Tento článek je od: Deep Value Memetics

Překlad|Odaily星球日报(@OdailyChina)

Překladatel|Azuma(@azuma_eth)

Shrnutí klíčových bodů

V této zprávě diskutujeme o vývojovém uspořádání několika hlavních rámců v oblasti Crypto AI. Zaměříme se na čtyři hlavní rámce — Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), a analyzujeme jejich technické rozdíly a rozvojový potenciál.

V uplynulém týdnu jsme provedli analýzu a testování výše uvedených čtyř rámců, shrnutí závěrů je následující.

  • Myslíme si, že Eliza (s tržním podílem přibližně 60 %, tržní hodnota kolem 900 milionů dolarů v době psaní a přibližně 1,4 miliardy dolarů v době vydání) bude nadále dominovat podílu na trhu. Hodnota Eliza spočívá v jejím prvnímu pohybu na trhu a urychleném přijetí vývojáři, což dokazuje 193 přispěvatelů na GitHubu, 1800 forků a více než 6000 hvězd, což z ní činí jednu z nejpopulárnějších softwarových knihoven na GitHubu.

  • G.A.M.E (s tržním podílem přibližně 20 %, tržní hodnota kolem 300 milionů dolarů v době psaní a přibližně 257 milionů dolarů v době vydání) se rozvíjí velmi dobře a prochází rychlým přijetím, jak bylo dříve oznámeno protokolem Virtual, existuje již více než 200 projektů postavených na G.A.M.E, denní počet požadavků přesahuje 150 000, týdenní růst přes 200 %. G.A.M.E bude i nadále těžit z exploze VIRTUAL a může se stát jedním z největších vítězů v tomto ekosystému.

  • Rig (s tržním podílem přibližně 15 %, tržní hodnota kolem 160 milionů dolarů v době psaní a přibližně 279 milionů dolarů v době vydání) vyniká svým modulárním designem a je velmi snadno ovladatelný, očekává se, že zaujme dominantní postavení v ekosystému Solana (RUST).

  • Zerepy (s tržním podílem přibližně 5 %, tržní hodnota kolem 300 milionů dolarů v době psaní a přibližně 424 milionů dolarů v době vydání) je menší aplikace, specifická pro nadšenou komunitu ZEREBRO, jejíž nedávná spolupráce s komunitou ai16z může vykazovat určité synergické efekty.

Ve výše uvedených statistikách se „tržní podíl“ vypočítává s ohledem na tržní hodnotu, vývojový záznam a šíři základního operačního systému koncového trhu.

Věříme, že AI rámce se stanou nejrychleji rostoucím segmentem v tomto cyklu, přičemž celková tržní hodnota segmentu přibližně 1,7 miliardy dolarů se snadno zvýší na 20 miliard dolarů, ve srovnání s hodnotou Layer 1 v roce 2021, což může být stále konzervativní číslo — v té době dosáhly hodnoty mnoha jednotlivých projektů přes 20 miliard dolarů. Ačkoli výše uvedené rámce slouží různým cílovým trhům (řetězce/ekosystémy), vzhledem k tomu, že tento segment se podle našeho názoru celkově rozroste, může být přístup vážený tržní kapitalizací relativně opatrný.

Čtyři hlavní rámce

Na pomezí AI a kryptoměny se objevilo několik rámců, které mají za cíl urychlit vývoj AI, mezi nimi Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) a ZerePy (ZEREBRO). Od projektů open-source komunity po podniková řešení zaměřená na výkon, každý rámec vyhovuje různým potřebám a filozofím vývoje agentů.

V následující tabulce uvádíme klíčové technologie, komponenty a výhody každého rámce.

Tato zpráva se nejprve zaměří na to, co tyto rámce jsou, jaké programovací jazyky, technologické architektury, algoritmy používají a jaké mají jedinečné funkce s potenciálními případy použití. Poté budeme porovnávat každý rámec podle použitelnosti, rozšiřitelnosti, adaptabilnosti a výkonu, přičemž budeme diskutovat o jejich výhodách a omezeních.

