Tento článek pochází z: Deep Value Memetics
Přeloženo | Odaily Planet Daily (@OdailyChina)
Překladatel | Azuma (@azuma_eth)
Shrnutí klíčových bodů
V této zprávě diskutujeme o vývojových trendech několika hlavních rámců v oblasti kryptoměn a AI. Zkoumáme aktuální 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 čtyř výše uvedených rámců, jejichž shrnutí je následující.
Domníváme se, že Eliza (s podílem na trhu přibližně 60%, s tržní kapitalizací přibližně 900 milionů dolarů při psaní a přibližně 1,4 miliardy dolarů od zveřejnění) bude i nadále dominovat podílu na trhu. Hodnota Eliza spočívá v její výhodě z prvního uvedení a urychleném přijetí vývojáři, což dokazují 193 přispěvatelů na GitHubu, 1800 forku a více než 6000 hvězd, což z ní činí jednu z nejpopulárnějších softwarových knihoven na GitHubu.
G.A.M.E (s podílem na trhu přibližně 20%, s tržní kapitalizací přibližně 300 milionů dolarů při psaní a přibližně 257 milionů dolarů od zveřejnění) se dosud vyvíjel velmi hladce a prochází rychlým přijetím, jak naznačuje dříve zveřejněná oznámení Virtuals Protocol, že na základě G.A.M.E bylo vyvinuto více než 200 projektů a denní počet požadavků překročil 150 000 s týdenním růstem přes 200%. G.A.M.E bude nadále těžit z výbuchu VIRTUAL a má potenciál stát se jedním z největších vítězů v tomto ekosystému.
Rig (s podílem na trhu přibližně 15%, s tržní kapitalizací přibližně 160 milionů dolarů při psaní a přibližně 279 milionů dolarů od zveřejnění) má velmi poutavý a snadno ovladatelný modulární design, který má potenciál dominovat v ekosystému Solana (RUST).
Zerepy (s podílem na trhu přibližně 5%, s tržní kapitalizací přibližně 300 milionů dolarů při psaní a přibližně 424 milionů dolarů od zveřejnění) je menší aplikace, specifická pro nadšenou komunitu ZEREBRO, jejíž nedávná spolupráce s komunitou ai16z může přinést určité synergické efekty.
V uvedené statistice byl "podíl na trhu" vypočítán s ohledem na tržní kapitalizaci, záznamy o vývoji a šíři základních operačních systémů.
Věříme, že AI rámce se stanou nejrychleji rostoucími segmenty tohoto cyklu, aktuální celková tržní hodnota segmentu přibližně 1,7 miliardy dolarů se snadno zvýší na 20 miliard dolarů. Oproti vrcholu v roce 2021, kdy byla hodnota Layer1 odhadována na více než 20 miliard dolarů, se tato částka může stále jevit jako konzervativní. I když tyto rámce slouží různým koncovým trhům (řetězec/ekosystém), domníváme se, že tento segment celkově poroste, a přístup s vážením podle tržní kapitalizace se může jevit jako nejopatrnější.
Čtyři hlavní rámce
Na rozhraní AI a kryptoměn se objevilo několik rámců zaměřených na urychlení vývoje AI, mezi nimiž jsou Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Od projektů open-source komunity po podnikové řešení zaměřené na výkon, každý rámec vychází vstříc různým potřebám a ideologiím vývoje agentů.
V následující tabulce uvádíme klíčové technologie, komponenty a výhody každého rámce.
Tato zpráva se zaměří na to, co tyto rámce jsou, jaké programovací jazyky používají, technickou architekturu, algoritmy a unikátní funkce s potenciálními případy použití. Poté porovnáme jednotlivé rámce na základě použitelnosti, škálovatelnosti, adaptability a výkonu a diskutujeme o jejich výhodách a omezeních.
Eliza
Eliza je open-source rámec pro simulaci více agentů vyvinutý ai16z, který má za cíl vytvářet, nasazovat a spravovat autonomní AI agenty. Byl vyvinut v programovacím jazyce TypeScript a poskytuje flexibilní a rozšiřitelnou platformu pro vytváření inteligentních agentů, kteří mohou interagovat s lidmi napříč různými platformami, zatímco si zachovávají konzistentní osobnost a znalosti.
