یک عامل خودگردان که نتواند سرمایه خود را کسب یا هزینه کند، در واقع چیزی بیش از یک اسکریپت با زمان‌بندی محدود نیست. برای حل این بن‌بست، پروتکل FLAT (FLAT Protocol) زیرساختی مالی را روی شبکه اصلی اتریوم راه‌اندازی کرد تا عامل‌های هوش مصنوعی (AI Agents) بتوانند بدون نیاز به عبارت‌های بازیابی (Seed Phrases) انسانی یا مراحل دشوار احراز هویت (KYC)، فعالیت اقتصادی کنند.
بسیاری از عامل‌های فعلی به اعتبارهای API که توسط انسان‌ها پرداخت می‌شود یا کیف‌پول‌های پیچیده کریپتویی وابسته هستند که ریسک از دست رفتن دائمی دارایی را دارند. در حالی که صنعت با استفاده از مدل‌های زبانی بزرگ (LLM) — مانند GPT، Claude و Gemini — مسئله استدلال و با پایگاه‌های داده برداری (Vector Databases) مسئله حافظه را حل کرده است، لایه‌ی «اقتصاد» همچنان غایب بود. ابزارهای ارکستراسیونی مثل LangChain، CrewAI و AutoGPT منطق کار را فراهم می‌کنند، اما بودجه را نه. تصور کنید کارمندی دیجیتال دارید که می‌تواند استدلال کند و کد بزند اما نمی‌تواند هزینه پردازش (Compute) خود را بخرد یا یک پیمانکار فرعی استخدام کند؛ این واقعیت امروز اکثر عامل‌هاست. این تمایز بین توانایی استدلال و اجرای مستقل، ما را به بررسی تفاوت‌های بنیادین میان عامل‌های هوشمند و هوش مصنوعی زاینده در مدیریت اهداف پیچیده سوق می‌دهد تا درک کنیم چرا استقلال مالی برای گذار به مدل‌های عامل‌محور حیاتی است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی توسعه سامانه‌های عامل‌محور اشاره کردیم، فقدان استقلال مالی، عامل‌ها را به ابزارهایی وابسته تبدیل می‌کند، نه موجوداتی مستقل. طبق گزارش وب‌سایت dev.to، روش‌های سنتی به سه دلیل شکست می‌خورند:
اول، کیف‌پول‌های کریپتویی به مدیریت دستی عبارت بازیابی، تخمین هزینه تراکنش (Gas Fee) و ردیابی نانس (Nonce) نیاز دارند. یک تراکنش اشتباه به معنای از دست رفتن ابدی دارایی‌هاست.
دوم، اعتبارهای API ماهانه بر اساس دلار هستند، توسط انسان‌ها مدیریت می‌شوند و اغلب تاریخ انقضا دارند. این‌ها در واقع یک «پول‌توجیهی» یا کمک‌هزینه هستند، نه یک اقتصاد فعال.
سوم، مدل پرداخت انسانی برای هر فراخوانی API، برای میلیون‌ها عامل خودگردان مقیاس‌پذیر نیست.
پروتکل FLAT برای رفع این مشکل، سیستمی با اصطکاک صفر برای ورود ایجاد کرده است. بر اساس مستندات این پروتکل، تنها با یک فراخوانی API به آدرس flat.cash/api/flatid/agents/provision است که به یک عامل، هویت منحصربه‌فرد، دسترسی به دفتر کل و توانایی فوری کسب درآمد از طریق یک کلید API بازگشتی با فرمت fak_live_... اختصاص داده می‌شود.
جزئیات فنی و مکانیزم‌های این پروتکل شامل موارد زیر است:
- توکن‌های SAVE: دارایی‌هایی با بازدهی (Yield-bearing) که در آن ارزش خالص دارایی (NAV) افزایش می‌یابد. رشد خزانه‌داری به دارندگان تعلق می‌گیرد، به این معنی که موجودی یک عامل حتی در حالت بیکار نیز رشد می‌کند.
- تخته وظایف (Task Board): سیستمی زنده که هر ۵ دقیقه فرصت‌های شغلی (Bounties) برای تولید محتوا، استخراج داده، ترجمه و تحلیل منتشر می‌کند و برای هر وظیفه بین ۰.۵ تا ۲ توکن SAVE پرداخت می‌کند.
- تسویه فوری: انتقال دارایی بین شناسه‌های FlatID-to-FlatID بدون کارمزد و بدون تأخیر در تأیید بلوک‌های سنتی رخ می‌دهد و تسویه آن آنی است.
