일반적인 챗봇은 질문을 받고 답변을 생성하면 한 번의 흐름이 끝나는 경우가 많음. 하지만 Web3 리서치는 검색→데이터 확인→계산→비교→검증처럼 앞 단계 결과가 다음 판단에 계속 영향을 줌.

DAPPOS의 Multi-Agent Framework, MAF는 공식 문서상 stateful graph backbone을 기반으로 구성됐습니다. 작업의 현재 상태를 유지하면서 다음 단계와 필요한 에이전트를 연결할 수 있는 구조임.

예를 들어 프로젝트 분석 중 온체인 지표에서 이상한 변화가 발견되면 처음 정해놓은 순서만 따라가는 게 아니라 추가 조사 단계로 이어지는 식임.

단순한 질문→답변보다 작업 상태를 가진 그래프로 복잡한 AI 업무를 이어간다는 점이 DAPPOS Intelligence Layer를 이해하는 첫 번째 포인트임.

전문 AI가 수백 개 있다고 해서 질문 하나마다 전부 실행하면 오히려 느리고 비효율적임. 가격 하나를 묻는데 보안·마케팅·전략 에이전트까지 모두 움직일 이유는 없음.

DAPPOS 공식 문서는 MAF가 deterministic routing을 사용한다고 설명합니다. 요청과 현재 작업 상태를 기준으로 어떤 경로와 에이전트가 필요한지 정해 작업을 보내는 구조임.

따라서 간단한 질문은 짧은 흐름으로 처리하고, 여러 데이터와 판단이 필요한 요청은 더 복잡한 흐름으로 확장할 수 있음.

에이전트 수 자체보다 중요한 건 이번 질문에 필요한 작업자만 골라 연결하는 라우팅 구조라는 얘기임.

“이 프로젝트를 분석해주세요”라는 요청 하나에도 팀·기술·시장·온체인 데이터·경쟁사처럼 서로 다른 조사 영역이 들어 있음.

DAPPOS의 MAF는 공식 문서상 작업별 Subgraph를 사용합니다. 하나의 거대한 AI 흐름에 모든 단계를 넣는 대신, 특정 목적을 가진 작은 작업 그래프들을 조합하는 방식임.

예를 들어 프로젝트 분석이라는 큰 요청 안에서도:

공식 문서 조사
온체인 데이터 확인
경쟁사 비교
위험 요인 검토

처럼 별도 작업 단위로 나눈 뒤 최종 결과에서 다시 합칠 수 있음.

큰 문제를 작은 전문 워크플로로 쪼갤 수 있다는 점이 복잡한 작업에서 DAPPOS MAF가 확장될 수 있는 이유임.

Web3에서는 같은 사건이라도 공식 발표·온체인 데이터·시장 가격·소셜 반응에서 서로 다른 정보가 나옴. 검색 하나만 잘한다고 전체 상황을 보기 어려운 이유임.

DAPPOS 공식 문서에는 MAF의 고급 기능 중 하나로 Multi-Agent Search가 명시돼 있습니다. 서로 다른 전문 영역의 에이전트가 자료를 찾고 판단한 뒤 결과를 연결할 수 있는 구조임.

예를 들어 신규 프로토콜을 조사한다면 한쪽에서는 공식 문서를 보고, 다른 쪽에서는 온체인 데이터를 확인하고, 또 다른 작업에서는 시장 반응을 살펴보는 식으로 나눌 수 있음.

중요한 건 검색 결과를 많이 쌓는 게 아니라 서로 다른 관점의 조사를 하나의 판단으로 모으는 것임.

AI 모델이 아무리 강해도 자신의 학습 데이터 안에 없는 실시간 가격·온체인 데이터·계산 결과까지 머릿속에서 정확히 만들어낼 수는 없음.

DAPPOS MAF는 약 300~400개의 전문 에이전트와 200개 이상의 통합 도구를 조정하고, 공식 문서에서는 tool-augmented generation을 지원한다고 설명합니다.

즉 AI가 답을 추측하는 대신 필요한 경우 외부 도구를 사용해 데이터를 가져오거나 계산하고, 그 결과를 다시 추론에 활용하는 방식임.

Web3 AI에서 중요한 건 모델 하나의 지식량보다 어떤 데이터와 도구를 언제 호출할 수 있는가라는 점이 다섯 번째 기술 포인트임.