Hlavní funkce tohoto rámce zahrnují: podporu simultánního nasazení a správy několika unikátních AI osobností v multiaagentní architektuře; systém rolí pro vytváření rozmanitých agentů pomocí rámce role; a také funkce správy paměti s dlouhodobou pamětí a vnímatelným kontextem prostřednictvím pokročilého systému obohaceného vyhledávání (RAG). Navíc rámec Eliza poskytuje plynulou integraci s platformami, což umožňuje spolehlivé připojení k Discordu, X a dalším sociálním médiím.
Pokud jde o komunikační a mediální funkce AI agentů, Eliza je vynikající volbou. Rámec podporuje integraci s funkcemi hlasového kanálu Discord, funkcí X, Telegram a přímým API přístupem pro přizpůsobené případy použití. Na druhou stranu mediální zpracovatelské funkce tohoto rámce se rozšířily na čtení a analýzu PDF dokumentů, extrakci a shrnutí obsahu z odkazů, přepisování zvuku, zpracování video obsahu, analýzu obrázků a shrnutí dialogu, což umožňuje efektivní zpracování různých mediálních vstupů a výstupů.
Eliza poskytuje flexibilní podporu AI modelů, umožňuje místní inferenci pomocí open-source modelů, cloudovou inferenci pomocí výchozích konfigurací jako OpenAI a Nous Hermes Llama 3.1B a podporuje integraci Claude pro zpracování složitých dotazů. Eliza má modulární architekturu, široký systém akcí, podporu přizpůsobených klientů a komplexní API, což zajišťuje škálovatelnost a adaptabilitu napříč aplikacemi.
Případy použití Eliza pokrývají široké spektrum, od AI asistentů souvisejících se zákaznickou podporou, správou komunit a osobními úkoly; po automatizované tvůrce obsahu, zástupce značky a další role na sociálních médiích; může také fungovat jako znalostní pracovník, hrající roli výzkumného asistenta, analytika obsahu a pracovníka s dokumenty; a interaktivní role jako roboty pro hraní rolí, vzdělávací mentory a zprostředkovatele.
Architektura Eliza je postavena kolem runtimu agenta, který se bezproblémově integruje s rolovým systémem (podporovaný poskytovateli modelů), správcem paměti (připojeným k databázi) a systémem akcí (spojeným s klientem platformy). Unikátní funkce tohoto rámce zahrnuje systém pluginů, který umožňuje modulární rozšíření funkcí, podporu multimodální interakce 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 mocným nástrojem pro vývoj AI aplikací napříč různými obory.
G.A.M.E
G.A.M.E je rámec vyvinutý oficiálním týmem Virtuals, jehož plný název zní "Rámec generativních autonomních multimodálních entit (The Generative Autonomous Multimodal Entities Framework)". Tento rámec má za cíl poskytnout vývojářům aplikační rozhraní (API) a software pro vývoj aplikací (SDK), aby mohli experimentovat s AI agenty. Poskytuje strukturovaný přístup k řízení chování, rozhodování a procesu učení AI agentů.
Hlavní komponenty G.A.M.E jsou následující: nejprve, "Rozhraní pro vyvolávání agentů" (Agent Prompting Interface) je vstupem pro vývojáře, aby integrovali G.A.M.E do agentů pro získání chování agentů.
"Systém vnímání" zahajuje relaci pomocí parametrů, jako jsou ID relace, ID agenta, uživatel a další relevantní detaily. Kombinuje přijaté zprávy do formátu vhodného pro "strategický plánovací motor", fungující jako mechanismus vnímání AI agenta, ať už ve formě dialogu nebo reakce. Klíčovým prvkem je "modul pro zpracování dialogu", který se zabývá zprávami a reakcemi agenta a spolupracuje se "systémem vnímání" na efektivní interpretaci a reakcích na vstupy.
