> ## Content Index > Fetch the complete content index at: https://agentkey.app/blog/llms.txt > Use this file to discover other available public pages before exploring further. # Chainbase × GPT‑6 Astra: KI-Agenten mit der Welt verbinden – und Arbeit erledigen - URL: https://agentkey.app/blog/de/chainbase-gpt-6-astra-agenten-mit-welt-verbinden-und-arbeit-erledigen/ - Published: 2026-09-11T03:15:32.000Z - Updated: 2026-10-28T09:40:52.000Z - Description: Eine architektonische Übersicht zu Chainbase und GPT‑6 Astra, um KI-Agenten mit Daten zu versorgen und längere Aufgaben zum Abschluss zu bringen. - Author: bruce - Tags: #de, #translation-7a616a74-0b23-43e1-853d-be80ee814b1d, #ak-i18n-managed, #ak-i18n-version-9689deb2e87f60ee Man stelle sich vor, was ein KI-Agent tatsächlich tun muss, wenn er gebeten wird, eine Branche zu recherchieren und Produkt-Prioritäten für den nächsten Monat vorzuschlagen. Er muss aufkommende Trends erkennen, Primärquellen lesen, Nutzerfeedback über Plattformen hinweg vergleichen, wichtige Kennzahlen prüfen und aus seinen Erkenntnissen einen Bericht, einen Datensatz sowie einen Plan machen, nach dem das Team handeln kann. Unterwegs kann ein Datenanbieter ausfallen, der Nutzer kann die Aufgabenstellung ändern, und neue Belege können die ursprüngliche Hypothese infrage stellen. Genau bei dieser Art durchgehender Arbeit wird GPT‑6 Astra relevant. OpenAI positioniert es für komplexes Schlussfolgern, Programmieren, Computernutzung, Recherche und Dokumentenerstellung, mit Schwerpunkt auf mehrstufigen Workflows über Code, Browser und Fachsoftware hinweg. Für Entwickler ist die praktische Frage, ob ein Agent beharrlich auf ein Ziel hinarbeiten kann, während er Recherche, Analyse und Lieferung koordiniert. [Modellhinweise von OpenAI](https://developers.openai.com/api/docs/guides/latest-model?ref=agentkey.app) Das Produktportfolio von Chainbase deckt mehrere Anforderungen dieses Workflows ab. Die Onchain-Infrastruktur macht Blockchain-Daten nutzbar. Tops organisiert Informationen in untersuchenswerten Signalen. AgentKey gibt Agenten Zugang zu einem breiteren Spektrum von Datendiensten. Zusammen bieten sie komplementäre Wege, das Schlussfolgern eines Agenten mit der Welt zu verbinden, die er verstehen möchte. > Dieser Artikel beruht auf einer vollständigen Durchsicht der öffentlich zugänglichen Blogartikel von Chainbase und der öffentlichen Dokumentation von OpenAI, geprüft am 11\. September 2026\. Astra bezieht sich auf das GPT‑6-Astra-Modell; die behandelten API-Funktionen setzen eine kompatible Anwendungsumgebung voraus. „ד beschreibt eine vorgeschlagene technische Kombination. Die folgenden Workflows sind architektonische Beispiele und keine Ankündigung eines offiziellen Gemeinschaftsprodukts. **Vom Onchain-Datenengineering zu Datendiensten für Agenten** Chronologisch gelesen, zeigt der Blog von Chainbase ein konsistentes Ziel: fragmentierte Daten nutzbar zu machen und den Weg von ihrer Quelle zu ihren Nutzern zu verkürzen. 2024 konzentrierte sich das technische Schreiben auf ein Omnichain-Datennetzwerk, eine vierstufige Architektur, EigenLayer AVS und Manuscript als Möglichkeit, Datenverarbeitung zu definieren. Das zugrunde liegende Problem war konkret. Blockchains haben unterschiedliche Datenstrukturen und Ausführungsmodelle, was Entwickler dazu zwang, Indexierungs-, Bereinigungs- und Transformations-Pipelines immer wieder zu erstellen. Chainbase wollte diese Prozesse standardisieren und ihre Ausgaben leichter kombinierbar machen. [Vier-Schichten-Architektur von Chainbase](https://blog.chainbase.com/harnessing-data-a-comprehensive-overview-of-chainbases-four-layer-architecture?ref=agentkey.app) In diesem Jahr entstand auch Theia, eine domänenspezifische Modellinitiative. Die veröffentlichte Theia‑Llama‑3.1‑8B-Version nutzte Llama‑3.1‑8B‑Instruct als Basis, wandte LoRA-Feinabstimmung mit auf Krypto fokussierten Daten an und bot eine quantisierte Version. Diese Historie zeigt, dass Chainbases KI-Arbeit bereits darauf reichte, wie Daten in Modelle gelangen und spezialisiertes Wissen unterstützen. [Open-Source-Veröffentlichung von Theia](https://blog.chainbase.com/theia-open?ref=agentkey.app) Während des Jahres 2025 erweiterten Manuscript, die Datenplattform und Tops diese Arbeit zu programmierbaren Pipelines und Informationsprodukten. 