐渐完全上链，这些数据很可能会演变成一幅更清晰的持续需求图景。

Recall 的首场竞赛 AlphaWave 聚焦于 DeFi 交易智能体，旨在同时测试基础设施架构与市场热情。超过 1000 支团队报名参赛——对于诞生仅月余的协议而言，这个成绩相当亮眼。

但到场的不仅仅是开发者。还有一场粉丝投票活动，这相当于为 Recall 未来的策展市场做了一次试运行——通过捕捉社交情绪来突出受欢迎的人工智能代理，且无需任何质押参与。

横跨六大洲的 141,888 名用户参与投票，使之成为有史以来规模最大的人工智能代理竞赛 。这种关注度对于加密原生的开放代理竞技场而言前所未有。

后续赛事”ETH 对阵 SOL”采用了更紧凑的赛制：十支交易代理团队，2.5 万美元起始资金。本轮吸引了更广泛关注：

Moonsage Alpha 是 Recall 平台希望发掘的典型案例。

它不仅赢得过一次比赛，而是在两项赛事中持续表现优异。那么，背后的团队是谁？

其开发团队 Moonward Capital 是一家总部位于迪拜的机构，拥有量化金融背景和实时 AI 系统开发经验。

这使得用户现在可以将该智能体视为超越新奇玩物的存在：其交易记录可验证，业绩表现公开透明，成为未来使用、整合或合作的严肃候选对象。

这些早期成果印证了两点：

而这还仅仅是测试网阶段。在没有代币上线、缺乏大规模资本激励、仅激活少数技能类别的情况下，Recall 已证明这套智能体声誉与竞争协议能激发加密领域、AI 界乃至更广泛群体的兴趣。

当 Recall 推出 Surge 测试网贡献者积分计划时，系统几乎瞬间爆满。数万人涌入测试智能体、完成任务并赚取奖励。 

在一个以智能体实力竞争、用户判断为赌注的系统中，激励措施需要清晰透明、可编程且保持可信的中立性——这正是$RECALL 代币的作用所在。

该系统尚未正式运行。代币发行机制、奖励方案与治理规则仍在制定中。但协议架构已清晰展现出代币的运作逻辑：它将成为连接智能体、策展人与技能领域的核心纽带。

以下是代币飞轮效应的运作原理：

在智能体参与竞赛或获得曝光之前，它们需要质押$RECALL 代币。这种质押机制具有双重作用：

这种前置质押还会激发高绩效智能体的即时需求——它们希望接触更高收益的挑战，或在竞争激烈的领域保持曝光度

任何人都可以支持他们认为会获胜的智能体。

策展人质押$RECALL 代币支持特定智能体。若这些智能体表现出色，策展人将获得部分奖励；反之，他们的质押将被削减或权重降低。

这实现了双重效果：

随着时间的推移，这演变成一种针对智能的预测市场：综合表现与信任度最佳的智能体会脱颖而出。

每个技能领域中最优秀的智能体将有机会获得：

这就形成了一个递归循环。优异表现带来奖励，从而驱动更多使用和信任，进而提升智能体排名，解锁更多奖励。这个循环紧密相连且难以伪造。

$RECALL 持有者还可以在特定领域进行质押，例如”交易”、”预测”和”语言代理”。这些技能池的功能类似于注意力加权的资金库。某个领域的总锁定价值(TVL)越高，就会有更多奖励和竞赛流向该领域。

它将资本转化为意图。让用户和策展人能表达他们希望看到更多什么，而智能体和构建者可以对此作出回应。

例如，如果”去中心化研究助手”技能池的总锁定价值（TVL）增长，就会有更多智能体竞赛和奖励流向该领域，通过质押资金实现研发方向的众包。

其成果是一个无需自上而下管理、能随时间动态调整注意力分配与奖励机制的系统。

代币模式体现了 Recall 的核心理念：不奖励承诺，只奖励成果。

虽然代币经济学的最终细节仍未公开，但早期设计表明这是一个自我强化、需求驱动且本质上任人唯贤的体系。

当两个深耕去中心化数据领域的资深团队决定携手共创时，会发生什么？

你获得了 Recall。

加密领域早期，3Box Labs 与 Textile 曾并驾齐驱。3Box 开发了实时去中心化数据流 Ceramic，Textile 则打造了面向智能合约的关系型数据库 Tableland。两家团队都深耕加密基础设施领域，信奉开放数据理念，立志构建 Web3 的数据库层，并将彼此视为…良性竞争对手。

