要點概述
在這份報告中，我們討論了 Crypto & AI 產業內幾大主流架構的發展格局。我們將審視目前的四大主流架構——Eliza（AI16Z）、G.A.M.E（GAME）、Rig（ARC）、ZerePy（ZEREBRO），剖析其技術差異及發展潛力。
在過去一周裡，我們對以上四大架構進行了分析與測試，結論概述如下。
我們認為 Eliza（市佔率約 60% ，原作者撰文時市值約 9 億美元，截至發文市值約 14 億美元）將繼續主導市占率。Eliza 的價值在於它的先發優勢以及開發者的加速採用，Github 上的 193 位貢獻者、 1,800 分叉和 6,000 多顆星證明瞭這一點，並使其成為了 Github 上最受歡迎的軟體庫之一。
G.A.M.E（市佔率約 20% ，原作者撰文時市值約 3 億美元，截至發文市值約 2.57 億美元）到目前為止的發展非常順利，且也正在經歷快速採用，正如 Virtuals Protocol 早前發佈的公告那樣，基於 G.A.M.E 構建的項目已有 200 多個，日常請求次數超 15 萬，周成長率超 200% 。G.A.M.E 將繼續受益於 VIRTUAL 的爆發，並有可能成為該生態系中最大的贏家之一。
Rig（市佔率約 15% ，原作者撰文時市值約 1.6 億美元，截至發文市值約 2.79 億美元）的模組化設計非常引人注目且易於操作，有望作為在 Solana 生態系（RUST）中佔據主導地位。
Zerepy（市佔率約 5% ，原作者撰文時市值約 3 億美元，截至發文市值約 4.24 億美元）是一個更小眾的應用，特定於一個狂熱的 ZEREBRO 社群，它最近與 ai16z 社群的合作可能會產生一定的協同效應。
在上述統計中，「市佔率」在計算方式綜合考慮了市值、開發記錄以及基礎作業系統終端市場的廣度。
我們相信 AI 架構將成為本週期中成長最快的板塊，目前大約 17 億美元的板塊總市值將很容易成長至 200 億美元，與 2021 年高峰時的 Layer 1 估值相比，這個數位可能依舊比較保守——當時許多單一項目的估值都達到了 200 億美元以上。雖然上述架構服務於不同的終端市場（鏈/生態系），但鑒於我們認為這個板塊將整體成長，採用市值加權的方法可能相對最為謹慎。
四大架構
在 AI 和 Crypto 的交匯處，已出現了幾個旨在加速 AI 開發的架構，它們包括 Eliza（AI16Z）、G.A.M.E（GAME）、Rig（ARC）、ZerePy（ZEREBRO）。從開源社群項目到注重性能的企業解決方案，每個架構都迎合了代理開發的不同需求和理念。
在下邊這張表中，我們列出了每個架構的關鍵技術、組件和優勢。
圖源：Deep Value Memetics
這份報告將首先聚焦這些架構是什麼，它們所使用的程式語言、技術架構、演算法以及具有潛在應用的獨特功能。然後我們將根據易用性、可擴充功能性、適應性和性能來比較每個架構，同時討論它們的優勢和局限性。
Eliza
Eliza 是一個由 ai16z 開發的開源多代理模擬架構，旨在創建、部署和管理自主 AI 代理。它以 TypeScript 作為程式語言開發，為構建智慧代理提供了一個靈活、可擴充功能的平台，這些代理能夠在多個平台上與人類互動，同時保持一致的個性和知識。
該架構的核心功能包括：支持同時部署和管理多個獨特 AI 個性的多代理架構；使用角色文件架構創建多樣化代理的角色系統；通過先進的檢索增強生成系統（RAG）提供長期記憶和可感知上下文的記憶管理功能。此外，Eliza 架構還提供流暢的平台整合，可與 Discord、X 和其它社交媒體平台實現可靠連接。