2026 führte Tops agentenorientierten Zugang ein, gefolgt von AgentKey, der den Zugang zu Suche, Webinhalten, sozialen Plattformen, Geschäftsinformationen und Commerce-Daten ausbaute. Zusammen betrachtet deuten diese Entwicklungen auf eine Progression vom Aufbau einer Dateninfrastruktur hin zu Diensten, die Menschen und Agenten direkt konsumieren können. [Jahresrückblick 2025](https://blog.chainbase.com/chainbase-2025-year-in-review?ref=agentkey.app), [Einführung von AgentKey](https://blog.chainbase.com/introducing-agentkey-by-chainbase-labs?ref=agentkey.app) Die drei Produktlinien erfüllen unterschiedliche Rollen: | Product | Core function | What it provides to an agent | | -------------------------------- | ------------------------------------------------------------------------------------- | ------------------------------------------------------------------------- | | Chainbase onchain infrastructure | Ingest, parse, model, and distribute blockchain data | Queryable data about onchain state and activity | | Tops | Organize fragmented information into topics, attention signals, and traceable content | A starting point for discovering and investigating meaningful changes | | AgentKey | Unify access to data services across categories and providers | Broader information access with less integration and operational overhead | Dies ist eine Produktsicht, die um Agenten-Workflows organisiert ist. Chainbase betreibt auch Infrastruktur wie Validatorknoten. Der Bericht des zweiten Quartals 2026 gliedert das Geschäft in Dateninfrastruktur, Validatorknoten und Datenanwendungen. Die drei oben genannten Produkte sind daher als komplementäre Fähigkeiten innerhalb eines breiteren Geschäfts zu verstehen und nicht als erschöpfende Organisationsstruktur oder als verbindliche Abhängigkeitssequenz. [Bericht Q2 2026](https://blog.chainbase.com/chainbase-newsletter-april-june-2026?ref=agentkey.app) **Chainbase-Infrastruktur: Onchain-Ausführung in nutzbare Daten verwandeln** Öffentliche Transaktionsdatensätze erfordern weiterhin erhebliches Engineering, bevor sie eine Geschäftsfrage beantworten können. Man stelle sich vor, die Bestandsänderungen eines Assets zu verfolgen. Das Nachspielen von Transfer-Ereignissen kann Änderungen übersehen, die ohne die erwarteten Ereignisse vorgenommen wurden. Der Open-Source-EVM-Tracer von Chainbase beschreibt einen Ansatz auf Basis von Prestate, Block-Replay und Beobachtung zugrunde liegender Zustandsänderungen, um Lücken in einer nur ereignisbasierten Sicht zu schließen. Das Beispiel verdeutlicht einen grundlegenden Beitrag der Dateninfrastruktur: Besser zu machen, was ein Modell beobachten kann, bevor es zu schlussfolgern beginnt. [Custom-EVM-Tracer auf Prestate-Basis](https://blog.chainbase.com/open-source-chainbases-prestate-based-evm-custom-tracer?ref=agentkey.app) Rohdaten müssen dann in konsistent definierte Geschäftsdaten überführt werden. Manuscript stellt programmierbare Pipelines bereit, die Quellen festlegen, Transformationen wie SQL-Abfragen anwenden und Ergebnisse an ein Ziel senden. Das Sui-Tutorial zeigt, wie MoveCall-Informationen extrahiert und Ergebnisse in PostgreSQL geschrieben werden. Manuscript v1.5.0 ergänzt Solana-Parser-Fähigkeiten, die Transaktions- und Kontostandsdaten in abfragbare Tabellen