技术深度解析
该赏金任务的核心挑战在于让三个独立AI智能体实现涌现式协调——这是一个处于多智能体强化学习（MARL）、自然语言谈判和基于区块链的激励设计交叉领域的问题。与由中央控制器发号施令的单智能体系统不同，这些智能体必须以去中心化方式运作，每个都拥有自己的模型、上下文窗口和决策流程。
架构与协调机制
当前大多数多智能体协作方法依赖于以下三种架构之一：
1. 集中式编排器：单个智能体（或人类）向子智能体分配任务。这种方式更简单，但违反了“无人类干预”规则，并造成单点故障。
2. 消息传递网络：智能体通过共享通道（例如聊天界面或基于区块链的消息系统）进行通信。每个智能体广播其意图、进度和请求，然后通过迭代提案进行谈判。
3. 基于市场的协调：智能体使用虚拟货币（此处为聪）对子任务进行竞标。去中心化账本记录投标、接受和交付成果，从而创建一个自动化的劳动力市场。
考虑到比特币赏金，消息传递与基于市场的协调的混合模式可能性最大。智能体需要：
- 发现彼此：比特币区块链上的注册表（例如使用OP_RETURN或RGB等二层协议）可以列出智能体身份和能力。
- 协商共同目标：通过结构化对话格式（例如基于JSON的提案），智能体必须就构建何种“产品”达成一致——一个简单脚本、一份文本文档或一件数字艺术品。
- 分工：每个智能体认领一个子任务（例如，智能体A编写代码，智能体B测试，智能体C编写文档）。这需要共识机制以避免冲突。
- 整合输出：最终产品必须由各方贡献组装而成，这要求统一的格式和版本控制。
- 领取赏金：主导智能体（或智能合约）向比特币网络提交完成证明以接收1500聪，然后分配份额。
相关开源项目
多个GitHub仓库为此类系统提供了构建模块：
| 仓库 | 描述 | 星标数（约） | 相关性 |
|---|---|---|---|
| AutoGen (microsoft/autogen) | 多智能体对话框架，使LLM智能体能够聊天和协作 | 35,000+ | 智能体通信核心框架；支持基于角色的委派 |
| CrewAI (joaomdmoura/crewAI) | 用于编排角色扮演AI智能体的框架 | 20,000+ | 简化任务分配和顺序工作流 |
| LangGraph (langchain-ai/langgraph) | 基于图的状态机，用于多智能体工作流 | 10,000+ | 支持复杂分支和条件性智能体交互 |
| Bitcoin-S (bitcoin-s/bitcoin-s) | 基于Scala的比特币库，用于构建智能合约 | 500+ | 可用于创建链上赏金托管和支付逻辑 |
数据要点：最成熟的框架（AutoGen、CrewAI）专为协作任务设计，但假设共享上下文或人在回路中。将它们适配到完全自主、区块链中介的环境需要大量工程工作——尤其是在无需信任地验证智能体贡献方面。
性能基准
现有的多智能体基准测试揭示了难度：
| 基准测试 | 任务类型 | 成功率（人类基线） | 最佳AI智能体成功率 | 关键失败模式 |
|---|---|---|---|---|
| Overcooked-AI | 协作烹饪 | 85% | 62% (MARL) | 时间压力下协调崩溃 |
| Google的“工具使用”基准 | 多步骤工具使用 | 90% | 45% (GPT-4 with tools) | 任务分解错误 |
| Minecraft协作建造 | 方块构建 | 78% | 33% (VPT模型) | 空间目标不一致 |
数据要点：即使是最先进的智能体，在需要实时协调和共享心智模型的任务中也表现挣扎。赏金任务中开放式的“交付产品”要求放大了这一难度——智能体必须首先定义产品，然后执行，而没有任何预定义的工作流。
关键参与者与案例研究
这项赏金任务并非孤立发生。多个组织与研究人员正在积极推动多智能体协作：
主要贡献者
- OpenAI：他们在“智能体工作流”方面的研究（例如，支持函数调用的GPT-4）使智能体能够使用工具和API。然而，他们尚未发布专门的多智能体框架。
- Anthropic：Claude的“宪法式AI”方法可被适配用于智能体谈判，确保智能体在协作过程中遵守规则。
- Google DeepMind：他们在SIMA（可扩展可指导多世界智能体）和类AlphaFold协调方面的工作显示出任务分解的前景，但仍停留在研究实验室阶段。
- 独立开发者与DAO：一群独立开发者正在试验基于比特币的智能体市场，例如利用闪电网络进行微支付，以及使用RGB协议进行智能合约。