Eliza

Eliza je open-source vícero agentní simulační rámec vyvinutý ai16z, který má za cíl vytvářet, nasazovat a spravovat autonomní AI agenty. Byla vyvinuta v jazyce TypeScript, poskytuje flexibilní a rozšiřitelnou platformu pro vytváření inteligentních agentů, kteří mohou interagovat s lidmi na různých platformách, přičemž si zachovávají konzistentní osobnost a znalosti.

Hlavní funkce tohoto rámce zahrnují: podporu současného nasazení a správy více unikátních AI osobností v architektuře vícero agentů; použití rámce souboru rolí k vytváření různorodých rolí agentů; poskytování dlouhodobé paměti a paměti vnímaní prostřednictvím pokročilého systému zlepšení generování (RAG). Kromě toho rámec Eliza nabízí plynulou integraci s platformami, což zajišťuje spolehlivé připojení k Discordu, X a dalším sociálním mediálním platformám.

Pokud jde o komunikační a mediální funkce AI agentů, Eliza je vynikající volbou. V oblasti komunikace rámec podporuje integraci s hlasovými kanály Discord, funkcí X, Telegramem a přímým API přístupem pro přizpůsobené případy použití. Na druhé straně mediální zpracovatelské funkce rámce byly rozšířeny na čtení a analýzu PDF dokumentů, extrakci a shrnutí obsahu odkazů, přepisování zvuku, zpracování video obsahu, analýzu obrázků a shrnutí dialogů, což umožňuje efektivní zpracování různých mediálních vstupů a výstupů.

Eliza nabízí flexibilní podporu modelů AI, umožňuje lokální inference pomocí open-source modelů, cloudovou inferenci pomocí výchozích konfigurací jako OpenAI a Nous Hermes Llama 3.1 B, a podporuje integraci Claude pro zpracování složitých dotazů. Eliza využívá modulární architekturu, má široký systém akcí, podporu pro přizpůsobené klienty a komplexní API, což zajišťuje rozšiřitelnost a adaptabilitu napříč aplikacemi.

Případ použití Eliza pokrývá široké spektrum oblastí, jako jsou AI asistenti spojené se zákaznickou podporou, správou komunit, osobními úkoly; automatizovaní tvůrci obsahu, značkoví zástupci a další role na sociálních médiích; může také fungovat jako znalostní pracovník, zastupující role výzkumných asistentů, analytiků obsahu a zpracovatelů dokumentů; a interaktivní postavy jako role-play roboti, vzdělávací mentoři a zástupci agentů.

Architektura Eliza je postavena kolem agentního runtime, který se bezproblémově integruje s systémem rolí (podporovaným poskytovateli modelů), správcem paměti (připojeným k databázi) a systémem akcí (propojeným s klienty platformy). Výjimečné funkce tohoto rámce zahrnují systém pluginů, který umožňuje modulární rozšíření funkcionality, podporu multimodálních interakcí jako hlas, text a média a kompatibilitu s předními AI modely jako Llama, GPT-4 a Claude. Díky své multifunkčnosti a silnému designu se Eliza stává silným nástrojem pro vývoj AI aplikací napříč obory.

G.A.M.E

G.A.M.E byl vyvinut oficiálním týmem Virtual, což je zkratka pro „Generativní autonomní multimodální agentní rámec (The Generative Autonomous Multimodal Entities Framework)“, tento rámec má za cíl poskytnout vývojářům aplikační programové rozhraní (API) a software pro vývojové sady (SDK), aby mohli experimentovat s AI agenty. Rámec poskytuje strukturovaný přístup k řízení chování, rozhodování a učebních procesů AI agentů.

  • Hlavní komponenty G.A.M.E jsou následující: „Agent Prompting Interface“, což je vstupní bod pro vývojáře, kteří chtějí integrovat G.A.M.E do agentů a získat chování agentů.

  • „Perception subsystem“ se spouští pomocí parametrů, jako je ID sezení, ID agenta, uživatel a další detaily. Syntetizuje příchozí zprávy do formátu vhodného pro „strategický plánovací engine“, slouží jako mechanismus vstupů pro AI agenta, ať už ve formě dialogu nebo reakce. Klíčovým prvkem je „modul zpracování dialogu“, který zpracovává zprávy a odpovědi od agentů a spolupracuje s „perception subsystem“ pro efektivní interpretaci a reakci na vstupy.