organisieren. [Sui-Manuscript-CLI-Tutorial](https://blog.chainbase.com/sui-blockchain-data-with-manuscript-cli?ref=agentkey.app), [Manuscript v1.5.0](https://blog.chainbase.com/manuscript-v150-is-now-live?ref=agentkey.app) Dies schafft eine konkrete Möglichkeit für Astras Kodierungsfähigkeiten. Ein Entwickler könnte das Modell bitten, Schemata zu prüfen, Abfragen zu schreiben und zu überprüfen, Aggregationsentscheidungen zu erklären und bei der Pflege einer Pipeline zu helfen. Das Modell könnte dann mit einem wöchentlichen Protokoll-Nutzungsdatensatz arbeiten, der für die Forschungsfrage vorbereitet wurde. Das Engineering-Prinzip ist einfach: Datenbanken und Programme sollen deterministische Berechnungen durchführen, und das Modell soll für Interpretation, Vergleich und Beurteilung genutzt werden. Größere Kontextkapazität hilft, Material unterzubringen; solide Datenmodellierung gibt diesem Material eine konsistente Bedeutung. **Tops: Live-Diskussion in Rechercheansätze verwandeln** Viele Recherchearbeiten beginnen, bevor jemand das richtige Stichwort kennt. Ein Team möchte wissen, was sich verändert hat, welche Themen Aufmerksamkeit gewinnen und wo eine genauere Untersuchung nützlich wäre. Tops adressiert diesen Entdeckungsschritt. Der Artikel zur Einführung beschreibt, wie Informationen über Ausbreitungsgeschwindigkeit, Einfluss und semantische Cluster organisiert werden. Die agentenorientierte Schnittstelle stellt Krypto-Narrative, Details zu Themen und verwandte Diskussion auf X über strukturierte Tools bereit. [Einführung von Tops](https://blog.chainbase.com/tops-is-now-live?ref=agentkey.app), [Tops für KI-Agenten](https://blog.chainbase.com/tops-now-works-with-ai-agents?ref=agentkey.app) Diese Tools unterstützen eine natürliche Abfolge bei der Recherche. Ein Agent kann `list_trending_topics` nutzen, um ein Thema zu entdecken, `get_topic` nutzen, um es zu verstehen, und `get_topic_posts` nutzen, um die zugrunde liegenden Beiträge zu untersuchen. Er kann `search_narrative_candidates` nutzen, um eine ungenaue Forschungsrichtung zu erkunden, oder `search_mentions` nutzen, um ein bekanntes Projekt zu verfolgen. Tops unterstützt die MCP-, Skill- und API-Integrationspfade. [Tops-Tools und Integrationsleitfaden](https://blog.chainbase.com/tops-now-works-with-ai-agents?ref=agentkey.app) Für Astra bietet dies einen fokussierteren Ausgangspunkt. Ein organisiertes Thema liefert Schlüsselwörter, zugehörige Inhalte und Untersuchungsrichtungen. Der Zugang zu den Originalbeiträgen lässt Raum, die Zusammenfassung zu überprüfen und eine andere Interpretation zu entwickeln. Angenommen, eine Kategorie von Agent-Zahlungsprodukten zieht plötzlich Aufmerksamkeit auf sich. Diese Beobachtung wird zu einer zu untersuchenden Hypothese: Ist der Anstieg ein kurzer Ausbruch rund um einen Launch oder spiegelt er eine nachhaltige Veränderung der Nutzernachfrage wider? Aufmerksamkeit gibt den Anstoß zur Untersuchung. Beweise bestimmen die Schlussfolgerung. **AgentKey: Datenzugriff, der sich an der Aufgabe orientieren kann** AgentKey erweitert Chainbases Produktreichweite über Blockchain-Daten hinaus. Ein Agent für Wettbewerbsrecherche könnte im selben Auftrag eine Suchmaschine, vollständige Webseiten, Reddit-Kommentare, Unternehmensinformationen und Commerce-Daten benötigen. Selten kennt er vorab alle benötigten Quellen. Bei separaten Integrationen müssen Entwickler Anbieterkonten, Schlüssel, Guthaben, Schnittstellen und Wiederholungsversuche verwalten, wenn sich der Umfang der Aufgabe erweitert. AgentKey ist um dieses Problem herum entwickelt. Es bietet einen gemeinsamen Zugangspunkt für mehrere Datendienste und übernimmt Anbieterauswahl, Routing und Failover. Die Berichterstattung zum Start umfasste Such-, Scrape-, Social- und Krypto-Daten mit regionalen Plattformen