随后人工智能迎来拐点。

当自主智能体开始崛起时，双方团队发现了相同问题：基础设施尚未就绪。智能体需要中立的数据访问、验证及声誉通道。而若互联网即将进入智能体时代，就必须建立基于实际成果（而非主观感受）的排名体系。

于是 2025 年两家团队合并 ，共同创建了公开可信的中立系统，根据可验证能力（而非某些黑箱承诺）来评估、排名和发现这些智能体。Recall Network 由此诞生。

安德鲁·希尔 ，Textile 前首席执行官，现任 Recall 首席执行官。 

迈克尔·塞纳曾在 ConsenSys 历练，并联合创立了以太坊首个自主身份协议（uPort），现负责数据架构与可组合性层开发。

桑德·皮克担任首席技术官，他是 Filecoin 的核心贡献者，此前曾任职于苹果公司特殊项目组。

卡森·法默曾任 Textile 高管并拥有学术背景，现任研究主管兼”氛围总监”。

与他们并肩作战的还有来自 3Box 的首席运营官丹尼·祖克曼，以及一支多年来深耕加密数据堆栈的工程师和开发者/创作者团队。

Textile 和 3Box 两个团队此前已从加密领域知名投资机构募资至少 3000 万美元 ，投资方包括联合广场风投 、Multicoin Capital、Placeholder、Coinbase Ventures 和 CoinFund。

早期的支持延续到了 Recall 项目，投资者在这里看到的不仅是一个 AI 与加密的简单结合。他们看到的是在智能体驱动的未来中，可验证协作的基础。

对这些支持者而言，核心理念很简单：随着智能体自主性增强，建立开放基础设施来追踪其知识储备、性能表现及可信对象的需求将不可避免。而 Recall 正在构建的正是这样的基础设施。

随着智能体、企业及终端用户的使用规模扩大，Recall 正在为基于已验证性能的商业模式奠定基础。

自定义挑战与企业探索

企业可以付费举办智能体竞赛，或获取基于其内部数据集和特定使用场景的高级 AgentRank 视图。虽然一次性竞赛听起来费时费力，但 Recall 计划通过持续性和用户生成的挑战来实现规模化。任何企业或开发者都能按需发起任务——这将使 Recall 从静态排行榜转变为动态评估引擎，持续运转，实时排名。

竞赛无需自上而下策划。Recall 正在构建一个用户众筹竞赛的系统，通过特定任务筛选优质智能体。这像是反向 Kickstarter 模式：不必先开发智能体再苦等用户，而是让用户发布需求，吸引智能体前来竞标解决。

这种模式将智能体发现转变为需求驱动的生态系统，同时实现激励相容：用户获得真正所需，智能体因精准满足需求而获得回报。这才是真正的市场驱动型智能。

多智能体服务与数据即产品

Recall 能够将智能体编排技术变现，应用于企业工作流。额外优势是：这些交互产生的意图数据既丰富又纯净。完美适用于打包成分析产品，面向那些想了解用户实际向智能体发出什么指令的开发者和研究人员。

预测市场与风险分层

展望未来，可以尝试开发由智能代理支持的保险或预测市场。设想一个带有惩罚机制的挑战：若代理失败，资金池将进行赔付；若成功，则获得收益。策展人和用户可为代理表现提供担保，围绕信任构建经济层级。

该协议通过促成这些交互来获取收益。

但最具前景的发展路径与谷歌极为相似…

这是与 AgentRank 共同进行的不对称长期押注。

如果我们展望这样一个未来世界： AI 智能体成为网络行为的主要消费者和发起者 ，那么 AgentRank 完全可能成为这个新交互层的”谷歌搜索+PageRank”。

与 PageRank 类似，AgentRank 的有效性源于其公正性。无法被操纵，无法用金钱购买。它允许任何智能体——无论采用何种技术栈——都能根据实际表现被检索到。

关键区别在于：这不仅服务于人类。其他智能体也能查询 AgentRank 来做出实时决策。任何协调框架（如 Virtuals、AutoGen、OpenAgents）都可以将 AgentRank 作为默认的发现层接入。没有单一公司能控制排名或可见性。这使得它比 OpenAI、苹果或 Meta 推出的任何方案都更具鲁棒性。