  • „Strategický plánovací engine“ spolupracuje s „modul zpracování dialogu“ a „operátorem peněženky na řetězci“ pro generaci odpovědí a plánů. Tento engine funguje na dvou úrovních: jako vysoce úrovňový plánovač, který vytváří široké strategie podle kontextu nebo cílů; jako nízkoúrovňová strategie, která přetváří tyto strategie na proveditelné politiky, dále rozdělené na akční plánovače (pro specifikaci úkolů) a vykonavatele plánů (pro provádění úkolů).

  • Jednou z klíčových komponent je „světový kontext“, který odkazuje na prostředí, informace o světě a stav hry a poskytuje agentovým rozhodnutím potřebný kontext. Kromě toho „knihovna agentů“ slouží k ukládání dlouhodobých atributů, jako jsou cíle, reflexe, zkušenosti a osobnost, které společně formují chování a rozhodovací proces agentů. Tento rámec využívá „krátkodobou pracovní paměť“ a „procesor dlouhodobé paměti“ — krátkodobá paměť uchovává relevantní informace o předchozích akcích, výsledcích a aktuálním plánu; zatímco dlouhodobý paměťový procesor extrahuje klíčové informace podle kritérií, jako je důležitost, nedávnost a relevance. Tato paměť ukládá znalosti o zkušenostech agentů, reflexi, dynamické osobnosti, světovém kontextu a pracovní paměti, aby zlepšila rozhodování a poskytla základ pro učení.

  • Aby se zlepšila struktura, „modul učení“ získává data z „perception subsystem“ pro generaci obecných znalostí, které jsou zpětně zasílány do systému pro optimalizaci budoucích interakcí. Vývojáři mohou zadávat zpětnou vazbu o akcích, stavu hry a smyslových datech prostřednictvím rozhraní, aby zlepšili učení AI agentů a zvýšili jejich plánování a rozhodovací schopnosti.

Pracovní tok začíná interakcí vývojáře prostřednictvím agentního rozhraní; „perception subsystem“ zpracovává vstupy a předává je „modulu zpracování dialogu“, který řídí logiku interakce; poté „strategický plánovací engine“ na základě těchto informací vytváří a provádí plány pomocí pokročilých strategií a podrobných plánovacích akcí.

Data z „světového kontextu“ a „knihovny agentů“ informují o těchto procesech, zatímco pracovní paměť sleduje okamžité úkoly. Mezitím „procesor dlouhodobé paměti“ ukládá a načítá znalosti v průběhu času. „Modul učení“ analyzuje výsledky a integruje nové znalosti do systému, což umožňuje agentovým chováním a interakcím neustále se zlepšovat.

Rig

Rig je open-source rámec založený na Rustu, jehož cílem je zjednodušit vývoj aplikací velkých jazykových modelů (LLM). Nabízí jednotné rozhraní pro interakci s několika poskytovateli LLM (jako jsou OpenAI a Anthropic) a podporuje různá vektorová úložiště, včetně MongoDB a Neo 4 j. Modulární architektura tohoto rámce zahrnuje klíčové komponenty jako „abstraktní vrstvu poskytovatelů“, „integraci vektorového úložiště“ a „systém agentů“, které usnadňují bezproblémovou interakci s LLM.

Hlavní cílová skupina Rigu zahrnuje vývojáře, kteří vytvářejí aplikace AI/ML v Rustu, zatímco vedlejší cílová skupina zahrnuje organizace, které hledají integraci několika poskytovatelů LLM a vektorových úložišť do svých aplikací v Rustu. Knihovna je organizována na základě struktury pracovních prostorů a obsahuje více crates, které realizují rozšiřitelnost a efektivní správu projektů. Hlavní funkce Rigu zahrnují „abstraktní vrstvu poskytovatelů“ (Provider Abstraction Layer), která standardizuje API pro dokončení a integraci LLM poskytovatelů prostřednictvím konzistentního zpracování chyb; komponenta „integrace vektorového úložiště“ poskytuje abstraktní rozhraní pro více backendů a podporuje vyhledávání vektorové podobnosti; „systém agentů“ zjednodušuje interakci s LLM, podporuje zlepšení generace (RAG) a integraci nástrojů. Kromě toho, rámec pro embedding poskytuje dávkovou kapacitu a typově bezpečné operace pro embedding.

