机器经济的窄缝——从 CanPay 钱包与 StackChan 机器人的结合谈起

一台桌面机器人有了区块链钱包，会发生什么？

CanPayAI 将主网钱包集成到基于 ESP32 的 StackChan：一个开源的功能齐全的桌面机器人，这个问题获得了一个具体的入口：原本通过表情、声音和动作与人互动的设备，开始具备参与价值转移的能力。它让“机器经济”暂时离开宏大的预测，落在一件可以放到书桌上的物体上。

但钱包的出现，也容易制造一种错觉：只要机器人能够收付款，它就已经成为独立的经济主体。

我们的判断是：机器经济近期最值得探索的课题，在于机器能够执行交易、而交易目标与责任仍由人类界定的窄缝之中。而 CanPay 与 StackChan 的结合，适合作为观察这一课题的案例。

StackChan 的意义，首先在于它让支付能力获得了一个可感知的身体。他主要基于 M5Stack 版本采用的 ESP32-S3，具有显示、音频和网络连接等能力。

但机器经济的重点并非机器人是否“拥有金钱”，而是它获得了多大的资金处置权限，人在哪里发出指令，机器在哪里形成决定，谁能够批准交易，以及谁承担最终损失。机器能否逐笔执行人的付款指令，与在预算内自行选择服务，属于不同程度的自主性；而两者都不能仅凭一个钱包地址，就被认为机器就拥有了独立的产权或责任主体。

而 CanPay 的后台设计，恰恰遵循了人类 KYC，开通并拥有 Agent 钱包，人类管理 Agent 钱包限额边界这样的设计。这一区分与机器经济研究的基本框架一致。Hartwich 等人在《Electronic Markets》发表的《Machine economies》，将经济互动的参与者与治理方式分开讨论：机器之间可以自动交易，同时仍由人类制定规则、处理争议。自动执行与人类治理能够并存。Hartwich 等，2023

沿着这一思路，CanPay 所提供的潜在价值，是使机器人从交互终端进一步成为受托执行经济行为的接口。它可以接受一个任务、一笔预算和一组边界，然后在这些边界内购买完成任务所需的资源。集成 CP 的 StackChan 可以在人类制定的边界内，自主的在 OneSwap 上进行代币的转换，也可以在 Temple 购买更多的潜力资产，甚至可以在 Agent 专有的预测市场进行预测；这一切都变得巨象化的可能。

例如，设想用户让 StackChan 回答一个问题，而它需要调用收费的数据服务。过去，这项服务可能需要用户另外注册、充值和配置账户；如果机器人能够识别报价，在授权额度内付款，并取得返回结果，任务就有机会在一次交互中完成。这里发生的变化，是付款逐渐成为任务执行过程的一部分。

不过，即使能够完成这条流程，都尚不足以证明它具有经济价值。经济学意义上的交易成本，包含寻找交易对象、比较报价、验证质量以及处理失败的成本。机器减少了一次人工操作，也可能增加模型调用、身份验证和异常处理的开销。上述《Machine economies》同样强调，机器经济的效率取决于信息、权利界定与交易成本等条件。Hartwich 等，2023

据此，我们提出了自己的观察标准：自动采购所节省的时间与协调成本，应当超过它新增的技术开销、监督成本和预期损失。对于金额很小的交易，这个标准尤其严格。买一份廉价数据，如果需要昂贵的推理和复杂的事后核查，即使支付成功，也未必比预付套餐或集中结算更合理。

这或许是我们关于“窄缝”的第一层含义：机器自主交易的适用范围，受到交易本身是否值得自动化的约束。需求频繁、产品标准化、结果容易验证的服务，是值得优先检验的候选场景。

第二层约束来自授权

人在说“帮我查一下”时，通常没有同时回答“最多花多少钱”“向谁付款”或“失败后能否再次扣款”。对机器人而言，这些歧义可能只影响答案；对能够调用钱包的机器人而言，它们可能直接影响余额。

NeurIPS 2024 发表的 AgentDojo 研究展示了这一问题的技术背景：调用外部工具的语言模型代理，可能受到工具返回内容中的恶意指令影响，偏离用户原本的任务。研究也发现，即使没有攻击，模型仍会在一些任务中失败。这说明不能把模型生成的付款意图直接视为可靠授权。Debenedetti 等，2024

对 StackChan 而言，一个合理的设计方向，是让模型提出购买请求，再由独立、可核查的规则判断是否执行：收款方是否符合授权，单笔与累计支出是否超限，同一订单是否已经支付，授权是否仍然有效。用户应当能够撤销后续支付权限；这与撤回已经结算的款项是两回事。