在 AI 代理的通訊和媒體功能方面，Eliza 是一個極佳的選擇。在通訊方面，該架構支持與 Discord 的語音頻道功能、X 功能、Telegram 以及用於客製應用的直接 API 訪問進行整合。另一方面，該架構的媒體處理功能已擴充功能至 PDF 文檔閱讀和分析、連結內容提取和摘要、音頻轉錄、影片內容處理、圖像分析和對話摘要，可有效處理各種媒體輸入和輸出。
Eliza 提供了靈活的 AI 模型支持，可通過使用開源模型進行本地推理，通過 OpenAI 以及 Nous Hermes Llama 3.1 B 等默認配置進行基於雲端的推理，且支持整合 Claude 以處理複雜查詢。Eliza 採用了模組化架構，擁有廣泛的動作系統、自定義客戶端支持和全面的 API，確保了跨應用的可擴充功能性和適應性。
Eliza 的應用覆蓋了多個產業，比如與客戶支持、社群管理、個人任務相關的 AI 助手；再比如自動內容創建者、品牌代表等社交媒體角色；它還可作為知識工作者，扮演研究助理、內容分析師和文檔處理員等角色；以及角色扮演機器人、教育導師和娛樂代理等形式的互動角色。
Eliza 的架構圍繞著一個代理運行時（agent runtime）構建，該運行時可與角色系統（由模型提供商支持）、記憶管理器（連接到數據庫）和動作系統（與平台客戶端連結）無縫整合。該架構的獨特功能包括允許模組化功能擴充功能的擴充應用程式系統，支持語音、文本和媒體等多模態互動，以及與 Llama、GPT-4 和 Claude 等領先 AI 模型的兼容性。憑借其多功能和強大的設計，Eliza 成為跨產業開發 AI 應用的強大工具。
G.A.M.E
G.A.M.E 由 Virtuals 官方團隊開發，全稱為「生成式自主多模態實體架構（The Generative Autonomous Multimodal Entities Framework）」，該架構旨在為開發者提供應用程式接口（API）和軟體開發工具包（SDK），以便他們使用 AI 代理進行實驗。該架構提供了一種管理 AI 代理行為、決策和學習過程的結構化方法。
G.A.M.E 的核心組件如下首先，「代理提示界面」（Agent Prompting Interface）是開發者將 G.A.M.E 整合到代理中以獲取代理行為的入口。
「感知子系統」則通過指定會話 ID、代理 ID、使用者和其它相關細節等參數來啟動會話。它將傳入的消息合成為適合「戰略規劃引擎」的格式，充當 AI 代理的感覺輸入機制，無論是以對話還是反應的形式。這裡的核心是「對話處理模塊」，負責處理來自代理的消息和響應，並與「感知子系統」協作，有效解釋和響應輸入。
「戰略規劃引擎」與「對話處理模塊」和「鏈上錢包操作員」協同工作，生成響應和計劃。該引擎在兩個層面上運作：作為高級規劃器，根據上下文或目標創建廣泛的策略；作為低級策略，將這些策略轉化為可執行的政策，進一步細分為動作規劃器（用於指定任務）和計劃執行器（用於執行任務）。
一個單獨但關鍵的組件是「世界上下文」，它引用環境、世界資訊和遊戲狀態，為代理的決策提供必要的上下文。此外，「代理庫」用於儲存長期屬性，如目標、反思、經驗和個性，這些共同塑造了代理的行為和決策過程。該架構使用了「短期工作記憶」和「長期記憶處理器」——短期記憶保留有關先前行動、結果和目前計劃的相關資訊；相比之下，長期記憶處理器根據重要性、最近性和相關性等標準提取關鍵資訊。這種記憶儲存了有關代理的經驗、反思、動態個性、世界上下文和工作記憶的知識，以增強決策並為學習提供基礎。
