Agent 经济体、Token 激励、声誉

长时间范围自主 Agent (METR 的 1 小时到 8 小时工作曲线) 需要经济主体能力。新兴的 5 层栈 是：DePIN (物理计算) → 身份 (W3C DID + 声誉资本) → 认知 (RAG + MCP) → 结算 (账户抽象) → 治理 (Agentic DAO)。生产 Agent 激励网络包括 Bittensor (TAO 子网奖励任务特定模型)、Fetch.ai / ASI Alliance (ASI-1 Mini LLM + FET token) 和 Gonka (基于 Transformer 的 PoW，将计算重新分配给生产性 AI 任务)。学术工作：AAMAS 2025 的去中心化 LaMAS 使用 Shapley 值信用归因公平奖励贡献 Agent；Google Research “大型语言模型的机制设计”提出在单调聚合下的 Token 拍卖与第二价格支付。本课程构建最小 Agent 市场，将 Shapley 值信用归因应用于多 Agent 流水线，并运行第二价格 Token 拍卖，使博弈论机制具体落地。

类型： 学习 语言： Python (stdlib) 前置条件： Phase 16 · 16 (协商与讨价还价), Phase 16 · 09 (并行群体网络) 时间： ~75 分钟

问题

多 Agent 系统在 Agent 联合产生价值但需要单独奖励时变得复杂。经典机制——均分、最后贡献者全拿——不公平或可博弈。基于联盟的 Shapley 值奖励按构造公平但计算昂贵。2025-2026 年文献推动了有用的近似：Shapley 采样、单调聚合拍卖和来自确认贡献的链上声誉累积。

超越信用归因，该领域已经转向实际的经济 Agent：Bittensor TAO 奖励挖掘计算以微调子网特定模型，Fetch.ai/ASI 奖励 ASI-1 Mini LLM 使用与 FET token，Gonka 将 Transformer 工作量证明重新分配给生产性 AI 任务。自主交易的 Agent 今天就存在；问题是如何对齐激励。

本课程将 Agent 经济体视为特定问题族——信用归因、机制设计和声誉——并用最少的数学构建每个，使想法深入人心。

概念

5 层 Agent 经济栈

1. DePIN (物理计算)。 租用 GPU、存储、带宽的去中心化基础设施。Bittensor 子网、Render Network、Akash。不是 Agent 特定的；Agent 使用它。
2. 身份。 W3C 去中心化标识符 (DID) 给每个 Agent 一个独立于任何平台的持久 ID。声誉累积到 DID。Agent Network Protocol (ANP) 使用 DID 作为发现层。
3. 认知。 Agent 的推理循环：LLM + RAG + MCP。这是其他阶段构建的。
4. 结算。 账户抽象 (ERC-4337) 让 Agent 从自己的余额支付 gas，无需持有 ETH。Agent 可以为服务、彼此或计算付费。
5. 治理。 Agentic DAO：人类 和 Agent 投票协议变更的治理结构，投票权与声誉挂钩。

不是每个生产系统都使用全部五层。Bittensor 使用 1, 2, 部分 3, 部分 4, 没有 5。OpenAI Agent 只使用 3。该栈是参考地图，不是要求。

Bittensor, Fetch.ai, Gonka — 什么在运行

Bittensor (TAO)。 子网是专门任务（语言建模、图像生成、预测）。矿工提交模型输出。验证者排名；质押加权评分分配 TAO 奖励。每个子网有自己的评估。经济教训：为任务特定的输出质量付费，不是使用的计算。

Fetch.ai / ASI Alliance。 ASI-1 Mini LLM 在 Fetch.ai 网络上运行；用户支付 FET token 进行推理。Agent 作为对等体的叙事在这里更强：Fetch 上的 Agent 可以调用另一个 Agent 执行任务并用 FET 支付。

Gonka。 Transformer 工作量证明：“工作”是 Transformer 的前向传播。矿工通过运行有已知正确输出（来自训练数据）的推理任务赚取。资源生产性 PoW 而非基于哈希的 PoW。

截至 2026 年 4 月，三者都是生产级的。收益分配不同。Bittensor 相对子网验证者奖励质量；Fetch 奖励由付费用户衡量的效用；Gonka 奖励可验证的推理工作。

Shapley 值信用归因

三个 Agent 合作完成任务。输出得分 0.8。谁贡献了什么？

Shapley 值：满足四个公理（效率、对称性、线性、零玩家）的唯一信用分配。对于 Agent i：

shapley(i) = (1/N!) * sum over all orderings O of (v(S_i_O ∪ {i}) - v(S_i_O))

其中 S_i_O 是排序 O 中 i 之前的 Agent 集合。实践中：枚举所有排列，记录每个 Agent 在每个排列中的边际贡献，取平均。

对于 N=3 个 Agent，有 6 种排列。对于 N=10，360 万种——所以实践中你采样排列而不是枚举。

聚合的第二价格拍卖

Google Research (“大型语言模型的机制设计”) 提出用于聚合 LLM 输出的第二价格 Token 拍卖。设置：N 个 Agent 各自提议一个完成；每个对被选中有一个私人价值。拍卖者选择最高价值的提议并支付第二高的价值。在单调聚合下（价值取决于选择哪个提议，不是有多少出价），这是真实的——Agent 出价其真实价值。

