在上一篇文章《中国 Web3 创业，有哪些好路子？（四）》 里，Portal Labs 先讨论了三类更偏基础设施的 Web3 团队，如何往 AI 方向做能力迁移。

数据型团队可以看 AI 数据层，解决授权数据、可验证数据和合规调用的问题；身份和账户团队可以看 Agent 的权限、账户和执行记录；支付和钱包团队则可以看 Agent 自动结算、API 微支付和账务审计。这三条路有一个共同点，都是把 Web3 过去几年已经沉淀下来的基础设施能力，放到 AI Agent 正在出现的新需求里。

但中国 Web3 团队能够迁移的方向，并不只停留在数据、身份和支付。还有两类团队也值得单独拿出来看。

一类是安全和风控团队。过去它们服务的是合约、钱包、资金流和链上风险；到了 AI Agent 阶段，新的安全问题会出现在权限、工具调用、自动支付、数据访问和执行记录里。Agent 越能替用户做事，越需要有人帮它设边界、查异常、留记录。

另一类是应用层和社区型团队。它们未必需要转成 AI 基础设施公司，但可以把 AI 放进原来的产品和运营流程里，提升投研、内容、客服、社群、教育和用户转化效率。对这类团队来说，AI 更像一层能力增强，而不是一次彻底改行。

所以，这一篇会继续沿着上一篇的逻辑往下写：安全和风控团队、应用层和社区型团队，分别应该怎么往 AI 迁移。

同时，Portal Labs 也需要和大家把另一件事讲清楚。不是所有 AI 方向都适合中国 Web3 团队进入。有些方向看起来很热，比如通用大模型、泛 Agent 平台、AI 交易员、自动收益产品，实际上门槛高、竞争重，甚至还可能碰到非常敏感的合规边界。

能不能迁移，不能只看 AI 热不热。更重要的是，团队原来有什么能力，这个能力能不能放进真实场景里，又能不能找到明确的买单方。

安全和风控团队：从链上安全到 Agent 行为审计

安全和风控，一直是中国 Web3 团队里比较能穿越周期的方向。

无论市场热不热，Web3 项目上线前要做合约审计，钱包要防盗，资金流要监控，攻击事件要追踪，KYT 和反洗钱工具也一直有需求。很多安全团队，就是靠这些实际需求活下来的。

过去，这类团队主要关注智能合约漏洞、私钥风险、钱包安全、链上攻击、资金流向和可疑交易。AI Agent 发展起来之后，安全问题会从链上资产扩展到更广泛的自动化行为。

因为 Agent 不再只是回答问题，它会开始调用工具、访问数据、执行流程，甚至触发支付和链上操作。

比如，一个企业把 AI Agent 接入 CRM、邮箱、合同库、内部知识库和工单系统，用它来整理客户信息、生成会议纪要、起草回复邮件、查询合同条款，甚至自动创建任务和跟进客户。这个场景看起来是在提升效率，但背后会牵涉到大量权限和数据流转。Agent 能不能读取所有客户资料？能不能把合同内容发给外部工具？能不能访问员工邮箱？能不能自动给客户发邮件？如果被提示词攻击诱导，会不会把内部信息泄露出去？

这些都会成为新的安全问题。

如果企业开始大规模使用 AI 工作流，安全需求就会从模型安全延伸到行为安全。企业不只关心模型回答得对不对，也会关心 Agent 做了什么、调用了哪个系统、访问了哪些文件、把数据传给了谁，以及是否符合内部权限和合规要求。

这正是安全和风控团队可以迁移的方向。

过去做链上监控、审计、风控、资金追踪的团队，可以把能力迁移到 Agent 行为审计、权限异常识别、数据调用监控、自动支付风控和企业 AI 安全治理中。

比如，为企业提供 Agent 操作日志，让每一次工具调用都可追溯；为 AI 工作流设置权限边界，防止越权访问；为自动支付设置风控规则，识别异常调用；为内部数据调用提供审计报告，帮助企业满足合规要求。

这类方向不一定有很强的传播性，但有明显的 B2B 属性。

企业采用 AI 越多，越需要安全、权限和审计。尤其是在金融、医疗、政企、法律、教育等行业，AI 不能只追求效率，还必须可控、可查、可追责。

对中国团队来说，安全和风控方向也更容易避开高风险叙事。它不需要直接碰代币，不需要管理用户资金，也不需要承诺收益。只要切入企业 AI 使用过程中的真实风险，就有机会形成可持续的服务收入。