為了增加佈局，「學習模塊」從「感知子系統」獲取數據以生成通用知識，這些知識被回饋到系統中以優化未來的互動。開發者可以通過界面輸入對行動、遊戲狀態和感官數據的回饋，以增強 AI 代理的學習並提高其規劃和決策能力。
工作流程從開發者通過代理提示界面進行互動開始；「感知子系統」處理輸入並將其轉發給「對話處理模塊」，該模塊管理互動邏輯；然後，「戰略規劃引擎」根據這些資訊，利用高級戰略和詳細的行動規劃來制定和執行計劃。
來自「世界上下文」和「代理庫」的數據為這些過程提供資訊，而工作記憶追蹤即時任務。同時，「長期記憶處理器」隨時間儲存和檢索知識。「學習模塊」分析結果並將新知識整合到系統中，使代理的行為和互動持續改進。
Rig
Rig 是一個基於 Rust 的開源架構，旨在簡化大型語言模型（LLM）應用的開發。它提供了一個統一的接口，用於與多個 LLM 提供商（如 OpenAI 和 Anthropic）進行互動，並支持各種向量儲存，包括 MongoDB 和 Neo 4 j。該架構的模組化架構具有「提供商抽象層」、「向量儲存整合」和「代理系統」等核心組件，可促進 LLM 的無縫互動。
Rig 的主要受群眾外包括使用 Rust 構建 AI/ML 應用的開發者，次要受群眾外包括尋求將多個 LLM 提供商和向量儲存整合到其 Rust 應用中的組織。資源庫使用基於工作區的結構組織，包含多個 crates，實現了可擴充功能性和高效的項目管理。Rig 主要功能包括「提供商抽象層」（Provider Abstraction Layer），該層通過一致的錯誤處理，將用於完成和嵌入 LLM 提供商的 API 標準化；「向量儲存整合」組件為多個後端提供了一個抽象接口，並支持向量相似性搜尋；「代理系統」簡化了 LLM 互動，支持檢索增強生成（RAG）和工具整合。此外，嵌入架構提供了批處理能力和類型安全的嵌入操作。
Rig 利用多項技術優勢確保可靠性和性能。異步操作利用 Rust 的異步運行時來高效處理大量併發請求；該架構固有的錯誤處理機制提高了對人工智慧提供商或數據庫操作故障的恢復能力；類型安全可防止編譯時出錯，從而提高程式碼的可維護性；高效的序列化和反序列化流程有助於處理 JSON 等格式的數據，這對人工智慧服務的通訊和儲存至關重要；詳細的日誌記錄和儀表進一步幫助調試和監控應用程式。
Rig 中的工作流程始於客戶端發起請求，請求流經「提供商抽象層」，與相應的 LLM 模型互動；然後，數據由核心層處理，代理可在核心層使用工具或訪問向量儲存以獲取上下文；通過 RAG 等複雜的工作流程生成和完善響應，其中包括文檔檢索和上下文理解，然後再返回給客戶端。該系統整合了多個 LLM 提供商和向量儲存，可適應模型可用性或性能變化。
Rig 的應用多種多樣，包括檢索相關文檔以提供準確回復的問題解答系統、用於高效內容發現的文檔搜尋和檢索，以及為客戶服務或教育提供上下文感知互動的聊天機器人或虛擬助理。它還支持內容生成，能夠根據學習到的模式創建文本和其它材料，是開發人員和組織機構的多功能工具。
ZerePy
ZerePy 是一個用 Python 編寫的開源架構，旨在利用 OpenAI 或 Anthropic LLM 在 X 上部署代理。ZerePy 源自模組化版本的 Zerebro 後端，允許開發者使用與 Zerebro 核心功能類似的功能啟動代理。雖然該架構為代理的部署提供了基礎，但為了產生創造性的產出，必須對模型進行微調。ZerePy 簡化了個性化 AI 代理的開發和部署，尤其適用於社交平台上的內容創作，促進了以藝術和去中心化應用為目標的 AI 創意生態系。
