Solana 上的 AI 交易 Agent:架构、决策、需要的 RPC 栈

"AI 交易 agent"是 2026 年很流行的词,但不同人嘴里意思不一样。有时候是普通交易机器人换了个营销说法,有时候是真有意义的架构——LLM 驱动的决策引擎,实际在塑造交易决策。这个类别确实存在,但市面上的营销描述很乱。

这篇过一遍 Solana 上 AI 交易 agent 的实际架构、LLM 驱动决策在哪里加价值(在哪里反而不加),以及搭一个时哪些基础设施决定真的重要。

AI Agent 和交易机器人有什么区别

先把这两个概念分清楚:

交易机器人。 走的是确定性逻辑。检测到信号 → 按预设规则执行交易。"智能"体现在策略设计者身上、不在运行时的机器人本身。大多数"交易机器人",不管营销怎么包装,都属于这一类。

AI 交易 agent。 运行时由 LLM 或模型驱动决策。Agent 摄入信息(链上状态、新闻、社交信号)、判断该做什么、然后提交交易。同样的输入,决策可能不一样,因为是基于模型推理出来的。

实际上界限很模糊——大量真实系统其实是混合的。比如一个交易机器人加了 LLM 来过滤"哪些机会值得执行",这部分就算 agent;一个 AI agent 走的是硬编码的执行路径,这部分又算机器人。

AI agent 真正擅长的场景: 那些规则逻辑搞不定的模糊判断。比如:"这个代币的叙事靠不靠谱?""这个开发团队的历史记录能不能信?""几个信号互相打架时,仓位该怎么定?"

AI agent 不如机器人的场景: 高频、清晰的执行。如果你的判断是"池子价差超过 X bp 就 swap",那你要的不是 LLM、是一个反应快的机器人。

一个合理的 Agent 架构是什么样

大多数生产级 AI 交易 agent 大概是这个结构:

信息层。

实时链上状态(RPC 订阅或流式数据源)
社交信号(Twitter、Discord、Telegram 监控)
新闻 feed
链上分析(钱包活动、聪明钱信号)

推理层。

接入合适上下文的 LLM
让模型按需查具体数据的工具(MCP 工具、自定义函数调用)
决策输出:做不做交易、什么方向、什么规模

执行层。

标准的交易机器人基础设施
常见动作的预构建交易模板
通过 Anti-MEV RPC 提交
每笔签名级别的遥测

反馈层。

跟踪 agent 决策的实际结果
用结果调 prompt、选模型、迭代 agent

推理层是新东西。信息和执行层基本和非 AI 机器人一样。

MCP 怎么接进来

MCP(Model Context Protocol)是连接语言模型和外部工具的开放协议。Solana 这块,MCP 服务器就是让 AI agent 调用工具的入口:查链上状态、模拟交易、提交交易、查分析。

Solana MCP 服务器一般会暴露这种工具:

get_token_info(mint) —— 返回代币元数据、持有人分布、最近活动
get_pool_state(pool_address) —— 返回当前池子储备和最近交易
simulate_swap(input, output, amount) —— 返回某笔 swap 的预期输出
submit_swap(input, output, amount, slippage) —— 实际执行 swap

Agent 在推理过程中调这些工具。执行路径其实和正常机器人一样,只不过触发它的是 LLM 的判断、而不是硬编码逻辑。

AI Agent 真正加价值的地方

老实说,LLM 驱动的方法实际能帮上什么:

过滤代币。 LLM 能快速判断代币的叙事是否对得上链上行为、社交信号、团队背景。比人快,可能比规则强。

判断何时入场。 把技术信号、社交信号、定性判断综合起来——这种判断很难写成规则。

调整仓位规模。 多个信号置信度加权后定规模。

研究新机会。 调查项目、对比历史模式、把候选选项整理出来给人审。

策略适应。 不用重写代码就能根据市场情况调整交易方法。

多步规划。 把交易目标拆成动作序列(比如"分批建仓,然后这些条件下退出")。

AI Agent 加不了价值的地方

同样老实说:

高频执行。 LLM 推理慢(以秒计、不是毫秒)。HFT 风格策略要的是确定性的快逻辑。

机械套利。 "价差超过 X 就吃"不需要推理。

严格的风险管理。 硬限制、kill switch、敞口上限——这些必须是确定性逻辑、不能交给 LLM。

有明确最优解的决策。 问题有明显标准答案的时候,LLM 概率上反而可能给你更差的答案。用规则。

生产里对的模式是:确定性的执行层 + 边界清晰的 LLM 决策层。LLM 决定要不要拿机会,规则决定怎么具体执行。

AI Agent 的 RPC 栈

AI agent 对 RPC 有具体要求:

信息层的读 RPC。 链上状态查询量大。限流要慷慨。

亚秒级确认的写 RPC。 Agent 决定要动手之后,交易必须在机会消失前上链。

Anti-MEV 路由。 AI 驱动的交易也是方向交易,跟别的一样是三明治被夹的目标。

每笔签名级别的遥测。 要评估 agent 决策好坏,你得知道 agent 提交的每笔交易实际发生了什么。

Tip 感知执行。 AI agent 可能做很多探索性尝试,tip-based 计费让成本和成功结果挂钩。

整体模式和任何生产机器人一样,只是推理过程中读流量会稍重一些。

常见的坑

容易出问题的地方:

让 LLM 做执行细节决策。 "我该 tip 10 万还是 20 万 microlamports?"这不是 LLM 该回答的问题。执行细节硬编码,LLM 只决定要不要动手。

Prompt 里塞太多上下文。 把每笔最近交易都塞进 prompt,只会让 LLM 更慢、判断更差。整理出真正相关的内容。

没有反馈回路。 不评估决策质量就搭 agent 等于盲搭。记录决策、记录结果、定期复盘。

没有风险控制。 仓位规模、日亏损、敞口集中度都要硬限制。LLM 必须在这些边界里运作,不能让它控制这些边界本身。

信任 LLM 自报的置信度。 LLM 能很自信地说错话。别根据它自报的"置信度"调仓位。

Agent 循环没有终止条件。 一些 agent 框架可以无限循环。一定要设迭代上限。

用 LLM 做延迟敏感的决策。 决策窗口只有 200ms 的话,LLM 不是合适工具。用规则。

这周可以做的事

要搭 AI 交易 agent:

明确划分 agent 决定什么、什么硬编码。 具体哪些决策需要 LLM 推理、哪些不需要。
先把确定性执行层搭好。 跟搭普通机器人一样。这一层稳了再加 LLM 逻辑。
用 MCP 或函数调用做工具访问。 别让 LLM 自己解析 JSON 或写 SQL。
在 LLM 之外加风险控制。 仓位、亏损、敞口的硬限。
全链路记录。 决策、决策依据、结果。后面评估和改进都要用。
设推理延迟预算。 LLM 要 5 秒、机会半衰期 3 秒,得重新设计。

AI Agent 场景试一下 BoltTx

BoltTx 给普通交易机器人提供的那些好属性,放到 AI agent 上也一样适用:

亚秒级确认——agent 决定动手之后,交易快速上链
原生 Anti-MEV 路由——agent 驱动的 swap 不会被三明治机器人盯上
每笔签名级别的遥测——跟踪 agent 每个动作,给评估和改进用
专属 SWQoS + 优先级连接,所有套餐都包含——拥堵下也能保证上链
Tip-based 计费——只有到达链上的交易才计费

import { Connection } from "@solana/web3.js";

const connection = new Connection(
  "https://bolttx.io/?api-key=YOUR_API_KEY",
  "processed"
);

免费档注册。在这上面搭 agent 的执行层,推理层独立迭代。

常见问题

AI agent 和带工具的 LLM 有什么区别? 主要是术语差别。"AI agent"通常暗示一个会主动在世界里采取动作的系统(执行交易、和服务交互)。带工具的 LLM 是它背后的技术机制。

能直接用大模型做交易决策吗? 机械上能,配上对的工具就行。但你需要结构化的 prompt、明确定义的工具接口、清晰边界规定模型能决定什么。

MCP 是什么、要不要用? Model Context Protocol 是把语言模型连到外部工具的标准协议。用 MCP 兼容的模型时方便。不是必需的,函数调用别的方法也行。

AI 交易 agent 真的赚钱吗? 有赚有不赚。明显赚的有,明显赔的更多。混合模式(LLM 选机会、规则执行)的表现普遍比纯 LLM agent 好。

该让 LLM 直接提交交易吗? 有对的边界和风险控制就行,没有就不行。硬限是必须的。