DeXposure-Claw：一種用於DeFi風險監督的代理系統
DeXposure-Claw是一個基於預測的代理監督系統，旨在解決通用LLM代理在去中心化金融風險監督中的不足。它透過圖形時間序列基礎模型預測風險網路，結合確定性監控和壓力情景生成警報，並利用資料健康和置信度門控減少誤報。此外，還開發了DeXposure-Bench評估套件，透過六軸評估（包括決策軸）衡量系統效能。實驗基於五年周度真實資料，驗證了系統的有效性。
去中心化金融（DeFi）的快速發展給監管者帶來了前所未有的挑戰，尤其是面對快速變化、高度網路化的信用風險。通用的大型語言模型（LLM）代理在這種場景下表現不佳：它們容易過度解讀弱證據，並建議高風險干預措施，而現有的評估方法缺乏從監管角度衡量誤報的標準。針對這一問題，研究人員提出了DeXposure-Claw，一個基於預測的代理監督系統，旨在將LLM決策引導至結構化證據框架中，從而提升DeFi風險監督的準確性和可靠性。
DeXposure-Claw的核心由三部分組成。首先，DeXposure-FM，一個圖形時間序列基礎模型，用於預測未來的風險暴露網路。該模型能夠捕捉DeFi中複雜的關聯關係，為後續分析提供基礎。其次，確定性監控器和壓力情景模組將這些預測轉化為分類警報、歸因訊號和情景證據，使得風險訊號更加具體和可操作。最後，資料健康和置信度門控機制在系統發出可審計的監管工單之前對資訊進行約束，確保只有高質量、高置信度的警報才會被升級，從而降低誤報率。
為了評估系統效能，研究團隊還開發了DeXposure-Bench，一個六軸評估框架。其中，決策軸是關鍵，它透過監管對齊的絕對損失真實值和明確的虛假干預率來評分監管工單，這使得評估結果更符合實際監管需求。實驗使用了五年間的周度真實資料，結果充分支援了DeXposure-Claw的有效性。該系統的程式碼已在GitHub上開源，為DeFi風險監督領域提供了新的工具和思路。