該架構採用 Python 語言構建，強調代理的自主性，注重創造性產出的生成，與 Eliza 的架構+合作夥伴關係相一致。其模組化設計支持內存系統整合，便於在社交平台上部署代理。其主要功能包括用於代理管理的命令行界面、與 X 的整合、對 OpenAI 和 Anthropic LLM 的支持，以及用於增強功能的模組化連接系統。
ZerePy 的應用涵蓋社交媒體自動化，使用者可以部署 AI 代理進行發佈、回復、點贊和轉發，從而提高平台參與度。此外，它還適用於音樂、備忘錄和 NFT 等產業的內容創作，是數位藝術和基於區塊鏈的內容平台的重要工具。
橫向對比
在我們看來，上述每個架構都為 AI 開發提供了獨特的方法，迎合了特定的需求和環境，這使得爭論不再局限於這些架構是否互為競爭對手，而是集中在了每個架構是否可提供了獨特的效用及價值。
Eliza 以其使用者友善的界面脫穎而出，尤其適合熟悉 JavaScript 和 Node.js 環境的開發者。它全面的文檔有助於在各種平台上設置 AI 代理，儘管其豐富的功能集可能會呈現適度的學習曲線，但由於使用了 TypeScript，Eliza 非常適合構建嵌入網路中的代理，因為大部分前端網路基礎設施都是用 TypeScript 構建的。該架構以其多代理架構而聞名，能夠跨 Discord、X 和 Telegram 等平台部署多樣化的 AI 個性代理。其先進的 RAG 系統用於記憶管理，使其特別適合構建客戶支持或社交媒體應用類型的 AI 助手。雖然它提供了靈活性、強大的社群支持和一致的跨平台性能，但它仍處於早期階段，可能對開發者構成學習曲線。
G.A.M.E 專為遊戲開發者設計，通過 API 提供了低程式碼或無程式碼界面，便於那些遊戲產業內技術水準較低的使用者訪問。不過，它專注於遊戲開發和區塊鏈整合，對於沒有相關經驗的人來說，學習曲線可能比較陡峭。它在程式化內容生成和 NPC 行為方面表現突出，但也受限於其細分產業和區塊鏈整合時存在的額外複雜性。
Rig 由於使用了 Rust 語言，可能會因為該語言的複雜性而對使用者不太友善，這給學習帶來很大挑戰，但對於精通系統程式撰寫的人來說，它可以提供直觀的互動。與 TypeScript 相比，Rust 本身以其性能和內存安全性而聞名。它具有嚴格的編譯時檢查和零成本抽象，這是運行複雜人工智慧演算法所必需的。該語言的高效和低控制特點使其成為資源密集型 AI 應用的理想選擇。該架構採用模組化和可擴充功能設計，可提供高性能解決方案，非常適合企業應用。不過，對於不熟悉 Rust 語言的開發者來說，使用 Rust 會帶來陡峭的學習曲線。
ZerePy 使用了 Python 語言，為創造性 AI 任務提供了更高的可用性。對於 Python 開發者，尤其是具有 AI/ML 背景的開發者來說，學習曲線較低，且由於 ZEREBRO 的熱度可獲得強大的社群支持。ZerePy 在 NFT 等創意性 AI 應用方面表現出色，該架構也將自身定位為數位媒體和藝術產業的強大工具。雖然它在創意方面表現出色，但與其它架構相比，其應用範圍相對較窄。
在可擴充功能性方面，四大架構的對比如下。
Eliza 在 V2 版本更新後取得了長足進步，引入了統一的消息線和可擴充功能的核心架構，實現了跨平台的高效管理。但是，如果不進行優化，管理這種多平台互動可能會帶來可擴充功能性方面的挑戰。
G.A.M.E 擅長遊戲所需的即時處理，其可擴充功能性可通過高效演算法和潛在的區塊鏈分散式系統進行管理，不過可能會受到特定遊戲引擎或區塊鏈網路限制的制約。