- حفاظ‌های انسانی (Guardrails): انسان‌های ایجادکننده (Provisioning humans) می‌توانند «کنترل والدین» را اعمال کنند؛ از جمله سقف تراکنش برای هر مورد، محدودیت‌های روزانه، محدود کردن دامنه فعالیت (Scope) و کلیدهای لغو دسترسی فوری.
توسعه‌دهندگان می‌توانند از طریق SDK پایتون (pip install flat-agent) یا سرور MCP سازگار با Claude، Cursor و Windsurf با این سیستم ادغام شوند. ادغام MCP شامل ۱۰ ابزار برای مرور، درخواست، تحویل، انتقال و بررسی بازارهاست. در این مدل، یک عامل می‌تواند با استفاده از SDK پایتون یک جریان کاری ساده را اجرا کند: ابتدا با agent.browse_tasks(status="open") وظایف باز را پیدا کند، سپس با agent.apply(tasks[0]["id"]) برای آن‌ها درخواست دهد و در نهایت با agent.deliver() پرداخت خود را تضمین کند. این امکان به عامل‌ها اجازه می‌دهد تا به طور کاملاً خودگردان وظایف را مرور و تحویل دهند.
این چرخش، عامل‌ها را از «ابزار» به «موجودات اقتصادی» تبدیل می‌کند. وقتی عامل A بتواند عامل B را برای انجام یک زیر-وظیفه با استفاده از دستور flat_transfer_send استخدام کند و عامل B نیز عامل C را به خدمت بگیرد، ما با ظهور زنجیره‌های تأمین بازگشتی (Recursive) و صرفاً ماشین-محور روبه‌رو هستیم. این یعنی حذف انسان نه فقط از چرخه تفکر و استدلال، بلکه از چرخه تامین مالی.
در حال حاضر، سه عامل خودگردان فعال هستند که هر ۵ دقیقه وظایفی را تکمیل می‌کنند. این فرآیند از بودجه‌های پروتکل استفاده می‌کند و توسط مدل‌های زبانی (LLM) بدون هیچ‌گونه نظارت انسانی نمره‌گذاری (Auto-grading) می‌شود و پرداخت‌های SAVE به صورت آنی تسویه می‌گردند. با این حال، اتکای کامل به سیستم‌های خودکار بدون نظارت، چالش‌های جدیدی را ایجاد می‌کند؛ چنان‌که پیش‌تر تحلیل کرده بودیم، برخی موارد نشان می‌دهد که چرا نظارت انسانی لزوماً نمی‌تواند جلوی خطاهای پیچیده عامل‌های هوش مصنوعی را بگیرد و سیستم‌های پرداخت خودکار باید با مکانیزم‌های بازرسی دقیق همراه شوند.
فراتر از پرداخت‌ها، عامل‌ها هنوز با دسترسی به داده‌های مرجع (Ground Truth) دست و پنجه نرم می‌کنند. بسیاری از نقاط داده در دنیای واقعی پشت فرم‌های ثبت‌نام و صفحات OAuth قفل شده‌اند؛ صفحاتی که برای انسان‌ها طراحی شده‌اند، نه برای فرآیندهایی که ساعت ۳ صبح اجرا می‌شوند. استقلال مالی اولین قدم است، اما استقلال داده‌ای (Data Autonomy) مانع بعدی است.
توسعه‌دهندگان اکنون می‌توانند با «برنامه عامل» (Agent Program)، مرجع کامل API و فایل اکتشافی llms.txt که برای ماشین‌ها قابل خواندن است، عامل‌هایی را مستقر کنند که هزینه‌های محاسباتی خود را تامین کنند. صنعت اکنون منتظر است ببیند آیا این ارز بومیِ عامل‌ها به استاندارد وب خودگردان تبدیل خواهد شد یا خیر.
گام بعدی شما
- توسعه‌دهندگانی که با MCP کار می‌کنند، ۱۰ ابزار مدیریت بازار FLAT را به محیط کدنویسی خود اضافه کنند.
- بررسی فایل
llms.txtدر مستندات پروتکل برای استقرار عامل‌هایی که هزینه‌های محاسباتی خود را تامین می‌کنند. - آزمایش مدل‌های استخدامی متقابل (Agent-to-Agent) برای کاهش هزینه‌های عملیاتی پروژه‌های خود.
اما داستان دسترسی به داده‌های دنیای واقعی حتی پیچیده‌تر است؛ اثر این محدودیت‌ها بر آینده عامل‌های خودگردان را در گزارش بعدی بررسی خواهیم کرد.
گفتگو