außerhalb des englischsprachigen Webs. [AgentKey: Produkt- und Architekturüberblick](https://blog.chainbase.com/introducing-agentkey-by-chainbase-labs?ref=agentkey.app) Im Update des ersten Monats berichtete AgentKey über sechs Kategorien – Search, Scrape, Social, Crypto, Business und E-commerce –, die 18 Anbieter, 59 Datenquellen und Dienste sowie mehr als 1.800 Endpunkte verbanden. Diese Zahlen beschreiben den Produkt-Snapshot dieses Updates. Die breitere Implikation ist, dass ein Agent zwischen verschiedenen Informationssystemen wechseln kann, wenn sich eine Recherchearaufgabe weiterentwickelt. [AgentKey: Ein Monat nach dem Launch](https://blog.chainbase.com/agentkey-one-month-after-launch?ref=agentkey.app) Diese Breite unterstützt Marktrecherche, Nutzerforschung, Wettbewerbsanalyse und Produktentdeckung. Ein Commerce-Team, das Kundenbeschwerden untersucht, könnte Produktinformationen, Social Content und Stichproben aus Bewertungen kombinieren. AgentKey kann in der gesamten Aufgabe Mehrwert bieten, ohne dass ein Onchain-Bestandteil erforderlich ist. Für Astra, das bereits Workflows zur Websuche und zum Browsen unterstützt, fügt AgentKey eine Abdeckung durch Datendienste sowie ein gemeinsames Integrations- und Betriebsmodell hinzu. Suchergebnisse, Plattform-Kommentar-APIs, Unternehmensdatenbanken und Blockchain-Abfragen bieten unterschiedliche Strukturen und Detailtiefe. Eine passende Schnittstelle zu wählen, kann die Batch-Analyse wiederholbarer machen. Zugriff und Interpretation bleiben getrennte Verantwortlichkeiten. AgentKey macht die Datenabrufe einfacher; der Agent muss weiterhin feststellen, ob diese Daten die Frage beantworten. Wenn sich ein Anbieter ändert, können sich auch Felder, Zeitbereiche und Abdeckung ändern. Anwendungen sollten die zurückgegebenen Ergebnisse prüfen und ihre Bedeutung über diese Übergänge hinweg bewahren. **Warum Astra diese Kombination nützlich macht** Die erste relevante Fähigkeit ist Kontinuität bei komplexer Arbeit. Recherche wechselt wiederholt zwischen Fragestellung, Materialsammlung, Urteilsbildung, Prüfung dieses Urteils und Ergebnisproduktion. Astras Schlussfolgern, Kodieren und Tool-Nutzung können helfen, diese Schritte zu einer durchgehenden Aufgabe zu organisieren. Chainbases Produkte liefern verschiedene Eingaben, während sich diese Aufgabe entwickelt. [Modellhinweise von OpenAI](https://developers.openai.com/api/docs/guides/latest-model?ref=agentkey.app) Das zweite ist die Kontextkapazität. OpenAI listet ein Kontextfenster von 1.050.000 Token und eine maximale Ausgabelänge von 128.000 Token auf. Für Recherche bietet das Raum, um Dokumente zu vergleichen, Arbeitshistorie zu behalten und umfangreiche Liefergegenstände zu erstellen. Ein sinnvoller Ansatz besteht darin, wichtige Quellpassagen, strukturierte Metriken und unterstützende Belege zu bewahren und sich wiederholendes Material zu entfernen. [Spezifikationen von GPT‑6 Astra](https://developers.openai.com/api/docs/models/gpt-6-astra?ref=agentkey.app) Das dritte ist asynchrones Tool-Aufrufen. Der neue Async Tool Calling-Mechanismus von Astra erlaubt dem Modell, unabhängige Arbeiten fortzusetzen, während eine Anwendung ein Tool ausführt. Wenn eine externe Abfrage über AgentKey länger dauert, könnte eine Anwendung sie als asynchrone Funktion bereitstellen. Während des Wartens könnte Astra abgerufenes Material organisieren oder einen nicht zusammenhängenden Teil der Analyse vorantreiben. Die Anwendung bleibt für Ausführung, ausstehende Jobs und die Rückgabe von Ergebnissen verantwortlich. Dieser Mechanismus gilt für anwendungsausgeführte Funktionen und Custom-Tools; er sollte nicht automatisch auf jeden MCP-Aufruf übertragen werden. [Dokumentation zum Async Tool Calling](https://developers.openai.com/api/docs/guides/async-tool-calling?ref=agentkey.app) Das