Orchor

Orchor 白皮书面向可移植人类经验的 Runtime Marketplace摘要Orchor 是一个面向“可执行经验”的去中心化 Runtime Marketplace。它将真实可运行的人类专业能力封装为可移植、可调用、可交易的 Runtime 单元，即 Skill。Skill 并非普通文本，而是一种结构化执行资产，包含推理框架、Prompt、工作流、记忆结构、工具权限、运行策略以及收益归属机制。Orchor 的核心目标，是把隐性的专业经验转化为可编程基础设施。协议包含以下核心组成：可移植的 Skill 文件格式（.or）Hosted Runtime 托管执行层链上所有权与结算机制Attribution-aware 收益归属系统可组合的 Skill Graph 架构面向 Agent 的原生经济体系Orchor 希望成为 Creator、AI Agent、Runtime 与链上经济之间的协调层。1. 为什么需要 Orchor互联网标准化了内容分发，区块链标准化了数字所有权，大模型标准化了机器认知，但“操作级经验”依然高度碎片化。今天，大多数高价值工作流仍存在于封闭系统中：私有 Prompt内部 Agent未公开 Workflow隐藏推理链中心化 SaaS 自动化不可移植的专家方法论当前 AI 生态缺失：可移植执行标准可追踪收益归属可组合 Skill 架构原生经验货币化能力Runtime 层所有权保证因此，经验无法形成真正的网络效应。优秀投资人的研究框架被困在私有 GPT 中；顶级产品经理的方法论停留在 Notion 文档；复杂研究链路无法跨 Agent 系统协作。Orchor 提出的核心思想是：Skill 应该像软件包，而不是截图。2. 什么是 SkillSkill 是一种可移植执行模块。┌──────────────────────┬──────────────────────────────┐│ 组成部分 │ 描述 │├──────────────────────┼──────────────────────────────┤│ Identity │ 作者、来源、版本信息 │├──────────────────────┼──────────────────────────────┤│ Prompt Graph │ 结构化推理流程 │├──────────────────────┼──────────────────────────────┤│ Runtime Policy │ 工具权限与执行约束 │├──────────────────────┼──────────────────────────────┤│ Memory Schema │ 持久上下文接口 │├──────────────────────┼──────────────────────────────┤│ Inputs / Outputs │ 类型化输入输出协议 │├──────────────────────┼──────────────────────────────┤│ Attribution Metadata │ 收益归属与所有权 │├──────────────────────┼──────────────────────────────┤│ Execution Hooks │ Runtime 可调用行为 │└──────────────────────┴──────────────────────────────┘Skill 可以：手工编写从 Agent 蒸馏从 Workflow 导出多人协作生成Fork 与 RemixSkill 更接近软件包，而不是聊天 Prompt。3..or Skill 格式Orchor 提出了 .or 作为标准化 Skill 容器格式。其特点包括：人类可读Runtime 可执行支持密码学签名可版本化可组合可链上索引示例结构：skill: id: venture-dd-001 author: 0xA91... version: 0.1.2 runtime: model: claude-sonnet memory: persistent tools: - browser - pdf-parser inputs: startup_pitch: string outputs: investment_memo: markdown economics: royalty_bps: 800.or 的目标，是成为以下系统之间的通用执行标准：Agent FrameworkHosted Runtime本地执行客户端Autonomous Agent链上 Registry4. Hosted Runtime 架构Orchor 将“所有权”与“执行”进行分层。所有权与结算可以去中心化，但推理执行本身，仍可能依赖 Hosted Infrastructure。这是有意为之。现代 AI 推理需要：GPU 调度模型路由Cache 层沙箱隔离Tool Orchestration延迟优化将全部执行强行链上化，并不经济。因此 Orchor 采用如下分层结构：Settlement Layer → Monad Ownership Layer → Skill Registry Execution Layer → Hosted Runtime Interface Layer → Agent / App / ClientRuntime 在保证 Attribution 与 Settlement 的前提下，负责确定性执行。这种架构类似现代互联网：DNS 是开放的Cloudflare 是托管的HTTP 是标准化的计算依然依赖基础设施Orchor 将这种现实主义延续到 AI Runtime。5. 为什么选择 MonadOrchor 需要：高频微结算低延迟执行回执可扩展小额支付低成本 Attribution Routing可组合链上身份系统Monad 的架构特征天然适合 Runtime-native 经济体系。Monad 在保持 EVM 兼容的同时，实现了高吞吐与低延迟 Finality。其核心特性包括：Parallel ExecutionOptimistic Execution低 Block Latency可扩展验证者结构Bytecode-level EVM Compatibility对于 Orchor 而言，这意味着：每次执行都可链上结算Skill 级收益归属Autonomous Agent 支付链上 Skill RegistryRuntime-native 经济网络Monad 对 Orchor 来说不仅是结算层，它更是 Runtime Economy 的协调基础设施。6. Skill GraphSkill 是可组合的。一个 Research Skill 可以调用：Retrieval SkillSummarization SkillValuation SkillLegal Analysis Skill最终形成有向 Skill Graph。这会带来：依赖网络递归 Attribution可组合经验模块化智能市场Orchor 将“经验”视为基础设施原语。7. Runtime 经济模型每次 Skill 执行都会产生经济流。收益可分配给：原始作者Fork 维护者Graph 依赖节点Runtime Operator模型提供方这是一种 Attribution-native Economy。作者不再依赖一次性 Prompt 售卖，而是参与持续 Runtime 价值分配。这种结构更接近开源软件生态，而不是内容平台。8. 长期愿景Orchor 的长期目标并不是 Prompt Marketplace，而是“可移植经验”的操作系统。未来的 Agent 不会手动浏览网站，它们会直接调用可执行知识模块。价值创造单位将从：content → execution转变为：applications → capabilitiesOrchor 希望成为这场转变中的协调层。结语软件让逻辑成为基础设施；区块链让所有权成为基础设施；AI 正在让认知成为基础设施。Orchor 进一步将“经验”转化为基础设施。未来十年，最有价值的数字资产，或许不再是应用或内容，而是“可执行的操作智能”。Orchor 的存在，就是让这种智能具备：可移植性可组合性经济主权