该论文研究的是当「搜索者」从人类或自动化脚本变为自主 AI 代理时的跨链套利问题，属于 agentic economy 与 MEV（最大可提取价值）交叉领域。作者提出一个双向视角的建模框架：AI 代理既是套利的提取者，也可能成为 MEV 的受害者/被攻击目标。在方法上，论文做了三件事：其一，针对风险厌恶型代理，在均值-方差效用函数下并考虑跨链桥延迟的随机性，推导出最优交易规模；其二，把多链路径选择形式化为一个「信念加权」在线学习问题，并证明在 Robbins-Monro 步长调度下信念估计收敛；其三，基于 Ethereum、Arbitrum、Base 三条链上共 23,000 笔 Uniswap V3 swap 事件进行实证。实证结论显示：在 10 秒分辨率下，以太坊- Arbitrum 的价差平均为 0.044%，Arbitrum-Base 价差平均为 0.013%；因此 10,000 美元规模的交易在 L2-L2 窗口中有 63% 可通过 CCTP 顺利结算，而 L1-L2 路径要达到同等可行性通常需要 50,000 美元以上的规模。此外，作者提出的自适应路径选择算法平均比标准基线高出 11%，而适度的随机化执行策略可将 MEV 暴露降低 50% 以上，仅带来有限的利润损失。论文整体偏向量化金融与多智能体系统交叉，适合 MEV 研究者、跨链桥与交易所风控团队、以及研究 AI 代理经济行为的学者阅读。