"Strategický plánovací motor" spolupracuje s "modul pro zpracování dialogu" a "operátorem peněženky na blockchainu" na generování odpovědí a plánů. Tento motor funguje na dvou úrovních: jako vysoce výkonný plánovač vytváří široké strategie na základě kontextu nebo cíle; jako nízkoúrovňová strategie tyto strategie převádí na proveditelné politiky, které se dále dělí na plánovače akcí (pro specifikaci úkolů) a vysoce výkonné plánovače (pro provádění úkolů).
Jednou z jednotlivých, ale klíčových komponent je "světový kontext", který odkazuje na prostředí, informace o světě a stav hry, poskytující nezbytný kontext pro rozhodování agentů. Navíc "knihovna agentů" slouží k ukládání dlouhodobých atributů, jako jsou cíle, reflexe, zkušenosti a osobnost, které společně utvářejí chování a rozhodovací proces agentů. Tento rámec používá "krátkodobou pracovní paměť" a "procesor dlouhodobé paměti" - krátkodobá paměť uchovává relevantní informace o předchozích akcích, výsledcích a aktuálních plánech; naopak procesor dlouhodobé paměti vytahuje klíčové informace na základě kritérií jako důležitost, nedávnost a relevance. Tato paměť uchovává znalosti o zkušenostech agentů, reflexích, dynamických osobnostech, světovém kontextu a pracovní paměti, aby vylepšila rozhodování a poskytla základ pro učení.
Aby se zvýšila struktura, "učební modul" získává data ze "systému vnímání" za účelem generování obecného poznání, které se vrací do systému za účelem optimalizace budoucích interakcí. Vývojáři mohou pomocí rozhraní zadávat zpětnou vazbu o akcích, stavu hry a senzorických datech, aby zlepšili učení AI agentů a zvýšili jejich plánování a rozhodovací schopnosti.
Pracovní tok začíná interakcí vývojáře prostřednictvím rozhraní pro vyvolávání agentů; "systém vnímání" zpracovává vstupy a předává je "modulu pro zpracování dialogu", který spravuje logiku interakce; poté "strategický plánovací motor" na základě těchto informací využívá pokročilé strategie a podrobnou akční plánování pro formulaci a implementaci plánů.
Data pocházející z "světového kontextu" a "knihovny agentů" poskytují informace pro tyto procesy, zatímco pracovní paměť sleduje okamžité úkoly. Zatímco "procesor dlouhodobé paměti" ukládá a získává znalosti v průběhu času. "Učební modul" analyzuje výsledky a integruje nové znalosti do systému, což umožňuje agentovu chování a interakce neustále se zlepšovat.
Rig
Rig je open-source rámec založený na Rustu, který má za cíl zjednodušit vývoj aplikací velkých jazykových modelů (LLM). Nabízí jednotné rozhraní pro interakci s více poskytovateli LLM (jako OpenAI a Anthropic) a podporuje různá vektorová úložiště, včetně MongoDB a Neo4j. Modulární architektura rámce obsahuje klíčové komponenty, jako jsou "vrstva abstrakce poskytovatele", "integrace vektorového úložiště" a "systém agentů", což usnadňuje bezproblémovou interakci s LLM.
Hlavní publikum Rig zahrnuje vývojáře, kteří vytvářejí aplikace AI/ML pomocí Rustu, a sekundární publikum zahrnuje organizace, které hledají integraci více poskytovatelů LLM a vektorových úložišť do svých aplikací Rust. Knihovna používá strukturu založenou na pracovních prostorech a obsahuje několik crates, což umožňuje škálovatelnost a efektivní správu projektů. Hlavní funkce Rig zahrnují "vrstvu abstrakce poskytovatele", která standardizuje API pro dokončení a začlenění poskytovatelů LLM prostřednictvím konzistentního zpracování chyb; komponenta "integrace vektorového úložiště" poskytuje abstraktní rozhraní pro více backendů a podporuje vyhledávání podobností vektoru; "systém agentů" zjednodušuje interakci s LLM a podporuje generování obohaceného vyhledávání (RAG) a integraci nástrojů. Navíc, rámec pro začlenění poskytuje možnosti dávkového zpracování a typovou bezpečnost pro operace začlenění.