Rig využívá řadu technických výhod k zajištění spolehlivosti a výkonu. Asynchronní operace využívají asynchronní runtime Rustu k efektivnímu zpracování velkého počtu paralelních požadavků; inherentní mechanismus zpracování chyb v rámci zvyšuje schopnost zotavení z poruch poskytovatelů umělé inteligence nebo databázových operací; typová bezpečnost zabraňuje chybám během kompilace, čímž zvyšuje udržovatelnost kódu; efektivní procesy serializace a deserializace pomáhají zpracovávat data ve formátech jako JSON, což je pro komunikaci a ukládání AI služeb zásadní; podrobné logování a monitoring dále pomáhá při ladění a monitorování aplikací.

Pracovní tok v Rigu začíná tím, že klient zahájí požadavek, který prochází „abstraktní vrstvou poskytovatelů“ a interaguje s příslušným modelem LLM; poté data zpracovává jádro, kde agent může používat nástroje nebo přistupovat k vektorovému úložišti pro získání kontextu; generování a zdokonalení odpovědí prostřednictvím složitých pracovních toků, jako je vyhledávání dokumentů a porozumění kontextu, a poté se vrátí klientovi. Tento systém integruje více poskytovatelů LLM a vektorových úložišť, aby se přizpůsobil dostupnosti modelů nebo výkonovým změnám.

Případ použití Rigu je rozmanitý, včetně vyhledávání relevantních dokumentů pro poskytování přesných odpovědí v systémech otázek a odpovědí, efektivního objevování obsahu pomocí vyhledávání dokumentů a poskytování kontextuálně vědomých interakcí chatbotů nebo virtuálních asistentů pro zákaznický servis nebo vzdělávání. Podporuje také generaci obsahu, je schopný vytvářet texty a další materiály na základě naučených vzorců, což je multifunkční nástroj pro vývojáře a organizace.

ZerePy

ZerePy je open-source rámec napsaný v Pythonu, který má za cíl nasadit agenty na X s využitím OpenAI nebo Anthropic LLM. ZerePy pochází z modulární verze backendu Zerebro, což vývojářům umožňuje spouštět agenty s funkcemi podobnými základním funkcím Zerebro. Ačkoli tento rámec poskytuje základy pro nasazení agentů, pro generování kreativních výstupů je třeba modely jemně doladit. ZerePy zjednodušuje vývoj a nasazení personalizovaných AI agentů, zejména pro tvůrce obsahu na sociálních platformách, a podporuje kreativní ekosystém AI zaměřený na umění a decentralizované aplikace.

Tento rámec je postaven v jazyce Python, zdůrazňuje autonomii agentů a zaměřuje se na generaci kreativních výstupů, což je v souladu s architekturou Eliza a jejími partnerstvími. Jeho modulární design podporuje integraci paměťových systémů, což usnadňuje nasazení agentů na sociálních platformách. Mezi jeho hlavní funkce patří příkazový řádek pro správu agentů, integrace s X, podpora OpenAI a Anthropic LLM a modulární systém připojení pro rozšířené funkce.

Případ použití ZerePy zahrnuje automatizaci sociálních médií, uživatelé mohou nasazovat AI agenty k publikaci, odpovídání, lajkování a sdílení, čímž zvyšují zapojení na platformě. Dále je vhodný pro tvůrce obsahu v oblastech jako hudba, poznámky a NFT, je důležitým nástrojem pro digitální umění a platformy založené na blockchainu.

Horizontální srovnání

Podle našeho názoru každý z výše uvedených rámců nabízí jedinečný přístup k vývoji AI, který vyhovuje specifickým potřebám a prostředím, což znamená, že debata se již neomezuje na to, zda jsou tyto rámce konkurenty, ale soustředí se na to, zda každý rámec může poskytnout jedinečnou užitečnost a hodnotu.

