2026 年 9 月 29 日，Quanta 作为协办方之一参与在韩国首尔 aT Center 举行的「非小号 × GWDC 2026 创新论坛」。超 5000 人次汇聚 GWDC 2026 首尔现场，AI Agent、Web3 金融、链上交易与智能化投研成为大会的重要讨论方向之一。围绕 AI Agent 加速进入 Web3 金融场景的行业趋势，Quanta 将“从可追溯研究到可控执行”的产品路径带入此次首尔交流场景，重点关注 AI 如何参与项目研究、投资决策与授权执行，同时通过规则、权限和风险约束，将最终资产控制权保留在用户侧。与单纯提供行情问答或研究摘要的 AI 工具不同，Quanta 尝试进一步连接 研究、证据、决策与执行，把 AI Agent 从信息工具延伸至更完整的 Web3 投研工作流。

从“AI 给答案”到完整投研工作流

过去一阶段，AI 在加密投研中的应用主要集中在新闻总结、信息检索、项目分析与市场问答。随着 Agent 技术继续发展，新的问题开始出现：当 AI 不仅能够整理信息，还可以调用工具、协助完成多步骤任务时，金融场景中的权限和执行边界该如何设置？

Quanta 的产品主线可以概括为：

问题 → 研究 → 证据 → 方案 → 决策 → 授权 → 执行 → 后续验证。平台以自然语言作为交互入口，通过负责项目研究、投资决策与授权交易等环节的不同智能体进行协作，试图降低用户面对复杂 Web3 信息时的研究和操作成本。

可追溯研究：让判断尽可能有证据可循

在 Quanta 的逻辑中，AI 投研不应只输出一个无法追溯来源的结论。

所谓“可追溯研究”，重点在于围绕数据、资料和研究依据组织信息，使用户能够进一步理解某个分析结果是如何形成的。大模型主要承担问题理解、非结构化信息处理与证据整理，让分散的信息进入更有结构的研究流程。这也意味着，AI 的作用更多是帮助用户降低信息摩擦，而不是替用户作出最终市场判断。相比只追求更快地生成答案，Quanta 更关注研究依据能否被检查，以及相关策略能否在后续数据与结果中持续接受验证。

让大模型负责理解，让规则系统负责约束

进入金融执行环节后，仅依赖概率模型并不足以解决全部问题。Quanta 将大模型与确定性规则进行职责区分：大模型负责理解问题、整理证据和形成方案，确定性规则则负责计算、权限、风控及交易约束。这种分工所对应的，是 AI Agent 进入金融场景后一个更现实的问题——模型是否足够聪明固然重要，但同样重要的是，模型能够做什么、不能做什么，以及在什么条件下才能进入执行环节。当 AI 只负责回答问题时，错误可能停留在信息层；当 Agent 进一步连接交易执行后，权限、风险参数和执行偏差则可能直接影响资产。因此，“可控执行”也成为 Quanta 产品路径中的关键环节。

从判断走向执行，但控制权仍在用户侧

Quanta 所强调的“授权交易”，并不意味着 AI 可以无限制接管用户资产。在其产品定位中，交易执行需要建立在用户授权及预设约束之下，资产控制权仍然保留在用户侧。研究 Agent 可以整理信息，决策相关 Agent 可以形成方案，而执行环节则需要受到权限和风险规则约束。这使 Quanta 的核心逻辑并非“让 AI 替用户投资”，而是通过 AI 提高研究和执行效率，同时尽量保留人的最终决策边界。随着 AI Agent 从信息层进一步进入研究、决策和执行层，Web3 AI 的竞争重点也正在从“模型能回答什么”，逐步转向“模型能否基于证据完成复杂任务，并在明确权限下行动”。Quanta 此次作为协办方参与非小号 × GWDC 2026 创新论坛，也进一步呈现了其围绕 AI Agent × 可追溯研究 × 多智能体协作 × 可控执行展开的 Web3 投研方向。

关于 Quanta

Quanta 是 AI 原生的 Web3 投研与投资 Agent 平台，主线是「从可追溯研究到可控执行」。平台以自然语言为入口，通过项目研究、投资决策与授权交易等多智能体协作组织证据与方案；大模型负责理解问题与整理证据，确定性规则负责计算、权限、风控与交易约束，资产控制权保留在用户侧。目标是降低信息摩擦、约束执行风险并持续验证策略质量，而非替代用户预测市场。官方 X： https://x.com/QuantaAIWeb3