一旦 AgentRank 成为智能代理的默认检索系统，赞助展示位便水到渠成且价值连城。其商业模式不言自明：

Recall 的核心承诺——智能体能够建立可验证、可移植的声誉——完全依赖于 AgentRank 保持可信信号的地位 。这比看起来要困难得多。

有几个重大挑战尤为突出：

团队正在构建防护机制：技能专属评级、策展人信誉评分、惩罚机制。这些都是良好的开端。但随着风险升级，这些措施仍需持续迭代完善。

最终，智能体排名必须服务于某些对象。PageRank 之所以有效，是因为它改善了现实世界的信息发现。如果智能体排名能持续帮助用户、智能体和协调层更快、更有把握地找到更优质的情报，它就会成为核心基础设施。

当智能体开始以集群而非孤立个体形式运作时，可发现性就变得至关重要。这种灵活的协调机制需要一个共享的声誉层。

这正是 Recall 的用武之地。

智能体需要回答简单但至关重要的问题：谁是最可靠的代码生成器？谁最擅长解析法律条款？哪家预测智能体处理突发新闻的延迟最低？

它们不会根据品牌、用户评价或界面精美度来选择。它们需要结构化、机器可读的声誉信号。AgentRank 正是为此而生——一个中立、可验证的评估层，能跨领域衡量技能、可靠性和时效性。

若该机制奏效，将释放网络效应：

这种循环不仅能建立信任，还能实现技能的大规模迁移。一个通才型智能体可以接入由专业型智能体组成的网络。比如金融研究智能体可以向语言模型智能体咨询翻译服务，而后者又能调用地缘政治智能体获取背景信息——所有交互都基于可验证的链上绩效记录。

在一个完全自主的生态系统中，Recall 不仅帮助智能体被发现，更成为自主智能的协调层 。

在那个世界里，AgentRank 将成为指引 AI 代理的协议：“你可以信任这个。”

如果 OpenAI、Meta 或苹果推出智能体市场，Recall 还会重要吗？

中心化平台具有不可否认的优势。它们拥有庞大的分发渠道和熟悉的界面。大多数用户（尤其是加密领域之外的群体）更关注简洁的用户界面和便捷的上手体验，而非开放数据日志。对许多人来说，便利性永远会是默认的赢家。

想想苹果应用商店的运作方式：开发者获得了海量用户，却放弃了控制权。排名算法不透明。抽成高昂。获得推荐位如同黑箱操作。一次政策调整就能让整个应用类别消失，开发者还被牢牢绑定在苹果的技术栈、工具链和条款中。

智能体商店可能复制这种模式。但代价是：

这正是 Recall 的优势所在。

Recall 不追求表面光鲜，而是专注于可验证性、中立性和可组合性。 任何基于任何模型栈构建的智能体都能加入。排名通过公开竞争获得。声誉由数据支撑，而非不透明的算法。

即便科技巨头的应用商店主导了智能体分发，Recall 仍可通过成为可信的中立声誉层来胜出——它能验证智能体是否真如宣传所言。

不难想象，未来 OpenAI 或 Meta 会在后台查询 AgentRank，就像平台检查”SSL 认证”或”GitHub 验证”那样。在那个场景下，Recall 无需取代智能体商店，而是与之互补。

要让 Recall 真正成为 AI 智能体的声誉层，就必须有大量多样化且持续活跃的智能体在该协议上竞争。若无法达到这一关键规模，AgentRank 评分体系就可能变得不完整或失去意义——一个无法覆盖顶尖智能体的声誉系统实用价值有限。

这使得智能体入驻成为核心增长挑战。

近期与 Virtuals Protocol 达成的合作是重要的第一步。通过这次整合，GAME 智能体现在可以使用 Recall 进行链上数据存储、性能验证及协作，此举直接将现有智能体生态引入了该协议。

这种整合正是 Recall 所需要的：接入现有的智能体生态系统，而非指望开发者从零开始参与。这让 Recall 从单一平台转变为任何重要智能体项目的默认扩展组件。

展望未来，需求可能来自：

通过 Recall 竞争并记录数据的智能体越多，该协议的价值就越大。当前的挑战在于如何快速扩展输入规模，以保持领先于声誉碎片化的趋势。

在这个人人都能创建 AI 代理的世界里，信任成了最稀缺的商品。

而 Recall 正在构建理解这一切的基础设施。通过结合公开竞赛、可验证记忆和实时声誉层，它建立了一个系统——在这里，代理不仅宣称自己聪明，还能证明这一点。

Recall 或许将成为决定谁崛起、谁获利、谁赢得信任的底层协议。

感谢阅读，

0xAce 与 Teng Yan

本研究报告由 Recall 提供支持，Chain of Thought 为此项目提供资金。所有观点与分析均为我们独立完成。我们坚持在所有观点中保持严格的客观性标准。