  • Eliza vyniká svou uživatelsky přívětivou rozhraní, zejména pro vývojáře obeznámené s JavaScriptem a prostředím Node.js. Její komplexní dokumentace pomáhá při nastavování AI agentů na různých platformách, i když její bohatá funkční sada může představovat mírnou křivku učení, díky použití TypeScriptu je Eliza velmi vhodná pro vývoj agentů, kteří se zabudovávají do webu, protože většina přední webové infrastruktury je postavena na TypeScriptu. Tento rámec je známý svou architekturou vícero agentů, která umožňuje nasazení různorodých AI osobností napříč platformami jako Discord, X a Telegram. Její pokročilý RAG systém pro správu paměti činí ji zvláště vhodnou pro budování AI asistentů pro zákaznickou podporu nebo aplikace na sociálních médiích. Ačkoli nabízí flexibilitu, silnou podporu komunity a konzistentní multiplatformní výkon, stále je v rané fázi, což může představovat výzvu pro vývojáře.

  • G.A.M.E je navržen pro herní vývojáře a prostřednictvím API nabízí rozhraní s nízkým nebo žádným kódem, což usnadňuje přístup uživatelům s nižšími technickými dovednostmi v herním průmyslu. Zaměřuje se však na herní vývoj a integraci blockchainu, což může představovat strmou křivku učení pro ty, kteří nemají příslušné zkušenosti. Vyniká v generování programového obsahu a chování NPC, ale také čelí omezením své specializace a dodatečné složitosti při integraci blockchainu.

  • Rig může být pro uživatele obtížné kvůli složitosti jazyka Rust, což představuje velkou výzvu při učení, ale pro ty, kteří ovládají systémové programování, může poskytnout intuitivní interakci. Oproti TypeScriptu je Rust známý svým výkonem a bezpečností paměti. Má přísnou kontrolu při kompilaci a nulové náklady na abstrakci, což je nezbytné pro provoz složitých algoritmů umělé inteligence. Vysoká efektivita a nízká kontrola dělají z tohoto jazyka ideální volbu pro náročné AI aplikace. Tento rámec využívá modulární a rozšiřitelný design, který poskytuje výkonná řešení a je velmi vhodný pro podnikové aplikace. Nicméně pro vývojáře, kteří nejsou obeznámeni s jazykem Rust, může být použití Rustu spojeno se strmou křivkou učení.

  • ZerePy, napsaný v jazyce Python, poskytuje vyšší dostupnost pro kreativní AI úkoly. Pro vývojáře Pythonu, zejména ty s pozadím v AI/ML, má nižší křivku učení a díky popularitě ZEREBRO má silnou podporu komunity. ZerePy vyniká v kreativních AI aplikacích, jako jsou NFT, a tento rámec se také profiluje jako silný nástroj pro oblast digitálních médií a umění. I když se osvědčuje v kreativní oblasti, ve srovnání s ostatními rámci má relativně úzký rozsah aplikace.

Pokud jde o rozšiřitelnost, čtyři hlavní rámce se mezi sebou srovnávají takto.

  • Eliza udělala významný pokrok po aktualizaci verze V2, zavedením jednotné zprávy a rozšiřitelného jádra, což umožnilo efektivní správu napříč platformami. Nicméně, pokud nebude optimalizována, správa této multi-platformní interakce může přinést výzvy v oblasti rozšiřitelnosti.

  • G.A.M.E vyniká v reálném zpracování potřebném pro hry, jeho rozšiřitelnost může být řízena efektivními algoritmy a potenciálními blockchainovými distribuovanými systémy, avšak může být omezen určitými herními enginy nebo blockchainovými sítěmi.

  • Rámec Rig může využívat výhod výkonu Rust a nabízí lepší rozšiřitelnost, je přirozeně navržen pro aplikace s vysokou propustností, což může být zvláště efektivní pro podnikové nasazení, ale může to znamenat, že k dosažení skutečné rozšiřitelnosti je potřeba složité nastavení.

  • Rozšiřitelnost ZerePy je zaměřena na kreativní výstupy a podporovaná komunitními příspěvky, ale tento rámec se může omezit v širším použití v oblasti umělé inteligence, jeho rozšiřitelnost může být zkoušena diverzitou kreativních úkolů spíše než počtem uživatelů.

Pokud jde o použitelnost, Eliza díky svému systému pluginů a multiplatformní kompatibilitě daleko vede, následuje G.A.M.E v herním prostředí a Rig v zpracování složitých AI úkolů. ZerePy vykazuje vysokou adaptabilitu v kreativní oblasti, ale v širší oblasti aplikací AI není tak vhodný.