Rig využívá několik technických výhod k zajištění spolehlivosti a výkonu. Asynchronní operace využívají asynchronní runtime Rustu k efektivnímu zpracování velkého množství paralelních požadavků; inherentní mechanismus pro zpracování chyb v rámci zvyšuje schopnost zotavení z poruch poskytovatelů AI nebo operací databází; typová bezpečnost zabraňuje chybám při kompilaci, což zvyšuje udržovatelnost kódu; efektivní procesy serializace a deserializace pomáhají zpracovávat data ve formátu jako JSON, což je klíčové pro komunikaci a ukládání služeb AI; podrobné protokolování a panely dále pomáhají při ladění a monitorování aplikací.
Pracovní tok v Rig začíná tím, že klient zahájí požadavek, který prochází "vrstvou abstrakce poskytovatele" a interaguje s příslušným modelem LLM; poté jsou data zpracována v jádrové vrstvě, kde agenti mohou používat nástroje nebo přistupovat k vektorovému úložišti pro získání kontextu; generování a zdokonalování odpovědí probíhá prostřednictvím složitých pracovních toků, jako je RAG, zahrnující vyhledávání dokumentů a porozumění kontextu, než se vrátí zpět klientovi. Tento systém integruje více poskytovatelů LLM a vektorových úložišť, aby se přizpůsobil změnám dostupnosti nebo výkonu modelů.
Případy použití Rig jsou rozmanité, zahrnují systém otázka-odpověď, který vyhledává relevantní dokumenty pro poskytování přesných odpovědí, vyhledávání dokumentů pro efektivní objevování obsahu a chatboty nebo virtuální asistenty pro poskytování kontextuálních interakcí pro zákaznický servis nebo vzdělávání. Také podporuje generování obsahu, schopné vytvářet texty a další materiály na základě naučených vzorů, což z něj činí multifunkční nástroj pro vývojáře a organizace.
ZerePy
ZerePy je open-source rámec napsaný v Pythonu, navržený pro nasazení agentů na X pomocí OpenAI nebo Anthropic LLM. ZerePy vychází z modulární verze backendu Zerebro, která umožňuje vývojářům spouštět agenty s funkcemi podobnými jádrovým funkcím Zerebra. Ačkoli tento rámec poskytuje základ pro nasazení agentů, pro dosažení kreativního výstupu je nutné modely doladit. ZerePy zjednodušuje vývoj a nasazení personalizovaných AI agentů, zejména pro tvorbu obsahu na sociálních platformách, a podporuje AI kreativní ekosystém zaměřený na umění a decentralizované aplikace.
Tento rámec je postaven v jazyce Python a zdůrazňuje autonomii agentů, zaměřuje se na generování kreativních výstupů, což je v souladu s architekturou Eliza + partnerství. Jeho modulární design podporuje integraci paměťových systémů, což usnadňuje nasazení agentů na sociálních platformách. Hlavní funkce zahrnují příkazový řádek pro správu agentů, integraci s X, podporu OpenAI a Anthropic LLM, a také modulární systém připojení pro rozšíření funkcí.
Případ použití ZerePy pokrývá automatizaci na sociálních médiích, kde uživatelé mohou nasazovat AI agenty pro publikaci, odpovídání, lajkování a sdílení, čímž zvyšují zapojení na platformě. Navíc je také vhodný pro tvorbu obsahu v oblastech jako je hudba, poznámky a NFT, což z něj činí klíčový nástroj v oblasti digitálního umění a blockchainových obsahových platforem.
Horizontální srovnání
Podle našeho názoru každý z výše uvedených rámců nabízí jedinečný přístup k vývoji AI, který odpovídá specifickým potřebám a prostředím, což znamená, že diskuse se již neomezuje na to, zda jsou tyto rámce konkurenty, ale soustředí se na to, zda každý rámec poskytuje jedinečnou užitečnost a hodnotu.