검색 결과가 50개라고 해서 서로 독립적인 근거가 50개라는 뜻은 아님. 한 원문을 여러 사이트가 재인용했다면 실제 근거는 하나일 수도 있음.

Bubble Engine에는 Contextual RAG가 포함돼 있습니다. DAPPOS는 이를 정보의 provenance, 즉 어디에서 나온 자료인지 우선하는 데이터 집계 방식으로 설명합니다.

따라서 공식 문서에서 나온 주장과 X 게시물에서 나온 추측을 같은 무게로 처리하지 않는 방향임.

AI가 많은 링크를 보여주는 것보다 최초 출처와 자료의 성격을 추적하는 구조가 중요한 이유가 여기 있음.

어제 시장에서 발생한 사건과 프로젝트의 공식 구조는 둘 다 기억할 가치가 있지만 수명이 완전히 다름.

DAPPOS의 Bubble Engine에는 Compound Memory가 있음. 공식 문서는 이를 지속적으로 보존할 지식과 작업 과정에서 얻은 episodic learning을 함께 다루는 구조로 설명합니다.

예를 들면:

프로토콜 구조·공식 규칙 → 오래 유지할 지식
특정 시장 상황의 결과 → 작업 경험

처럼 역할이 달라질 수 있음.

모든 대화를 무작정 오래 기억하는 것보다 장기 지식과 경험성 정보를 구분해 다음 작업에 사용하는 것이 핵심임.

Web3는 새로운 프로젝트·밈·프로토콜·사건이 빠르게 생김. 몇 달 전 학습된 지식만으로 판단하면 최신 상황을 따라가기 어려움.

DAPPOS 공식 문서는 Bubble Engine을 continuous reinforcement learning 기반의 적응형 학습 코어로 설명합니다. X와 Binance Square 같은 실시간 정보원을 받아 새로운 지식을 계속 반영하는 방향임.

여기서 중요한 건 실시간 게시물을 그대로 사실로 외운다는 뜻은 아니라는 점임. Contextual RAG와 잘못된 정보 처리 구조가 함께 언급돼 있습니다.

정적인 모델 하나를 계속 쓰는 대신 환경 변화에 맞춰 Intelligence Layer 자체를 갱신하려는 구조가 여덟 번째 기술적 특징임.

AI가 최신 정보를 빨리 배우는 건 좋지만 아무 사용자가 올린 내용을 바로 사실로 받아들이면 오히려 오염될 수 있음.

DAPPOS 공식 소개에서는 Bubble task platform을 통해 사용자가 새로운 개념이나 정보를 제공할 수 있고, 검증된 뒤 시스템에 통합되는 흐름을 설명합니다.

즉 구조는 단순히:

새 정보 발견 → 즉시 기억

이 아니라,

새 정보 유입 → 검토·검증 → 유용한 지식으로 통합

에 가까움.

빠르게 변화하는 Web3 환경에서 학습 속도와 정보 신뢰성을 동시에 다루려는 구조가 아홉 번째 포인트임.

xStocks에는 뭐가 좋나?

Hyperliquid에는 뭐가 좋나?

리서치 AI라면 좋은 결론을 만드는 순간 작업이 끝남. 하지만 DAPPOS의 구조에서는 Intelligence Layer가 최종 목적지가 아님.

DAPPOS는 Intelligence Layer가 research·planning·decision-making을 담당하고, 만들어진 결과가 Execution Layer로 이어질 수 있도록 구성합니다. Execution Layer에는 Intent Execution Network가 있어 AI가 만든 계획을 실제 온체인 작업으로 연결하는 역할을 맡음.

전체 흐름을 정리하면:

요청
→ Graph 구성
→ 에이전트 라우팅
→ Subgraph 작업
→ 도구·검색 활용
→ 출처 검증
→ 기억·학습
→ 계획 완성
→ Execution Layer

로 이어지는 그림임.

그래서 DAPPOS Intelligence Layer는 답변 생성 엔진이라기보다 실행 가능한 판단을 만드는 앞단의 AI 시스템에 더 가까움.

일반적인 디앱에서는 사용자가 직접 체인·토큰·컨트랙트·브리지·승인 순서를 이해해야 할 때가 많음. 실행망이 아무리 좋아도 사용자가 요청 자체를 복잡하게 작성해야 한다면 진입장벽은 그대로임.