Rig 架構可利用 Rust 的性能優勢實現更好的可擴充功能性，天生設計用於高吞吐量應用，這可能對企業級部署特別有效，不過這可能意味著要實現真正的可擴充功能性需要複雜的設置。
ZerePy 的可擴充功能性針對創意輸出，且得到社群貢獻的支持，但該架構的側重點可能會限制其在更廣泛的人工智慧環境中的應用，其可擴充功能性可能會受到創意任務多樣性而非使用者量的考驗。
在適用性方面，Eliza 憑借其擴充應用程式系統和跨平台兼容性遙遙領先，其次是遊戲環境中的 G.A.M.E 和處理複雜 AI 任務的 Rig。ZerePy 在創意產業表現出了很高的適應性，但在更廣泛的 AI 應用產業卻不太適用。
性能方面，四大架構的測試結果如下。
Eliza 針對社交媒體的快速互動進行了優化，但在處理更複雜的計算任務時，其性能表現可能會有所不同。
G.A.M.E 專注於遊戲場景中的高性能即時互動，可利用高效的決策過程和可能的區塊鏈進行分散化的 AI 操作。
Rig 以 Rust 為基礎，可為高性能計算任務提供出色的性能表現，適用於計算效率至關重要的企業應用。
ZerePy 的性能針對創意內容的創建，其指標以內容生成的效率和品質為中心，在創意產業之外可能不太通用。
結合上述優劣勢綜合分析，Eliza 提供了更好靈活性和可擴充功能性，擴充應用程式系統和角色配置使其具有很強的適應性，有利於跨平台的社交人工智慧互動；G.A.M.E 在遊戲場景可提供獨特的即時互動能力，並通過區塊鏈整合提供了新穎的 AI 參與；Rig 的優勢在於其性能和可擴充功能性，適用於企業級 AI 任務，且注重程式碼的簡潔和模組化，以保證項目的長期健康發展；Zerepy 擅長培養創造力，在數位藝術的 AI 應用方面處於領先地位，並得到了充滿活力的社群驅動開發模式的支持。
總而言之，每個架構都有其局限性。Eliza 仍處於早期階段，存在潛在的穩定性問題，新開發者的學習曲線較長；G.A.M.E 的小眾關注點可能會限制其更廣泛的應用，引入區塊鏈也會增加複雜性；Rig 的學習曲線因 Rust 語言的複雜性而更加陡峭，可能會讓一些開發者望而卻步；Zerepy 對創意產出的狹隘關注可能會限制其在其它人工智慧產業的應用。
核心對比項梳理
Rig（ARC）
語言： Rust，注重安全性和性能。
應用：注重效率和可擴充功能性，是企業級 AI 應用的理想選擇。
社群： 社群驅動較少，更側重於技術開發者。
Eliza (AI16Z)
語言：TypeScript，強調 Web3 的靈活性和社群參與。
應用： 專為社互動動、DAO 和交易而設計，特別強調多代理系統。
社群： 高度社群驅動，與 GitHub 有廣泛聯繫。
ZerePy (ZEREBRO)：
語言：Python，更容易被更廣泛的 AI 開發者群體接受。
應用：適用於社交媒體自動化和較簡單的 AI 代理任務。
社群： 相對較新，但由於 Python 的普及以及 ai16z 貢獻者的支持，有望實現成長。
G.A.M.E（VIRTUAL、GMAE）：
重點： 自主、自適應的 AI 代理，可根據虛擬環境中的互動進行進化。
應用：最適用於代理需要學習和適應的場景，如遊戲或虛擬世界。
社群： 具有創新性，但仍在競爭中確定自己的定位。
Github 數據成長情況
圖源：Deep Value Memetics
上述圖表是自這些架構自推出以來在 GitHub 上掛星數據的變化情況。一般而言，GitHub 的星星可作為社群興趣、項目流行度和項目感知價值的指標。