Pokud jde o výkon, výsledky testů čtyř hlavních rámců jsou následující.

  • Eliza je optimalizována pro rychlé interakce na sociálních médiích, ale její výkon při zpracování složitějších výpočetních úkolů se může lišit.

  • G.A.M.E se soustředí na vysoce výkonné interakce v herních scénářích a může využívat efektivní rozhodovací procesy a potenciální blockchain pro decentralizované AI operace.

  • Rig je založen na Rustu a může poskytovat vynikající výkon pro výpočetně náročné úkoly, což je ideální pro podnikové aplikace, kde je efektivita výpočtu zásadní.

  • Výkon ZerePy je zaměřen na tvorbu kreativního obsahu, jeho metriky se soustředí na efektivitu a kvalitu generace obsahu, což nemusí být příliš univerzální mimo kreativní oblast.

Kombinací výše uvedených výhod a nevýhod komplexní analýzy, Eliza nabízí lepší flexibilitu a rozšiřitelnost, systém pluginů a konfigurace rolí ji činí velmi adaptabilní, což je výhodné pro interakci mezi umělou inteligencí na různých platformách; G.A.M.E poskytuje jedinečné schopnosti v reálném čase ve herních scénářích a prostřednictvím integrace blockchainu přináší novou účast AI; výhodou Rigu je jeho výkon a rozšiřitelnost, je vhodný pro podnikové úkoly AI a zaměřuje se na jednoduchost a modularitu k zajištění dlouhodobého zdravého rozvoje projektů; Zerepy se specializuje na rozvoj kreativity, je lídrem v aplikacích AI pro digitální umění a těší se podpoře dynamického vývojového modelu řízeného komunitou.

Celkově má každý rámec své omezení. Eliza je stále v rané fázi, má potenciální stabilitní problémy a delší křivku učení pro nové vývojáře; G.A.M.E má malou cílovou skupinu, což může omezit její širší použití a zavedení blockchainu zvyšuje složitost; učení Rig je strmější kvůli složitosti jazyka Rust, což může některé vývojáře odradit; Zerepy úzké zaměření na kreativní výstupy může omezit jeho aplikaci v jiných oblastech umělé inteligence.

Shrnutí klíčových srovnávacích bodů

Rig (ARC)

  • Jazyk: Rust, zaměřující se na bezpečnost a výkon.

  • Případ použití: Zaměřeno na efektivitu a rozšiřitelnost, ideální pro podnikové AI aplikace.

  • Komunita: Méně řízená komunitou, více zaměřená na technické vývojáře.

Eliza (AI16Z)

  • Jazyk: TypeScript, zdůrazňuje flexibilitu Web3 a zapojení komunity.

  • Případ použití: Navrženo pro sociální interakce, DAO a obchodování, se zvláštním zaměřením na systémy vícero agentů.

  • Komunita: Vysoce komunita řízená, s širokým spojením s GitHubem.

ZerePy (ZEREBRO):

  • Jazyk: Python, snadněji přijatelný pro širší skupinu AI vývojářů.

  • Případ použití: Vhodné pro automatizaci sociálních médií a jednodušší úkoly AI agentů.

  • Komunita: Relativně nová, ale díky popularitě Pythonu a podpoře přispěvatelů ai16z má potenciál pro růst.

G.A.M.E (VIRTUAL, GMAE):

  • Zaměření: Autonomní, adaptivní AI agenti, kteří se mohou vyvíjet na základě interakcí ve virtuálním prostředí.

  • Případ použití: Nejvhodnější pro scénáře, kde se agenti musí učit a adaptovat, jako jsou hry nebo virtuální světy.

  • Komunita: Inovativní, ale ještě si musí vyjasnit své místo v konkurenci.

Růst dat na Githubu

Výše uvedený graf zobrazuje změny v počtu hvězd na GitHubu od spuštění těchto rámců. Obecně platí, že hvězdy na GitHubu mohou sloužit jako indikátor zájmu komunity, popularity projektu a vnímané hodnoty projektu.