Eliza se vyznačuje uživatelsky přívětivým rozhraním, které je zvláště vhodné pro vývojáře se zkušenostmi s prostředím JavaScript a Node.js. Její komplexní dokumentace usnadňuje nastavení AI agentů na různých platformách, i když bohatý soubor funkcí může představovat mírně strmou křivku učení, ale díky použití TypeScriptu je Eliza velmi vhodná pro vytváření agentů na embedovaných webových stránkách, protože většina front-endové webové infrastruktury je postavena na TypeScriptu. Tento rámec je známý svou architekturou více agentů, která umožňuje nasazení rozmanitých AI osobností napříč platformami jako Discord, X a Telegram. Jeho pokročilý systém RAG pro správu paměti z něj činí ideální volbu pro vytváření asistentů AI pro zákaznickou podporu nebo aplikace na sociálních médiích. I když poskytuje flexibilitu, silnou podporu komunity a konzistentní výkon napříč platformami, stále je v rané fázi a může představovat křivku učení pro vývojáře.
G.A.M.E je navržen speciálně pro vývojáře her a nabízí nízko-kódové nebo bezkódové rozhraní prostřednictvím API, což usnadňuje přístup uživatelům s nižšími technickými znalostmi v herním oboru. Zaměřuje se však na vývoj her a integraci blockchainu, což může představovat strmou křivku učení pro ty, kteří nemají žádné zkušenosti. Vyniká v generování programatického obsahu a chování NPC, ale je také omezen svou specializací a dodatečnou složitostí při integraci blockchainu.
Rig, díky použití jazyka Rust, může být pro uživatele méně přívětivý kvůli složitosti tohoto jazyka, což představuje velkou výzvu pro učení. Pro odborníky na systémové programování však může nabídnout intuitivní interakci. V porovnání s TypeScriptem je Rust známý svou výkonností a bezpečností paměti. Má přísné kontroly při kompilaci a nulové náklady na abstrakci, což je nezbytné pro provoz složitých algoritmů umělé inteligence. Efektivita a nízká kontrola tohoto jazyka z něj činí ideální volbu pro aplikace AI náročné na zdroje. Tento rámec má modulární a rozšiřitelný design, který nabízí vysoce výkonná řešení, což je velmi vhodné pro podnikové aplikace. Nicméně pro vývojáře, kteří nejsou obeznámeni s jazykem Rust, představuje používání Rustu strmou křivku učení.
ZerePy používá jazyk Python, což poskytuje vyšší použitelnost pro kreativní úkoly AI. Pro vývojáře Pythonu, zejména pro ty s pozadím v AI/ML, je křivka učení nižší a díky popularitě ZEREBRO je k dispozici silná podpora komunity. ZerePy se ukazuje jako vynikající nástroj pro kreativní aplikace AI, jako jsou NFT, a tento rámec se také profiluje jako silný nástroj v oblasti digitálních médií a umění. I když vyniká v kreativní oblasti, jeho rozsah použití je ve srovnání s jinými rámci relativně úzký.
Pokud jde o škálovatelnost, srovnání čtyř hlavních rámců je následující.
Eliza dosáhla významného pokroku po aktualizaci na verzi V2, která zavedla jednotnou zprávovou linku a rozšiřitelný jádrový rámec, což umožnilo efektivní správu napříč platformami. Pokud však nedojde k optimalizaci, správa této interakce napříč různými platformami může přinést výzvy v oblasti škálovatelnosti.
G.A.M.E vyniká v reálném zpracování potřebném pro hry, jehož škálovatelnost lze řídit efektivními algoritmy a potenciálními distribuovanými systémy blockchainu, nicméně může být omezena specifickými herními enginy nebo blockchainovými sítěmi.
Rámec Rig může využít výhod výkonu Rustu k dosažení lepší škálovatelnosti, byl přirozeně navržen pro aplikace s vysokým výkonem, což může být obzvláště efektivní pro podnikové nasazení, nicméně to může znamenat, že pro dosažení skutečné škálovatelnosti je zapotřebí složité nastavení.
ZerePy má škálovatelnost zaměřenou na kreativní výstupy a získává podporu od přispěvatelů komunity, avšak důraz tohoto rámce může omezit jeho použití v širším kontextu AI, jeho škálovatelnost může být testována rozmanitostí kreativních úkolů spíše než počtem uživatelů.