vierte ist die Fähigkeit, im Verlauf einer Aufgabe die Richtung zu ändern. Ein Nutzer könnte einen Agenten bitten, sich auf Südostasien zu konzentrieren, bezahlte Conversions zu priorisieren oder eine bestimmte Quelle nicht mehr zu nutzen, nachdem die Recherche begonnen hat. Astras Mid-turn Steering unterstützt zusätzliche Anweisungen über eine Responses API WebSocket-Verbindung und bewahrt dabei abgeschlossene Arbeit. Das ist nützlich, wenn eine Rechercheaufgabe durch eingehende Belege präziser wird. Es macht ausgeführte Tool-Aktionen nicht automatisch rückgängig. [Dokumentation zum Mid-turn Steering](https://developers.openai.com/api/docs/guides/steering?ref=agentkey.app) Astra unterstützt auch programmatisches Tool-Aufrufen. Für eine bekannte Zielmenge kann ein Programm Aufrufe koordinieren, Zwischenergebnisse deduplizieren und filtern und dem Modell eine kompakte Menge von Erkenntnissen zurückgeben. Dies hilft, die Breite der AgentKey-Quellen in überschaubare Datenverarbeitungsarbeit zu überführen. Programmatic Tool Calling ist eine bestehende Plattformfähigkeit, die von Astra unterstützt wird. Die aktuelle Dokumentation besagt, dass asynchrone Tools für diesen Ausführungspfad nicht konfiguriert werden sollten, sodass Entwickler den passenden Mechanismus für jeden Workflow wählen sollten. [Dokumentation zum Programmatic Tool Calling](https://developers.openai.com/api/docs/guides/tools-programmatic-tool-calling?ref=agentkey.app), [Kompatibilität von Async Tools](https://developers.openai.com/api/docs/guides/async-tool-calling?ref=agentkey.app) Für kontinuierliches Monitoring unterstützt Astra auch das Ändern des Reasoning-Aufwands innerhalb einer Konversation, während das ursprüngliche Cache-Präfix bewahrt wird. Ein Ansatz, den man evaluieren sollte, ist es, bei routinemäßiger Organisation weniger Reasoning-Aufwand zu verwenden und ihn zu erhöhen, wenn eine bedeutsame Anomalie eine Untersuchung erfordert. Datenzugriff und Inferenzkosten können gemeinsam am Wert der Aufgabe gesteuert werden, wobei tatsächliche Gewinne im eingesetzten Workflow gemessen werden. [Modellhinweise von OpenAI](https://developers.openai.com/api/docs/guides/latest-model?ref=agentkey.app) Diese Fähigkeiten müssen letztlich nützliche Ausgaben produzieren. Mit Code-Ausführung, Datei-Zugriff und Browser-Tools, die von der Host-Umgebung bereitgestellt werden, kann Astra Abfrageergebnisse in Berichte, Diagramme, wiederverwendbare Skripte und Analyse-Seiten umwandeln. Das Modell koordiniert die Arbeit, die Umgebung führt sie aus, und angeschlossene Datendienste liefern Informationen, die abgerufen und aktualisiert werden können. **Die drei Produktlinien in einen praktischen Workflow setzen** Man stelle sich ein Team vor, das die folgende Aufgabe vergibt: > „Recherchiere die Entwicklungen im Bereich Agent-Zahlungen im vergangenen Monat. Vergleiche Diskussion und Nutzung rund um drei Produkte über verschiedene Regionen hinweg. Erstelle einen Entscheidungsbrief für die Produkt-Roadmap des nächsten Monats, inklusive eines Datensatzes, den wir laufend aktualisieren können.“ Im Folgenden ist ein Beispiel für einen Workflow, den ein Team aufbauen könnte, kein Bericht über einen abgeschlossenen Test eines gemeinsamen Produkts. Astra würde zunächst die Produkte, den Zeitrahmen und die erwarteten Liefergegenstände festlegen. Tops könnte Themen und Narrativ-Signale bereitstellen, die untersuchungswerte Ereignisse identifizieren: einen Feature-Launch, eine wiederkehrende Beschwerde oder eine Diskussion, die gerade erst aufkeimt. AgentKey würde dann die breitere Untersuchung unterstützen. Je nach den Fähigkeiten der angeschlossenen Quellen könnte Astra offizielle Seiten, Entwicklerdokumentation, Unternehmensinformationen und Nutzerfeedback von mehreren Plattformen abrufen. Es