KeyFrame內部研究專用

Agents Need Receipts, Not More Tool Calls - Armanas Povilionis, Alithea Bio

AI Engineer·7月18日週六·19 min英文

三句話摘要

Froglet — 為 AI 代理開啟跨組織協作與服務交易的開源協議。 Froglet 透過標準化協議與可驗證收據鏈,將跨組織的科研協作從定制工程轉變為可自動化、可規模化的服務發現與交易,讓 AI 代理真正成為協調複雜供應鏈的"行政主廚"。 科研工作需要供應鏈協調,不只是工具堆積

重點整理

重點
  • 1

    科研工作需要供應鏈協調,不只是工具堆積

  • 2

    講者將科研比喻為米其林星級餐廳運營,不是在廚房裡獨自烹飪。關鍵不在本地工具有多好,而在於整個供應商網絡的一致性與可重複性——這是現有 AI 代理框架的缺口。

  • 3

    未來代理角色演變:從廚師變成行政主廚

  • 4

    代理不再只執行已分配的工具,而是獲得預算、發現服務、談判條件、跨組織邊界請求數據與計算資源。這需要一個標準化的交易層。

  • 5

    解決科研協作的成本問題

  • 6

    傳統生命科學協作通常變成需時數年、投資數百萬的定制項目。Froglet 將成本降至數千個 token、操作時間縮至分鐘級——組織只需決定共享資源,代理就能自動發現與交互。

  • 7

    可驗證的執行鏈保證透明度與重複性

  • 8

    每個 Froglet 節點生成密鑰對簽署所有交易環節,從報價到執行到收據,形成不可篡改的完整記錄,這是支持科學協作與審計的關鍵。

實用技巧與重點

乾貨
  • 組織與項目
  • 公司:Aliphayabio(專注免疫學、免疫肽體學)
  • 開源項目:Froglet
  • 官方網站:froglet.dev
  • 代碼託管:GitHub
  • 技術特性
  • 協議模式:節點可同時扮演提供者、請求者、市場角色
  • MCP 集成:支持 Open Claw、Nemo Claw,可作為 MCP server/plugin
  • 執行環境:Docker(本地),遠程服務器(試用)
  • 密鑰管理:每個節點自動生成密鑰對,用於簽署所有交易
  • 簽署機制:完整交易鏈簽署,任何數據篡改即使無效
  • 部署方式
  • 本地安裝:單行命令 `HTTPS Froglet dev agent`
  • 遠程試用:15 分鐘臨時令牌,訪問 FrogletTry.Froglet.Dev
  • Claude 集成:MCP 插件啟用後,可直接通過 LLM 指令操控
  • 核心功能流程
  • 節點生成身份與密鑰對
  • 提供者發佈服務描述到市場
  • 請求者查詢市場,識別所需服務
  • 兩方直接通信(無中介)
  • 交易、執行、收據在單次交互完成
  • 演示案例
  • 簡單服務:加法函數(5 + 7 = 12)
  • 本地測試成功,返回結果 12
  • 支持的資源類型:數據庫行級訪問、GPU 計算等,按 token 或其他方式付費

結論

結論

Froglet 透過標準化協議與可驗證收據鏈,將跨組織的科研協作從定制工程轉變為可自動化、可規模化的服務發現與交易,讓 AI 代理真正成為協調複雜供應鏈的"行政主廚"。

完整解析

詳細

Armanos 來自專注於生命科學與免疫學研究的 Aliphayabio 公司。他們發現,儘管已有許多 AI 代理和工具組合,但在支撐科學研究這類協作密集的工作時仍有關鍵缺口。傳統的科學協作往往跨越多個組織與數據源,需要複雜的談判、合約、數據共享協議,每個項目都成為耗時數年、成本高達數百萬的定制工程。

核心洞察在於,科研工作本質上不是在孤立廚房裡烹飪(即單個代理執行任務),而是經營一家米其林星級餐廳,涉及供應商管理、質量控制、一致的交付流程。光是給代理更多、更好的工具並不夠,真正的瓶頸在於協調跨組織邊界的整個供應鏈。因此,Froglet 應運而生——一個開源協議,讓 AI 代理不僅擁有工具,還擁有預算能力,允許它們在組織邊界間自主發現服務、請求數據、協商條件、為工作付費。在這種模式下,代理的角色從執行者升級為"行政主廚",可以發現供應商、預訂資源、協調工作流程,同時保持完整的執行記錄。

Froglet 的設計哲學是集成而非替代。它不依賴統一的軟件棧,而是定義統一的接口標準。每個節點生成唯一的身份與密鑰對,所有交互都被密碼簽署,形成不可篡改的交易鏈。提供者發佈服務到市場,請求者查詢發現後,雙方直接通信,完成報價、交易、執行、收據的全流程——一切在幾個 token 和幾分鐘內完成。與傳統協作項目相比,複雜度與成本大幅下降。

技術上,Froglet 可本地部署(Docker 單行命令)或遠程訪問(15 分鐘試用令牌)。它集成 MCP 協議,支持在 Claude 等 LLM 環境中作為插件運行,讓用戶通過自然語言指令驅動整個流程——查看節點狀態、發佈服務、調用遠程功能、檢索結果。演示中,講者成功從 Claude 指令調用本地 Froglet 節點上的加法服務,整個流程對 LLM 完全透明。這說明 Froglet 的真正價值不在於單個功能,而在於將服務發現、支付協商、執行驗證等複雜後臺流程隱藏起來,讓代理專注於高層目標,而無需被繁瑣的協議細節淹沒。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。