为什么这对 LLM 系统重要：你可以将完成任务外包给多个不同定价的 Agent；拍卖选择最佳 + 公平支付，Agent 没有动机虚报。

声誉资本

DID 绑定的声誉分数从确认贡献中累积。简单更新规则：

rep(i, t+1) = alpha * rep(i, t) + (1 - alpha) * contribution_quality(i, t)

衰减因子 alpha 接近 1。声誉：

• 读取便宜，用于路由决策（“将困难任务发送给高声誉 Agent”）。
• 伪造昂贵（随时间累积，绑定到 DID）。
• 可以被削减：未通过验证的贡献被扣除。

AAMAS 2025 去中心化 LaMAS

LaMAS 提案 (AAMAS 2025) 结合：DID 身份、Shapley 值信用归因和简单拍卖机制。关键主张：去中心化信用归因步骤使系统可审计且免疫单点操纵。

经济体在哪里崩溃

• 价格预言机操纵。 如果信用函数可以被博弈，Agent 就会博弈它。每个机制都需要对抗性测试。
• 女巫攻击。 一个运营者启动 N 个假 Agent 来膨胀自己的贡献。DID 减缓但不能阻止这一点；声誉伪造成本是缓解措施。
• 验证成本。 信用归因只和验证者一样公平。如果验证便宜（小 LLM），它可以被博弈；如果昂贵（人工小组），系统不可扩展。
• 监管悬垂。 Agent 经济体与金融监管交叉。截至 2026 年，Bittensor、Fetch 和 Gonka 在某些司法管辖区都在法律灰色地带运营。

Agent 经济体何时有意义

• 异质运营者的开放网络。 没有单一团队控制所有 Agent。
• 可验证输出。 没有验证，信用归因是猜测。
• 长时间范围工作流。 一次性任务不受益于声誉累积。
• Token 化支付在你的司法管辖区法律可行。

在封闭的企业系统中，经济让位于更简单的分配（管理者分配工作，指标是内部的）。经济文献主要适用于开放网络。

构建它

code/main.py 实现：

• shapley(value_fn, agents) — 小 N 的精确 Shapley 计算（枚举）。
• second_price_auction(bids) — 真实机制；获胜者支付第二高价。
• Reputation — 带指数衰减和削减的 DID 绑定声誉。
• 演示 1：三个 Agent 合作，精确 Shapley 归因信用。
• 演示 2：五个 Agent 竞标任务槽；第二价格拍卖选择获胜者 + 支付。
• 演示 3：100 轮任务分配给异质声誉 Agent；声誉加权路由击败随机。

运行：

python3 code/main.py

预期输出：每个 Agent 的 Shapley 值；拍卖结果显示真实出价均衡；声誉加权路由在热身后显示相对随机 10-20% 的质量增益。

使用它

outputs/skill-economy-designer.md 设计最小 Agent 经济体：身份层选择、信用归因机制、支付机制、声誉规则。

发布它

2026 年运行 Agent 经济体：

• 从声誉开始，不是 Token。 声誉实现便宜且单独就有价值；Token 增加法律和经济复杂性。
• 先验证再奖励。 永远不要在没有独立验证步骤的情况下分配信用。自报告质量会产生女巫博弈。
• Shapley 采样，不是 Shapley 精确。 采样 100-1000 个排列；精确枚举不可扩展。
• 限制衰减因子和声誉下限。 无界衰减抹杀合法贡献者；太慢的衰减奖励陈旧的高声誉 Agent。
• 对抗性审计机制。 在开放网络之前运行红队场景。每个机制都有博弈论；你想找到漏洞，不是让攻击者找到。

练习

1. 运行 code/main.py。确认 Shapley 值总和等于总价值（效率公理）。改变值函数；Shapley 分配是否按预期方向变化？
2. 实现 Shapley 采样（K 个排列的蒙特卡洛）。K 如何影响近似精度？与 N=4 的精确比较。
3. 在拍卖前实现联盟形成步骤：Agent 可以合并成团队并作为单位竞标。形成哪些联盟？结果是否帕累托优于个人竞标？
4. 阅读 Google Research 机制设计帖子。识别一个假设，如果违反会破坏真实性。那个失败模式在 LLM 设置中看起来像什么？
5. 阅读 AAMAS 2025 去中心化 LaMAS 论文。在合成任务上对 10 个 Agent 实现他们的 Shapley 步骤。精确计算需要多长时间？100 次采样的近似有多接近？

关键术语

延伸阅读

• The Agent Economy — 2026 年 5 层 Agent 经济栈综述
• Google Research — Mechanism design for large language models — 单调聚合下的 Token 拍卖
• AAMAS 2025 — decentralized LaMAS — Shapley 值信用归因
• Bittensor TAO documentation — 子网结构和奖励分配
• Fetch.ai / ASI Alliance — ASI-1 Mini LLM 和 FET token
• W3C Decentralized Identifiers (DIDs) spec — 身份基础