这份白皮书确实回答了一个很关键的问题：Eliza 是怎么把 AI 和 Web3 真正揉到一起的？它用了模块化的架构，还是个开源框架，技术实现上有很多值得聊的细节。

白皮书由 Shaw、多位 Eliza Labs 成员以及其他相关组织的技术人员共同完成。不过坦白说，里面技术术语和底层原理比较多，对普通读者来说，读起来确实有点门槛。

深潮 TechFlow 做了一次通俗化的梳理，争取用大白话讲清楚白皮书的重点，让大家花几分钟就能搞懂它在说什么。

解读Eliza技术白皮书：不仅仅是框架，更是AI与Web3的一次深度融合

1.为什么要做 Eliza ？

先说清楚一个前提：这里聊的“为什么做”，是站在加密和 Web3 的圈子里来看的，不是拿它跟所有 AI 框架去比。范围得先圈定，不然容易跑偏。

白皮书的简介和背景部分，其实已经把这个问题讲得很明白了：

AI 和 Web3 交汇的地方，一直缺一个能真正把两者捏到一起的袋里框架。

具体来说，白皮书指出了 Web3 领域目前碰到的三个主要难题：

• 去中心化交易越来越复杂 以太坊、Solana、BASE 这些公链越来越多，资产跨链管理、执行交易的难度也在上升。市面上不是没有交易平台，但如果你是个中高级用户，有个性化需求，那些基础功能往往不太够用。
• 链上数据怎么挖出价值 区块链上信息量巨大，从基础的持币地址变化、代币价格、市值，到更深层的鲸鱼账户占比、做市商风格等等。问题在于，怎么做才能把这些零散的数据变成真正有用的判断，这挺让人头疼的。
• 社交媒体信息太碎 对 Web3 玩家来说，Twitter、Discord、Farcaster 这些平台是信息源，也是行情风向标。但 KOL 一多，消息满天飞，想在信息海里捞点有价值的判断，越来越难。

这几个现实痛点，就是 Eliza 被做出来的原因。作为一个开源的、对 Web3 友好的 AI 袋里操作系统，它用了模块化设计，开发者和用户可以根据自己的需要去搭积木。

Eliza 想做的事情，是让普通用户也能用上高级 AI 功能，不是说非得会写代码才能搞一个自己的 AI 袋里。

白皮书还把 Eliza 跟市面上几个常见的 AI 框架做了对比。下面这张表能看得很清楚：在 Web3 的适配度上，Eliza 确实是最贴合的那一个。这也是整份白皮书想传达的核心信息。

2.Eliza 的设计理念和技术创新

三大设计原则：看着简单，想得挺深

Eliza 能起来，不是瞎蒙的。团队一开始就定了三条原则：

• 先服务 Web3 开发者 Web3 圈子主要用 Ja vaScript/TypeScript，所以 Eliza 直接选了 TypeScript。这样一来，开发者用熟悉的工具就能上手，把区块链功能嵌进现有的网页应用也方便。说白了，就是让 Web3 开发者能“拿来就用”，不用重新学一套。

• 插件化，模块化 Eliza 把系统拆成核心运行时和四个关键部分：

• Adapter（数据适配器）

• Character（袋里个性）

• Client（消息交互）

• Plugin（通用功能）

这么设计的好处是，开发者可以自己加插件、客户端、角色、适配器，不用去碰核心运行时的内部逻辑。这也让 Eliza 能支持一大票模型提供商（比如 OpenAI、Llama、Qwen 等），能接入 Twitter、Discord、Telegram 这些平台，还能兼容 Solana、Ethereum、Ton 等不同的链。