  • Eliza (červená čára): Graf ukazuje, že počet hvězd tohoto rámce výrazně vzrostl a trend je stabilní, od začátku července s nízkým základem, od konce listopadu začal prudce stoupat, nyní dosáhl 6100 hvězd. To naznačuje, že zájem o tento rámec rychle vzrůstá a přitahuje pozornost vývojářů. Exponenciální růst naznačuje, že Eliza získává velkou atraktivitu díky svým funkcím, aktualizacím a zapojení komunity, její popularita daleko převyšuje ostatní produkty, což naznačuje, že má silnou podporu komunity a širší aplikovatelnost nebo zájem v komunitě umělé inteligence.

  • Rig (modrá čára): Rig je z historického hlediska nejstarší ze čtyř hlavních rámců, jeho nárůst hvězd není velký, ale je stabilní, v posledním měsíci však značně vzrostl. Jeho celkový počet hvězd dosáhl 1700, ale stále je na vzestupné dráze. Stabilní nárůst zájmu je výsledkem pokračujícího vývoje, aktualizací a rostoucí uživatelské základny. To může odrážet, že Rig je rámec, který stále buduje svou reputaci.

  • ZerePy (žlutá čára): ZerePy byl spuštěn před několika dny a počet hvězd vzrostl na 181. Je důležité zdůraznit, že ZerePy potřebuje více vývoje, aby zvýšil svou viditelnost a míru přijetí, spolupráce s ai16z může přitáhnout více přispěvatelů k jeho kódu.

  • G.A.M.E (zelená čára): Tento rámec má málo hvězd, ale je zajímavé, že může být aplikován přímo na agenty ve virtuálním ekosystému prostřednictvím API, takže není nutné jej publikovat na Githubu. Nicméně, i když byl tento rámec zveřejněn teprve před více než měsícem, již více než 200 projektů používá G.A.M.E pro vývoj.

Očekávání upgradu AI rámce

Verze 2.0 Eliza zahrnuje integraci s nástroji pro agenty Coinbase. Všechny projekty využívající Eliza budou mít podporu pro budoucí nativní TEE (Trusted Execution Environment), což umožní agentům běžet v bezpečném prostředí. Registr pluginů (Plugin Registry) je funkcionalita, kterou Eliza brzy zavede, a umožní vývojářům bezproblémově registrovat a integrovat pluginy.

Kromě toho verze Eliza 2.0 podpoří automatizované anonymní multiplatformní zasílání zpráv. Očekávaný Tokenomics whitepaper, který bude vydán 1. ledna 2025 (s již zveřejněnými návrhy), bude mít pozitivní dopad na AI16Z token, který podporuje rámec Eliza. ai16z plánuje dále posilovat praktickou použitelnost tohoto rámce a využívat úsilí svých hlavních přispěvatelů k přivedení vysoce kvalifikovaných talentů.

Rámec G.A.M.E poskytuje agentům integraci bez kódu, což umožňuje, aby G.A.M.E a Eliza byly použity současně v jednom projektu, každý pro konkrétní případ použití. Tento přístup by měl přitáhnout stavitele zaměřené na obchodní logiku, nikoli technickou složitost. I když byl rámec zpřístupněn teprve před více než 30 dny, podpora týmu, který se snaží přitáhnout více přispěvatelů, vedla k významnému pokroku. Očekává se, že každý projekt spuštěný na VirtualI použije G.A.M.E.

Rámec Rig poháněný tokenem ARC má značný potenciál, i když jeho růst je stále v rané fázi, plán projektů podporujících přijetí Rigu se teprve nedávno spustil. Očekává se, že se brzy objeví kvalitní projekty, které budou doprovázet ARC, podobně jako virtuální setrvačník, ale zaměřené na Solanu. Tým Rigu je optimistický ohledně spolupráce se Solanou a plánuje umístit ARC jako virtuální na Solaně. Je důležité poznamenat, že tým nejen motivuje nové projekty k zahájení s Rig, ale také motivuje vývojáře k posílení samotného rámce Rigu.

Zerepy je nově uvedený rámec, který díky spolupráci s ai16z (rámec Eliza) získává značnou pozornost, přitahuje přispěvatele z Eliza, kteří aktivně pracují na vylepšení rámce. Zerepy má nadšenou podporu komunity ZEREBRO a vytváří nové příležitosti pro vývojáře Pythonu, kteří dříve neměli prostor v konkurenčním poli AI infrastruktury. Očekává se, že tento rámec bude hrát důležitou roli v kreativní oblasti AI.