Kayon 是 Vanar AI Native 架構中的推理層,負責「上下文讀取、規則判斷、動作觸發」三大核心職能。與僅回傳文字答案的傳統 AI 服務不同,Kayon 的目標是將推理結果轉化為可追蹤的鏈上執行路徑。
這項能力建立於 Neutron Seed 機制所提供的結構化輸入基礎上,並與 Vanar Chain(VANRY)總覽中描述的鏈上狀態系統聯動。要理解 Kayon,關鍵不在於模型名詞,而是執行鏈路是否穩定且可複核。
Kayon 的定位是「上下文推理與策略執行的橋樑」。輸入端接收結構化語義物件及鏈上狀態資訊,處理端負責規則判斷與條件匹配,輸出端則產生可執行指令並寫入鏈上動作通道。整體流程強調可驗證性與一致性,而非僅追求單次問答的準確率。
若將 Vanar 架構視為三層核心鏈路:Chain 負責狀態與結算,Neutron 負責語義記憶,Kayon 則負責將「結構化數據」連結至「可執行動作」。沒有 Kayon,數據可讀性與鏈上執行仍然分離;有了 Kayon,系統才能形成完整的自動化閉環。
Kayon 的輸入分為三大類型:語義輸入、狀態輸入、策略輸入。語義輸入來自 Seed 等結構化物件;狀態輸入來自鏈上帳戶、資產與事件狀態;策略輸入則來自應用定義的執行規則。三種輸入共同決定最終動作。
| 輸入類型 | 來源 | 作用 |
|---|---|---|
| 語義輸入 | Neutron Seed | 提供可檢索的業務上下文 |
| 狀態輸入 | 鏈上狀態 | 提供當前執行環境 |
| 策略輸入 | 規則配置 | 定義可執行的邊界與條件 |
上下文組織的核心在於可追溯引用。每次推理都必須能回溯「使用了哪些輸入、滿足了哪些條件、觸發了哪類動作」。這直接影響稽核可行性,也是 Kayon 與黑盒鏈下代理邏輯的顯著差異。
Kayon 典型流程可拆解為五步:接收任務、檢索上下文、規則判斷、產生動作、執行回寫。第一步明確任務目標;第二步拉取相關 Seed 與狀態;第三步依據策略進行判斷;第四步生成動作指令;第五步由鏈上系統執行並記錄結果。
這不僅是一個單次「智慧回答」,而是可重複執行的狀態機路徑。每一步都應有明確的輸入輸出邊界,方便事後追蹤與故障定位。對流程型應用而言,這種分段可觀測設計比單點模型結果更具工程價值。
圖 1. Kayon 從上下文讀取、規則判斷到鏈上動作執行的完整流程。
傳統模式下,AI 在鏈下產生建議,合約於鏈上執行動作,過程中需經多層格式轉換、權限校驗與狀態同步。此鏈路雖可運作,但在複雜業務場景中,常因「判斷來源不明、執行依據不一致」而產生風險。
Kayon 的設計目標是收斂這種分裂鏈路,將關鍵推理環節與鏈上狀態緊密結合。並非所有計算都必須上鏈,但關鍵執行判斷必須與鏈上可驗證狀態保持一致。這一差異在 Vanar 與外掛 AI 路線對比中尤為明顯。
Kayon 特別適用於需規則決策且可稽核的場景,例如條件支付、合規觸發、資產流轉審批、策略驅動自動化等。這些應用共同特徵是:輸入複雜、規則明確、後果可追責。
對於低風險內容生成、一次性問答或不依賴鏈上狀態的輕量級應用,Kayon 所帶來的架構優勢有限。選擇時應先評估業務是否真正需要「推理結果可鏈上執行並複核」的能力,而非僅僅因為涉及 AI。
優勢方面,Kayon 將推理與執行深度整合,有效降低跨系統協同成本,提升決策鏈路的可追蹤性。對企業級流程自動化而言,這有助於建立明確責任邊界與稽核路徑。
風險與限制方面,首先,輸入數據品質決定推理結果,錯誤的 Seed 會導致錯誤動作。其次,策略配置越複雜,規則衝突越可能引發執行異常。第三,若業務頻繁變動,維護高品質規則體系將帶來額外成本。這部分與 Neutron Seed 機制的數據治理能力高度耦合。
Kayon 並非獨立的「聊天模型層」,而是 Vanar 架構中面向執行的推理引擎。其核心價值在於將語義輸入、策略判斷與鏈上動作整合於同一條可驗證鏈路。對於強調流程可追蹤與規則可複核的應用,Kayon 提供比傳統外掛 AI 方案更高效的一體化執行路徑。
一般 AI API 主要用於文字生成或建議,Kayon 則強調將上下文判斷直接連結至鏈上執行。不僅能回答問題,還能產出可執行且可追蹤的動作結果。
Kayon 的執行品質高度仰賴結構化輸入,而 Neutron Seed 是關鍵來源。理論上可接入其他輸入,但缺乏統一語義物件時,推理穩定性與可稽核性將明顯下降。
無法。Kayon 適用於規則明確且需鏈上可驗證執行的邏輯。針對純展示、低風險互動或高頻變動邏輯,鏈下實現仍較靈活。
應先確認輸入資料結構是否穩定、執行規則是否明確,以及失敗回滾機制是否完善。三者明確後,Kayon 的一體化推理執行優勢才能真正落地。