• 能简单就别搞复杂：

工程资源有限的情况下，把内部实现做简单，省下来的时间可以去开发新功能、适应新场景，也能跟上 AI 和 Web3 这两块飞速变化的节奏。

技术创新：里头和外头都有活

具体到技术实现，Eliza 的创新分了两条线：内部增强和外部扩展。

• 内部增强 为了让 AI 模型的“脑子”更好使，Eliza 整合了几项前沿技术：

• Chain-of-Thoughts（思维链）：

  • 官方说法：引入步骤式解释

  • 说人话：好比做数学题要把步骤写出来，AI 也会把自己的思考过程一步步列清楚，而不是直接甩个答案。结果更可靠，人也能看懂它是怎么推出来的。

• Tree-of-Thoughts（思维树）：

  • 官方说法：允许分支探索多个解决方案

  • 说人话：像下棋得考虑好几步走法，AI 会同时探索几种可能的路径，然后挑最优的那条。就像在思维树上，选了最好的一根枝桠。

• Graph-of-Thoughts（思维图）：

  • 官方说法：连接推理路径

  • 说人话：把问题当成一张网，各个想法之间可以互相连。跟我们解决复杂问题时，把各种相关的点串成一张思维导图差不多。

• Layer-of-Thoughts（思维层）：

  • 官方说法：分层推理 AI

  • 说人话：像过滤一样，把思考拆成不同层次。先想大方向，再细化到具体细节，一层一层往下推。

• 外部扩展 为了让 Eliza 能解决实际问题，还集成了不少外部能力：

• RAG（检索增强生成）：

  • 官方说法：通过检索来增强生成能力

  • 说人话：就像学生翻课本做作业，AI 回答问题的时候也能去查自己的“资料库”，答案会更靠谱。

• 向量数据库：

  • 官方说法：存储和检索结构化数据

  • 说人话：相当于 AI 的“图书馆”，能快速找到相似的内容。比如你说“找首跟月亮有关的诗”，它能立马把相关的都翻出来。

• 网络搜索：

  • 官方说法：实时获取互联网信息

  • 说人话：AI 也能像人一样上网查最新消息，不会被锁死在旧数据里。

• 文本转图像/视频/3D 模型：

  • 官方说法：将文字描述转换为多媒体内容

  • 说人话：好比画家听了你的描述就能画出来，AI 也能根据文字生成图片、视频甚至 3D 模型。

跟其他 Web3 框架比一比

在目前的 Web3 AI 袋里框架里，Eliza 确实有一些明显的优势。根据 50 多位 AI 研究人员和资深区块链开发者的反馈，Eliza 在几个关键指标上表现不错：

• 支持的模型种类

• 链的兼容范围

• 功能完整度

• 社交媒体的集成深度

3.Eliza OS：一个精心打造的 Web3 AI 生态系统

聊完设计理念，再来看看 Eliza 到底是怎么跑起来的。你可以把它想象成一套乐高积木，每个零件都能严丝合缝，同时又很灵活，想怎么搭都行。

核心组件：五个关键角色

Eliza 的世界里，五个核心组件互相配合，一起构成了一个完整的智能系统。

• Agents（袋里）：系统的主角

它们就像一个个独立的“数字助手”，负责处理各种自主交互。每个袋里都有自己的“记忆”和“性格”，能通过 Discord、Twitter 等不同渠道跟用户连续对话、互动。

• Character Files（角色配置）：袋里的“人设”

要让袋里有血有肉，就得靠 Character Files（角色配置）。这相当于袋里的“简历”，不光定义了它的身份和性格，还规定了它能用哪些模型（比如 OpenAI、Anthropic），能做哪些事（比如区块链交易、NFT 铸造）。角色配置设计得好，每个袋里就能展现出自己的专业特长和行为风格。

• Providers（提供者）：袋里的“感知系统”

袋里跟外界互动的时候，需要 Providers（提供者）来当它的“感官”。就像人靠眼睛耳朵感知世界，提供者给袋里喂市场数据、钱&包详情、情绪分析这些实时信息，帮它搞清楚当前的环境和上下文。

• Actions（行动）：袋里的“技能库”

真要动手做事的时候，Actions（行动）就是袋里的“技能包”。从简单的买卖订单到复杂的 NFT 生成，每个操作都过了安全验证，处理金融相关任务时能靠谱一些。这些技能让袋里在 Web3 世界里真正能干点实事。

• Evaluators（评估器）：袋里的“决策系统”

最后，Evaluators（评估器）是袋里的“决策大脑”，负责分析对话内容，提取关键信息，帮袋里建立长期记忆。它一边追踪目标完成进度，一边保证对话不跑偏，前后连贯。

智能交互：不只是简单的一问一答

在交互方面，Eliza 用了多层的理解系统，就像一个经验丰富的翻译，不光听懂字面意思，还能琢磨说话时的背景和意图。这个系统能比较准确地抓住用户的真实需求，在不同平台之间保持体验一致，也能根据上下文灵活调整回应的方式。

插件系统：能往无限方向扩展

Eliza 的插件系统说白了就是一个工具箱，给整个框架带来了很强的扩展性。这种扩展主要体现在三个方向上：多媒体生成、Web3 集成和基础设施。

• 多媒体生成方面，能生成图片、视频、3D 模型，支持 NFT 系列自动生成，还能做图片描述和分析。
• Web3 集成方面，支持以太坊、Solana 等多链操作，有完整的交易功能套件，还能接各种 DeFi 操作。
• 基础设施方面，提供了浏览器服务、文档处理、语音转文字这些基础能力。