Pokud jde o použitelnost, Eliza díky svému systému pluginů a mezi-platformní kompatibilitě vyniká, následovaná G.A.M.E v herním prostředí a Rig v zpracování složitých úkolů AI. ZerePy vykazuje vysokou adaptabilitu v kreativní oblasti, ale není tolik vhodný pro širší oblasti aplikací AI.
Pokud jde o výkon, testy čtyř hlavních rámců ukazují následující výsledky.
Eliza byla optimalizována pro rychlou interakci na sociálních médiích, ale její výkonnost se může lišit při zpracování složitějších výpočetních úkolů.
G.A.M.E se zaměřuje na vysokovýkonnou real-time interakci v herních scénářích a může využívat efektivní rozhodovací procesy a potenciální blockchain pro decentralizaci operací AI.
Rig, založený na Rustu, může poskytnout vynikající výkon pro úkoly náročné na výpočetní výkon, což je ideální pro podnikové aplikace, kde je efektivita klíčová.
Výkon ZerePy je zaměřen na vytváření kreativního obsahu, jeho metriky jsou orientovány na efektivitu a kvalitu generování obsahu, což může být méně univerzální mimo kreativní oblast.
Kombinací výše uvedených výhod a nevýhod, Eliza nabízí lepší flexibilitu a škálovatelnost, systém pluginů a konfigurace rolí jí dodávají silnou adaptabilitu, což podporuje mezi-platformní interakci sociálních AI; G.A.M.E poskytuje unikátní real-time interakci v herních scénářích a novátorské AI zapojení prostřednictvím integrace blockchainu; Rig vyniká svojí výkonností a škálovatelností, ideální pro podnikové AI úkoly a zaměřuje se na jednoduchost a modularitu kódu pro zajištění dlouhodobého zdravého rozvoje projektů; Zerepy vyniká v podpoře kreativity, je lídrem v aplikacích AI v digitálním umění a těží z dynamického modelu vývoje poháněného komunitou.
Celkově má každý rámec své limity. Eliza je stále v rané fázi, což s sebou nese potenciální problémy s stabilitou a delší křivku učení pro nové vývojáře; G.A.M.E může mít omezené širší aplikace kvůli své specializaci a integraci blockchainu, což zvyšuje složitost; Rig má strmou křivku učení kvůli složitosti jazyka Rust, což může odradit některé vývojáře; ZerePy se úzce soustředí na kreativní výstupy, což může omezit jeho aplikaci v dalších oblastech AI.
Jádrové srovnání
Rig (ARC)
Jazyk: Rust, se zaměřením na bezpečnost a výkon.
Případ použití: zaměřený na efektivitu a škálovatelnost, ideální pro podnikové aplikace AI.
Komunita: méně orientovaná na komunitu, více zaměřená na technické vývojáře.
Eliza (AI16Z)
Jazyk: TypeScript, zdůrazňující flexibilitu Web3 a zapojení komunity.
Případ použití: navržený pro sociální interakci, DAO a transakce, se zvláštním důrazem na systémy více agentů.
Komunita: vysoce komunitně řízená, s širokými vazbami na GitHub.
ZerePy (ZEREBRO):
Jazyk: Python, což usnadňuje přijetí širokým spektrem vývojářů AI.
Případ použití: vhodné pro automatizaci na sociálních médiích 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):
Hlavní myšlenka: autonomní, adaptivní AI agent, který se může vyvíjet na základě interakcí v virtuálním prostředí.
Případ použití: nejvhodnější pro scénáře, kde se agenti potřebují učit a přizpůsobovat, jako jsou hry nebo virtuální světy.
Komunita: inovativní, ale stále se snaží určit svou pozici v konkurenci.
Růst dat na Githubu
Výše uvedený graf ukazuje, jak se od doby spuštění těchto rámců měnily údaje o hvězdách na GitHubu. 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 významně vzrostl a trend je stabilní, počínaje nízkým základem v červenci, kdy v listopadu náhle vzrostl na 6100 hvězd. To naznačuje, že zájem o tento rámec rychle roste a přitahuje pozornost vývojářů. Exponenciální růst naznačuje, že Eliza získala obrovskou přitažlivost díky svým funkcím, aktualizacím a zapojení komunity, její popularita daleko převyšuje ostatní produkty, což naznačuje silnou podporu od komunity a širší použitelnost nebo zájem v komunitě AI.