그래서 DAPPOS는 Intent Task Framework를 둡니다. 공식 문서에 따르면 DAPPOS와 연결된 인프라나 디앱에서 사용자가 행동하면 프레임워크가 해당 행동을 실행망이 처리할 수 있는 인텐트 형태로 자동 구성합니다. 이후 여러 서비스 제공자의 견적을 받아 비교하는 흐름으로 이어짐.

즉 사용자가 처음부터 실행 명세서를 작성하는 게 아니라 익숙한 디앱 행동을 실행 가능한 인텐트로 번역하는 계층이 먼저 존재하는 셈임.

멀티체인 환경에서는 같은 사람이 가진 자산도 Ethereum·Arbitrum·BNB Chain처럼 서로 다른 곳에 흩어져 있음. 특정 디앱을 쓰려면 어느 체인에 얼마가 있는지부터 확인하게 됨.

DAPPOS의 Unified Account는 Intent Execution Network와 호환되는 계정 시스템으로 설명됩니다. 여러 블록체인의 자산을 하나의 계정 경험에서 관리하고, DAPPOS SDK가 통합된 디앱에서 체인을 넘나들며 자산을 사용할 수 있도록 설계됐습니다.

블록체인이 실제로 하나로 합쳐진다는 뜻은 아님. 사용자에게 보이는 계정 경험에서 체인별 잔액과 사용 경로를 덜 의식하도록 추상화하는 구조에 가까움.

DAPPOS 공식 문서상 Unified Account는 주요 토큰을 이용한 수수료 지불을 지원하도록 설계됐습니다. 사용자가 매번 특정 네이티브 가스 토큰부터 준비해야 하는 부담을 줄이려는 구조임.

이건 단순 UI 기능보다 중요한 추상화임. 사용자는 “가스 토큰이 무엇인가?”보다 내가 어떤 작업을 완료하려는가에 더 집중할 수 있기 때문임.

다른 체인의 디앱을 사용하려면 보통 자산 준비→브리지→도착 확인→승인→컨트랙트 호출처럼 여러 단계가 이어짐. 중간 단계마다 지갑 서명과 대기가 생길 수도 있음.

DAPPOS의 Intent-centric dApp Interaction은 사용자의 컨트랙트 기반 지갑에서 발생하는 컨트랙트 호출과 자산 브리징을 함께 처리할 수 있도록 설계됐습니다. 공식 문서는 단계 사이에 임의의 의존관계가 있어도 이를 하나의 상호작용 흐름으로 자동화하는 방향을 설명합니다.

즉 브리지를 별도 제품으로 보는 게 아니라 최종 디앱 행동을 완성하기 위한 중간 단계 중 하나로 취급하는 것임.

DeFi에서는 수익을 얻으려면 자산을 스테이킹하거나 별도 수익 상품으로 바꾸는 경우가 많음. 문제는 다른 기회가 생겼을 때 다시 언스테이킹·상환·브리지를 거쳐야 할 수 있다는 점임.

DAPPOS의 Intent Assets는 수익을 발생시키면서도 필요할 때 온체인에서 사용할 수 있도록 설계된 자산 구조입니다. 공식 문서에 공개된 첫 구성에는 intentBTC·intentETH·intentUSD가 포함됩니다.

핵심은 높은 수익률 자체보다 수익을 얻는 상태와 실제 사용하는 상태 사이의 전환 단계를 실행망으로 감추려는 것임.

수익형 자산이라고 하면 하나의 토큰이 자체적으로 모든 투자 전략을 수행한다고 생각하기 쉬움. 하지만 DAPPOS의 설명은 조금 다름.

공식 문서에 따르면 Intent Assets의 기초 수익원은 wstETH·sUSDe·sDAI·stBBTC 같은 yield-bearing assets와 LRT/Pendle PT 계열 자산에서 나옵니다. 사용자가 보유한 Intent Asset은 이 구조를 나타내는 일종의 증서처럼 설명됩니다.

그리고 실제 수익 생성 작업은 Intent Execution Network의 서비스 제공자가 처리함. 즉 사용자가 보는 자산 표현과 뒤에서 수행되는 수익 전략을 분리한 구조임.