不过，这个方向也有门槛。

Agent 行为审计不能简单理解成“链上监控换个名字”。它需要理解企业权限系统、AI 工具调用、数据安全、日志分析和业务流程。Web3 安全团队如果要进入这一层，需要补齐 AI 工程和企业安全的知识，不能只沿用原来的合约审计方法。

但从长期看，这条路值得关注。AI 越进入真实业务，安全问题越不会停留在模型本身。谁能帮助企业看清 Agent 做了什么、哪些行为存在风险、出了问题如何追溯，谁就可能成为 AI 基础设施里的重要服务商。

应用层和社区型团队：从 Web3 产品到 AI 增强型产品

这类团队包括内容平台、投研工具、交易工具、教育产品、社区产品、增长工具和用户运营产品。它们未必适合直接做 AI 基础设施，但很适合把 AI 嵌入原有业务。

应用层团队最容易犯的错误，是一看到 AI 热，就急着把自己改造成 AI 公司。原来做社区，现在说要做 AI 社交；原来做内容，现在说要做 AI 内容平台；原来做投研，现在说要做 AI 投资顾问。听起来变化很大，但如果没有真实场景和付费需求，很容易变成一次新包装。

更现实的做法，是把 AI 放进原有产品里，解决用户已经存在的问题。

这类方向其实已经有一些参照。比如 Kaito 这类产品，本质上不是简单做一个“AI 聊天工具”，而是围绕 Crypto 信息过载这个问题，把项目动态、社交媒体、叙事热度、内容传播和用户注意力组织起来，让研究者和项目方更快看到市场正在讨论什么。它给应用层团队的启发是，AI 不一定要单独成为一个产品，而可以成为信息筛选、语义整理和信号发现的一层能力。

再比如一些 Crypto Copilot 和投研助手，它们做的不是替用户凭空判断一个项目好不好，而是把公告、白皮书、治理提案、链上数据、融资信息和市场动态整理成更容易理解的内容。对投研工具来说，这比单纯做一个“问答机器人”更有价值。因为用户真正痛苦的地方不是不能提问，而是每天要处理的信息太多、信息来源太散、判断成本太高。

社区和运营工具也是同样的逻辑。项目方每天都要处理用户问题、活动反馈、社群内容、KOL 数据和增长线索。如果 AI 只是放在 Telegram 或 Discord 里回答几个常见问题，价值很有限。但如果它能帮助项目方整理社群高频问题、给用户打标签、识别活跃贡献者、归类活动反馈、生成运营复盘，那它就变成了一个真正嵌入运营流程的工具。

教育产品也可以这样看。Web3 新手用户最难的地方，不一定是找不到内容，而是内容太多、门槛太高、信息真假难辨。AI 可以根据用户水平生成学习路径，解释术语，整理案例，做问答陪练，也可以把复杂内容拆成更适合初学者理解的版本。

所以，对应用层团队来说，AI 更适合作为产品能力和运营能力的放大器。

内容平台可以用 AI 做信息筛选、摘要、推荐和多语言分发；投研工具可以用 AI 做链上数据解释、项目监控、市场信息整理和风险提示；社区产品可以用 AI 做自动问答、用户分层、活动运营和内容审核；教育平台可以用 AI 做个性化学习路径、课程生成和答疑；交易工具可以用 AI 做数据分析、风险提醒和策略辅助。

这些方向听起来没有“Agent 经济体”那么大，但更容易落地。因为应用层团队本来就有用户、内容、场景和运营经验。AI 加进去之后，解决的是原有产品里已经存在的问题。比如信息太多、用户不懂、客服成本高、内容生产慢、投研效率低、社群运营重。

这类迁移的关键，是不要脱离原来的用户场景。

如果一个 Web3 投研工具本来就服务交易者和研究员，那么 AI 可以帮助用户更快读懂公告、白皮书、链上数据和市场变化。如果一个 Web3 教育平台本来就服务新手用户，那么 AI 可以做个性化问答和学习路径。如果一个社区产品本来就服务项目方，那么 AI 可以帮助项目方做用户分层、社群维护和活动触达。