Eliza（紅線）：圖表顯示出該架構星星數量成長顯著且趨勢穩定，從 7 月的低基數開始，在 11 月下旬開始激增，現已達到 6100 顆星。這表明圍繞著該架構興趣迅速激增，吸引了開發者的注意。指數級的成長則表明，Eliza 因其功能、更新和社群參與而獲得了巨大的吸引力，它的受歡迎程度遠遠超過了其它產品，這表明它得到了社群的大力支持，在人工智慧社群中具有更廣泛的適用性或興趣。
Rig（藍線）： Rig 是四大架構中歷史最「悠久」的一個，它的星星成長幅度不大，但很穩定，最近一個月則明顯上升。它的星星總量已達 1700 顆，但仍處於上升軌道。關注度的穩定積累得益於持續的開發、更新和不斷成長的使用者群。這可能反映了 Rig 是仍在積累聲譽的架構。
ZerePy（黃線）： ZerePy 幾天前剛剛啟動，星星數量已成長到了 181 。需要強調的是，ZerePy 需要更多的開發來提高其可見度和採用率，與 ai16z 的合作可能會吸引更多的貢獻者參與其程式碼庫。
G.A.M.E（綠線）： 該架構的星星數量很少，但值得注意的是，該架構可以通過 API 直接應用於 Virtual 生態系中的代理，因此無需在 Github 上發佈。然而，雖然該架構僅在一個多月前才公開供構建者使用，但目前已有 200 多個項目在使用 G.A.M.E 進行構建。
AI 架構的升級預期
Eliza 的 2.0 版本將包括與 Coinbase 代理工具包的整合。所有使用 Eliza 的項目將獲得對未來原生 TEE（可信執行環境）的支持，使代理能夠在安全環境中運行。擴充應用程式註冊中心（Plugin Registry）是 Eliza 即將推出的一項功能，允許開發人員無縫註冊和整合擴充應用程式。
此外，Eliza 2.0 將支持自動化的匿名跨平台消息傳遞。預計於 2025 年 1 月 1 日發佈的 Tokenomics 白皮書（已公佈相關提案）將對支撐 Eliza 架構的 AI16Z 代幣產生積極影響。ai16z 計劃繼續加強該架構的實用性，並利用其主要貢獻者所做的努力，引進高素質人才。
G.A.M.E 架構為代理提供了無程式碼整合，使得在單個項目中可同時使用 G.A.M.E 和 Eliza，各自服務於特定應用。這種方法預計將吸引專注於業務邏輯而非技術複雜性的構建者。儘管該架構僅公開可用 30 多天，但在團隊努力吸引更多貢獻者的支持下，該架構已取得實質性進展。預計在 VirtuaI 上啟動的每個項目都將採用 G.A.M.E。
由 ARC 代幣驅動的 Rig 架構具有顯著潛力，儘管其架構的成長處於早期階段，推動 Rig 採用的項目合約計劃也僅上線幾天。不過，預計不久後將出現與 ARC 搭配的高品質項目，類似於 Virtual 飛輪，但專注於 Solana。Rig 團隊對與 Solana 的合作持樂觀態度，將 ARC 定位為 Solana 的 Virtual。值得注意的是，該團隊不僅激勵使用 Rig 啟動的新項目，還激勵開發者增強 Rig 架構本身。
Zerepy 是一個新推出的架構，由於與 ai16z（Eliza 架構）的合作正在獲得大量關注，該架構已吸引了來自 Eliza 的貢獻者，他們正在積極努力地改進該架構。Zerepy 享有由 ZEREBRO 社群驅動的狂熱支持，且正在為此前在競爭激烈的 AI 基礎設施產業缺乏發揮空間的 Python 開發者開闢了新機會。預計該架構將在 AI 的創意方面發揮重要作用。
本文經授權轉載自：《BlockBeats》
原文作者：Deep Value Memetics
『開發者必看！加密AI四大開發架構比較：Eliza、ZerePy誰最好？』這篇文章最早發佈於『加密城市』