2026 年最新的《A Formal Analysis of Agent Payment Protocols》预印本，进一步将问题推进到协议层面。作者对 x402、MPP、ACP 和 AP2 进行形式化分析，强调委托授权必须与最终产生的经济及服务效果保持一致。该研究尚应作为前沿证据看待，但它提示了一个关键区别：签名有效，并不自动证明整笔交易忠实执行了用户意图。Jiang 等，2026，预印本

第三层约束是履约

付款成功只能说明价值按照某种规则发生了转移。它不能单独证明买到的数据准确、回答有用，或者现实中的服务已经完成。设想 StackChan 为一次信息查询付款：接口返回了一段文本，与交付了符合要求的信息，显然存在距离。

因此，钱包需要与订单、交付凭证和失败处理机制共同设计。对于可自动检验的数字服务，可以事先约定格式、时效和返回条件；对于质量依赖主观判断的服务，则可能仍需人工介入。机器经济能够自主运行多远，很大程度上取决于交易结果能够被可靠验证到什么程度。

这一判断也呼应 Hadfield 与 Koh 在 2025 年《An Economy of AI Agents》中的研究议程。两位作者将关注点延伸到代理如何影响市场与组织，以及良好运行的市场需要哪些制度。该文是前瞻性的章节稿，其意义在于提醒我们：代理能力的增长，需要与协调和治理机制一起研究。Hadfield 与 Koh，2025，预印本

第四层约束是隐私

机器人获得钱包之后，交易记录可能成为连接其行为与用户生活的线索。设想 StackChan 定期购买某类信息服务：单笔付款或许无关紧要，但当付款时间、交易对象与交互记录被关联起来，就可能暴露用户的兴趣、作息，甚至商业计划。对于代理用户行动的机器而言，保护交易隐私，也是在保护委托人的行动空间。

从这个角度看，隐私具有直接的经济意义。例如，一个采购代理如果在询价时透露了用户允许的最高预算，对方就可能据此调整报价。机器人即使始终没有超出支出上限，也未必维护了用户的利益。付款权限与信息披露权限，需要分别界定。

CanPay 所接入的 Canton，为账本层的信息控制提供了技术基础。根据官方协议说明，Canton 支持子交易级隐私，按照相关方的知悉需要分发交易内容；同步基础设施负责消息排序与协调，不因此获得完整交易内容。本站另有 Canton Network 说明。

账本上的选择性披露，并不天然覆盖整个机器人系统。若 StackChan 将语音、任务上下文或交易结果发送到外部模型服务，信息便已经跨越另一道边界；钱包后台、代理记忆与运维日志，也需要各自的访问和保留规则。

更多机器参与交易，也不必然带来更好的市场结果

即使上述这些问题都得到很好的解决，更多机器参与交易，也不必然或者天然的带来更好的市场结果。

《American Economic Review》的一项经典研究发现，在特定的重复价格竞争模型中，学习算法能够在没有直接通信的情况下形成维持高价的策略。2025 年 Dou、Goldstein 与 Ji 的 NBER 工作论文，也在理论与模拟交易环境中研究了 AI 代理形成合谋结果的可能性。这些结果具有模型条件，不能直接外推到现实中的机器人支付网络；但它们足以反驳“机器更自动，所以市场必然更有效率”的推论。Calvano 等，2020；Dou 等，2025，工作论文

这意味着，观察 CanPay 与 StackChan 的结合，不能只关乎统计交易次数。许多钱包之间的频繁转账，可能只是同一运营者内部的资金流动；演示性的互相打赏，也不等于形成了持续的服务需求。更有说服力的证据是能否观察到：用户是否用更少的时间完成任务，服务是否按约交付，扣除全部成本后是否仍有收益，以及异常交易能否被发现并处理。

我们试图把 StackChan 的实验推进为实证研究，可以让同一类任务分别通过人工逐笔支付、预付账户和限额自主支付完成，比较总成本、完成时间、交付成功率与人工介入次数，再观察重复请求、错误报价和网络中断时的表现。这些真实的数据，比一笔成功转账更能说明机器经济的边界。

StackChan 的“小而美”反而构成了研究优势。一个 100 美金的桌面机器人、一个 Canton 主网自带隐私功能的 CIP56 代币和几种明确服务，可以将抽象问题压缩成可观察的实验：人究竟愿意交出多少决定权？机器可以稳定处理哪些交易？监督成本从何时开始超过便利？

CanPay 为机器人接入专门设计的钱包，打开了这样一个实验入口。它的长期意义，要由支付之后发生的事情来决定：钱是否花在被授权的地方，是否换回了所需服务，失败是否可控，责任是否清楚。

机器经济的窄缝，或许就在可委托的行动与可承担的后果之间。这道缝也许只能容纳小额、明确、容易核验的交易，却足以检验一种具体的未来：机器在人的预算与规则之内，逐步承担真实的经济工作。

智能经济的大门，或许正被悄悄推开一条小小的缝隙。