这些都是实际存在的需求。

应用层团队很多时候不需要追求“转型”。把 AI 作为新能力嵌进原来的产品，更容易利用原有用户、内容和业务基础，也能避免进入完全陌生的 AI 红海。

当然，这条路也不能只停留在加一个聊天机器人。

很多产品现在所谓的 AI 化，其实只是多了一个问答窗口。用户体验没有明显提升，业务效率也没有明显变化。这种 AI 化很难形成长期价值。

真正有效的 AI 增强，应该嵌入用户原本的工作流。它要么帮助用户节省时间，要么提升决策质量，要么降低运营成本，要么增加转化和留存。如果做不到这些，AI 功能很快就会变成摆设。

所以，对应用层和社区型团队来说，最现实的迁移方式，是先用 AI 把原来的产品和运营做得更有效。用户是否更容易理解信息、项目方是否更容易运营社区、研究员是否更快完成判断、客服和增长是否更省人力，这些比“是否转型 AI”更重要。

哪些方向最好不要碰？

讲完适合迁移的团队，也要讲清楚哪些方向最好谨慎。

第一类，是从零做通用大模型。

这个方向需要模型能力、算力资源、训练数据、研究团队和长期资本投入，本身已经是高度竞争的市场。大模型公司、互联网大厂、AI 原生创业团队都在里面，中国 Web3 团队如果没有特别强的技术和资源积累，硬切进去很难形成优势。

更现实的问题是，Web3 团队过去积累的优势，通常不在模型训练上。很多团队真正擅长的是协议、数据、钱包、支付、安全、社区和海外市场。如果直接转去做通用大模型，相当于把原来的积累丢掉，进入一个更重、更卷、也更烧钱的赛道。

第二类，是一上来就做泛 AI Agent 平台。

很多 Agent 平台听起来都很宏大，似乎什么任务都能做。但真正落地时，用户关心的往往不是平台有多大，而是某个具体任务能不能稳定完成。能不能接入真实工作流，能不能减少人工成本，能不能保证结果质量，能不能有人愿意付费，这些问题比“平台叙事”更重要。

如果没有明确任务、交付标准和付费对象，Agent 平台很容易停在 Demo 阶段。看起来很先进，实际很难进入用户日常使用。

第三类，是 AI 交易员、自动收益和智能投顾这类方向。

这类产品在 Web3 圈很容易有传播性，因为它天然贴近用户对收益的期待。AI 自动交易、AI 帮你赚钱、AI 代替你做投资决策，听起来都很有吸引力。

但这类方向的问题也最复杂。它很容易触碰用户资金、收益承诺、资产管理、投顾合规和交易风控。只要产品表达稍微激进，就可能从“工具辅助”滑向“收益承诺”。对中国团队来说，这类方向尤其敏感，很难作为长期稳定的创业路径。

第四类，是简单给原项目套 AI 外壳。

原来做 NFT，现在加一个 AI 生成图；原来做 GameFi，现在加一个 AI NPC；原来做钱包，现在加一个 AI 聊天助手；原来做社区，现在加一个 AI Bot。这样的改造可能带来短期话题，但如果没有改善产品价值，很难留住用户，也很难说服真正的买单方。

AI 可以成为能力迁移的入口，但不能替一个没有真实需求的项目解决根本问题。

如果原来的业务没有用户、没有收入、没有场景，只是换一个 AI 叙事，最终大概率还是会回到同一个问题上。用户为什么需要它？谁会持续付费？团队到底解决了什么？

所以，对中国 Web3 团队来说，判断一个 AI 方向值不值得做，不能只看它有没有热度。更重要的是，它有没有真实场景、明确买单方、可复用能力，以及相对清楚的合规边界。

写在最后

AI 周期来了，中国 Web3 团队当然要看，也应该看。

但真正值得看的，不是哪个概念又热了，而是过去几年积累下来的能力，还有没有新的落点。

从数据、身份、支付，到安全、风控和应用层产品，Web3 团队能迁移的，其实都是已经在原有业务里沉淀过的东西。AI 给这些能力提供了新的场景，但不会替一个没有真实需求的项目补上根基。

所以，对中国 Web3 创业者来说，转 AI 不是关键，能力能不能迁移才是关键。

如果过去积累的是数据、账户、支付、安全、运营和用户场景，那么 AI 可能是一条新路。

如果过去只有叙事和包装，换成 AI，也只是换一个更热的词。