这种模块化设计，让 Eliza 既稳当，又给开发者留了很大的折腾空间。Web3 世界里新需求和新场景不断冒出来，这样的设计确实更扛得住。

4.Eliza 的实力几何？从数据看真相

一个新技术框架出来，大家最关心的就是它实际表现怎么样。Eliza 在这块给出了一个比较坦诚的回答。

在 GAIA 基准测试（一个专门测 AI 袋里解决实际问题能力的平台）里，Eliza 表现还不错。这个测试不是考简单的问答，而是要求 AI 袋里有逻辑推理、多模态处理、网页浏览和工具使用这些综合技能。

虽然 Eliza 的得分（19.42%）跟目前最顶尖的方案比还有差距，但考虑到它是个专注 Web3 的框架，这个成绩已经挺能打了。尤其是在基础任务（Level 1）上，Eliza 达到了 32.21% 的完成率，说明基本功挺扎实。

Web3 领域：某种程度上算是在定标准

更值得留意的是，Eliza 在 Web3 领域其实有点像“标准制定者”。因为 Web3 方向的 AI 系统还在很早期的阶段，Eliza 率先提出了一套完整的评估标准体系，给整个行业划了个方向。

这套评估体系分了三个层次，白皮书把它叫做 Web3 AI 版本的 “图灵测试”：

• 基础能力：包括钱&包创建、代币交易、智能合约交互这些基本操作
• 进阶功能：整合最新的 AI 技术，比如文本转视频/3D、RAG 支持等
• 高级特性：能根据用户指令自主规划和推理，实现真正的智能决策

目前，Eliza 已经完成了基础层的全部功能，正在往进阶层走。团队表示，他们相信未来几年内，能做出完全自主的 AI 袋里系统。

5.实际应用：市场用真金白银投票

原白皮书里有一节是代码展示，用来演示目前能用这个框架做出什么实际应用。考虑到代码对普通读者不太友好，这里就不展开了，只聊更宏观的实际落地情况。

根据白皮书描述，截至 2025 年 1 月，已经有多个重要的 Web3 项目基于 Eliza 搭建了它们的 AI 袋里系统，这些合作伙伴的总市值超过 200 亿美元。

这个数字本身，可能就是对 Eliza 技术实力最直接的认可。

另外，Eliza 团队对接下来要走的路挺有信心的。他们认为，随着这些“智能袋里”逐步进化，我们会看到一个由多个 AI 单元协同工作的新阶段。就像 Anthropic 的 CEO Dario Amodei 说的“天才数据中心”那个愿景，Eliza 正在往那个方向铺路。

6.现存限制与未来展望：诚恳的自我剖析

任何技术框架都不可能十全十美，Eliza 团队在白皮书中也挺坦诚地指出了当前的一些短板。

待解决的三大挑战

工作流程系统的缺失：就像一个熟练的助手需要一套标准作业流程，当开发者想做一些常规性任务时（比如定期从多个源头汇总数据），现有的 Eliza 框架还没法直接给出现成方案。这类需求，可能还得借助 Dify 或 Coze 这种带图形界面的工作流系统。

多袋里系统的性能问题。袋里一多，系统需要处理的上下文和记忆内容就会指数级增长。尤其是在处理大量输入输出任务时，怎么平衡计算开销和运行效率，还是个需要继续啃的技术难题。

多语言支持的拓展需求。目前 Eliza 主要基于 TypeScript，但要想吸引更多领域的开发者进来，还得扩展对 Python、Rust 等其他语言的支持。

展望：开创去中心化 AI 新纪元

尽管有这些限制，Eliza 的意义已经不只是个技术框架了。它代表了 AI 技术和 Web3 应用深度融合的一次比较有开创性的尝试。

把每个功能模块都设计成标准的 TypeScript 程序，Eliza 让用户对系统有完全的控制权。同时，它还能跟区块链数据、智能合约无缝集成。这种设计既保证了安全性，又留出了很强的扩展空间。

就像白皮书结尾说的，Eliza 的可能性只受限于使用者的想象力。AI 和 Web3 的技术还在往前走，Eliza 也会跟着迭代，继续在去中心化 AI 的方向上探路。

以上就是对 Eliza 技术白皮书的一个通俗版解读。它到底是不是“AI 与 Web3 的深度融合”，看完这些细节，你可以自己做个判断。

最后想多说一句：本文内容仅供学习参考，不构成任何投资建议、交易建议或收益承诺。加密货币和迷因币市场波动较大，价格预测和市场数据请以官方公告、交易所页面及实时行情平台为准。投资者需要独立判断、谨慎决策，对自己的操作负责。