Rig (modrá čára): Rig je historicky nejstarším ze čtyř rámců, jehož růst hvězd není velký, ale stabilní, přičemž v posledním měsíci byl výrazně zvýšen. Jeho celkový počet hvězd dosáhl 1700, ale stále se nachází na vzestupné trajektorii. Stabilní akumulace zájmu je výsledkem pokračujícího vývoje, aktualizací a rostoucí uživatelské základny. To může odrážet, že Rig je rámec, který si stále buduje reputaci.
ZerePy (žlutá čára): ZerePy byl spuštěn teprve před několika dny a počet hvězd již vzrostl na 181. Je důležité zdůraznit, že ZerePy potřebuje více vývoje, aby zvýšil svou viditelnost a přijetí, a spolupráce s ai16z může přilákat více přispěvatelů do jeho kódu.
G.A.M.E (zelená čára): Počet hvězd tohoto rámce je nízký, ale stojí za zmínku, že tento rámec může být aplikován přímo na agenty v ekosystému Virtual prostřednictvím API, a proto není nutné publikovat na GitHubu. Nicméně, i když byl tento rámec zpřístupněn pro stavitele teprve před více než měsícem, již existuje více než 200 projektů, které používají G.A.M.E k tomu, aby stavěly.
Očekávané aktualizace AI rámců
Verze 2.0 Eliza zahrne integraci s nástrojem Coinbase pro agenty. Všechny projekty využívající Eliza získají podporu pro budoucí nativní TEE (důvěryhodné výkonné prostředí), což umožní agentům fungovat v bezpečném prostředí. Registr pluginů (Plugin Registry) je funkcí, kterou Eliza brzy uvede na trh, což umožní vývojářům bezproblémově registrovat a integrovat pluginy.
Dále, Eliza 2.0 podpoří automatizovanou anonymní mezi-platformní zprávu. Očekává se, že white paper Tokenomics, který bude zveřejněn 1. ledna 2025, bude mít pozitivní dopad na token AI16Z, který podporuje rámec Eliza. ai16z plánuje pokračovat v posilování užitečnosti tohoto rámce a využívat úsilí svých hlavních přispěvatelů k přilákání talentovaných jedinců.
Rámec G.A.M.E poskytuje bezkódovou integraci pro agenty, což umožňuje použití G.A.M.E a Eliza v jednom projektu, přičemž každý slouží specifickým případům použití. Tento přístup by měl přilákat stavitele, kteří se zaměřují na obchodní logiku spíše než na technickou složitost. I když je tento rámec veřejně dostupný teprve více než 30 dní, s podporou týmu, který se snaží přilákat více přispěvatelů, rámec již dosáhl významného pokroku. Očekává se, že každý projekt spuštěný na VirtuaI bude používat G.A.M.E.
Rámec Rig řízený tokenem ARC má značný potenciál, i když jeho růst je zatím v rané fázi a projekty podporující přijetí Rig byly spuštěny pouze před několika dny. Očekává se, že brzy se objeví kvalitní projekty spojené s ARC, podobně jako u Virtuálního kola, ale zaměřené na Solanu. Tým Rig je optimistický ohledně spolupráce se Solanou a pozicionuje ARC jako Virtuální pro Solanu. Je pozoruhodné, že tým nejen motivuje nové projekty spuštěné pomocí Rig, ale také motivuje vývojáře k posílení samotného rámce Rig.
Zerepy je nově spuštěný rámec, který díky spolupráci s ai16z (rámec Eliza) získává značnou pozornost, přičemž přitahuje přispěvatele z Eliza, kteří se aktivně snaží tento rámec vylepšit. Zerepy má silnou podporu ze strany komunity ZEREBRO a otevírá nové příležitosti pro vývojáře Pythonu, kteří dříve neměli prostor v konkurenčním prostoru AI infrastruktury. Očekává se, že tento rámec bude hrát důležitou roli v kreativní oblasti AI.