Agentic 系统与LLM基础：Grootendorst谈Tokens
在 O’Reilly《Generative AI in the Real World》播客中，Google DeepMind 的 Maarten Grootendorst 解释了为什么“agentic systems（智能体系统）”不能只靠提示词。他把智能体概括为：带有工具、记忆与护栏的“LLM 循环体”，并强调如果给模型完全自由、缺乏约束，表现会很差。
他同时指出，LLM 的有效落地取决于基础概念：tokens、attention 和 embeddings。tokens 影响成本与吞吐。attention 负责上下文语义（例如“bank”到底是河岸还是金融机构）。他还提到，状态空间模型（包含 Mamba 这类混合方案）正在用于加速推理、提高可生成 token 数。
关于 embeddings，他认为它仍是 RAG 与搜索的核心，并强调关键权衡在于：上下文型 vs 非上下文型 embeddings、延迟与算力、跨语言能力，以及指令微调 embeddings、多尺度嵌入等方法。
对加密交易者而言，核心信号是工程迭代而非资产级催化：这一轮 agentic systems 的趋势更可能体现在企业侧投入与基础设施需求的“中长期”变化，而短期市场情绪影响偏中性。
中性
本文聚焦于智能体系统（agentic systems）以及 LLM 的核心技术要素（tokens、attention、embeddings、以及状态空间模型混合方案）。文中没有出现加密相关的直接催化剂，例如监管变化、交易所资金流、代币发行，或链上采用数据。因此对加密交易的直接影响有限，倾向于中性。
它可能“间接”产生的影响：
- 短期：交易者通常对能验证的市场信号反应更强（例如 ETF 决策、黑客事件、大额解锁、宏观冲击）。讨论 agentic systems 的播客不太可能直接推动 BTC/ETH 衍生品市场，因此短期影响更可能为中性。
- 长期：如果企业持续把 agentic systems 工程化落地，可能带来 AI 基础设施与开发工具需求的上行，从而在更广义层面影响科技板块风险偏好。历史上，类似“基础设施/工程流程改进”的叙事往往带来渐进式情绪变化，而非剧烈的价格波动。
综合来看，这更像是技术基础与最佳实践，而非对加密资产形成市场冲击的事件——因此判断为 neutral。