könnte Produktversprechen mit technischen Grenzen und Kundenerfahrungen vergleichen und dabei das abgerufene Material als Beleg für seine Analyse über Sprachen hinweg nutzen. Wo ein Produkt identifizierbare Onchain-Aktivität hat, könnte Chainbase Transaktions-, Vertragsinteraktions- und Adressaktivitätsdaten beitragen. Vor dem Abfragen müsste der Workflow die relevanten Contracts und Messfenster festlegen sowie aktive Adressen von tatsächlichen Nutzern unterscheiden. Dies würde erlauben, soziale Wachstumsnarrative mit beobachtbarem Onchain-Verhalten zu vergleichen. Während der Analyse könnte Astra Code schreiben, um Zeitreihen zu organisieren, doppelte Beiträge zu entfernen, Vergleichsdiagramme zu erstellen und Ungereimtheiten zu untersuchen. Wenn die Diskussion wächst, während die gemessene Nutzung flach bleibt, könnte Publicity der Adoption vorauslaufen. Andere Erklärungen könnten unvollständige Contract-Abdeckung oder ein zu kurzes Beobachtungsfenster sein. Der Bericht sollte diese konkurrierenden Erklärungen bewahren und die Belege identifizieren, die benötigt werden, um sie aufzulösen. Die endgültige Lieferung könnte drei verbundene Ausgaben enthalten: einen Entscheidungsbrief, der Erkenntnisse und Empfehlungen erklärt, einen Datensatz, der Quellen und Metrikdefinitionen bewahrt, sowie eine Menge von Abfragen oder Skripten, die erneut ausgeführt werden können. Aus der Recherche würde ein Arbeitsmaterialbestand, den das Team aktualisieren kann. Für eine Rechercheaufgabe zu Consumer-Produkten oder SaaS könnte dieselbe Astra–AgentKey-Kombination nützlich bleiben. Tops und Onchain-Daten würden einbezogen, wenn sie zum Bereich passen. Der Vorteil komplementärer Produkte besteht darin, auswählen zu können, was die Aufgabe tatsächlich braucht. **Die Kombination anhand der Qualität abgeschlossener Arbeit messen** Tool- und Endpunkt-Zahlen beschreiben nur einen Teil der Fähigkeiten eines Agenten. Die Nutzererfahrung hängt davon ab, wie schnell ein Agent eine passende Quelle findet, ob die Ergebnisse nutzbar sind, ob er sich von Fehlern erholt und ob die endgültige Ausgabe den menschlichen Aufwand reduziert. Teams, die diese Kombination evaluieren, könnten mit vier Kennzahlen beginnen: Zeit bis zum ersten nutzbaren Datenergebnis, Abdeckung der Belege, Ende-zu-Ende-Aufgabenerfolg und Gesamtkosten pro akzeptablem Liefergegenstand. Kosten sollten Inferenz, Datenaufrufe, Wiederholungen und menschliche Nacharbeit umfassen. Erfolgskriterien sollten explizit sein – zum Beispiel nachvollziehbare Schlussfolgerungen, Diagramme, die mit dem zugrunde liegenden Datensatz übereinstimmen, und die Lieferung jedes angeforderten Artefakts. Der Q2-Bericht 2026 von Chainbase weist außerdem darauf hin, dass AgentKey den Übergang von der Registrierung zur tatsächlichen Nutzung verbessern muss, mit Blick auf den ersten erfolgreichen Aufruf und die Tiefe der Nutzung. Diese Produkt-Herausforderung passt zum Engineering-Ziel: Datenzugriff muss sich in sichtbaren Fortschritt bei der Aufgabe eines Nutzers übersetzen. [Q2-Bericht 2026](https://blog.chainbase.com/chainbase-newsletter-april-june-2026?ref=agentkey.app) Da Modelle wie Astra komplexere, durchgehende Arbeit übernehmen, erstreckt sich die Rolle der Dateninfrastruktur über die gesamte Aufgabe. Chainbase liefert nutzbare Onchain-Daten. Tops organisiert untersuchungswürdige Informationen. AgentKey erweitert die Dienste, die ein Agent aufrufen kann. Mit diesen Eingaben kann das Modell planen, verifizieren, coden und liefern – und stärkeres Schlussfolgern in vollständigere Arbeit verwandeln. Das Versprechen von Chainbase × GPT‑6 Astra besteht darin, dass ein Nutzer ein Ziel formulieren kann und ein Agent die richtigen Daten findet, die Zusammenhänge darin versteht und die Arbeit bis zu einem nützlichen Ergebnis durchführt.