Převzato z článku: Odaily Planet Daily

Tento článek je od: Deep Value Memetics

Sestavil | Odaily Planet Daily (@OdailyChina)

Překladatel | Azuma (@azuma_eth)

Shrnutí klíčových bodů

V této zprávě diskutujeme o vývojovém vzoru několika hlavních rámců v oblasti Crypto & AI. Prozkoumáme aktuální čtyři hlavní rámce — Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) a ZerePy (ZEREBRO) — a analyzujeme jejich technické rozdíly a potenciál rozvoje.

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

  • Domníváme se, že Eliza (tržní podíl přibližně 60%, v době psaní článku tržní hodnota přibližně 900 milionů dolarů, k datu publikace tržní hodnota přibližně 1,4 miliardy dolarů) bude i nadále dominovat tržnímu podílu. Hodnota Eliza spočívá v její výhodě prvního příchozího a v urychleném přijetí vývojáři, což dokazuje 193 přispěvatelů na Githubu, 1800 forků a více než 6000 hvězd, čímž se stala jednou z nejpopulárnějších softwarových knihoven na Githubu.

  • G.A.M.E (tržní podíl přibližně 20%, v době psaní článku tržní hodnota přibližně 300 milionů dolarů, k datu publikace tržní hodnota přibližně 257 milionů dolarů) dosahuje dosud velmi dobrého vývoje a prochází rychlým přijetím. Jak již dříve uvedla zpráva Virtuals Protocol, existuje již více než 200 projektů postavených na G.A.M.E s více než 150 000 denními požadavky a týdenním růstem přes 200%. G.A.M.E bude i nadále těžit z exploze VIRTUAL a má potenciál stát se jedním z největších vítězů v tomto ekosystému.

  • Rig (tržní podíl přibližně 15%, v době psaní článku tržní hodnota přibližně 160 milionů dolarů, k datu publikace tržní hodnota přibližně 279 milionů dolarů) má velmi atraktivní a snadno ovladatelný modulární design a má potenciál stát se dominantním v ekosystému Solana (RUST).

  • Zerepy (tržní podíl přibližně 5%, v době psaní článku tržní hodnota přibližně 300 milionů dolarů, k datu publikace tržní hodnota přibližně 424 milionů dolarů) je specifičtější aplikací pro nadšenou komunitu ZEREBRO, jejíž nedávná spolupráce s komunitou ai16z může přinést určité synergické efekty.

V uvedených statistikách se tržní podíl vypočítává s ohledem na tržní kapitalizaci, vývojové záznamy a šířku základního operačního systému koncového trhu.

Věříme, že AI rámce se stanou nejrychleji rostoucím segmentem v tomto cyklu, aktuální tržní kapitalizace segmentu přibližně 1,7 miliardy dolarů se snadno může zvýšit na 20 miliard dolarů, což je číslo, které může být stále poměrně konzervativní ve srovnání s oceněním Layer1 na vrcholu v roce 2021, kdy mnoho jednotlivých projektů dosáhlo ocenění přes 20 miliard dolarů. Ačkoli výše uvedené rámce slouží různým koncovým trhům (řetězce/ekosystémy), domníváme se, že tento segment bude celkově růst, a proto by použití kapitalizačně váženého přístupu mohlo být relativně nejopatrnější.

Čtyři hlavní rámce

Na pomezí AI a kryptoměn se objevilo několik rámců zaměřených na urychlení vývoje AI, včetně Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) a ZerePy (ZEREBRO). Od projektů z open source komunity po výkonnostně orientovaná podniková řešení, každý rámec vyhovuje různým potřebám a filozofiím agentního vývoje.

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, technické architektury, algoritmy a unikátní funkce s potenciálními případy použití používají. Poté porovnáme každý rámec podle použitelnosti, škálovatelnosti, adaptability a výkonu, a zároveň probereme jejich výhody a omezení.

Eliza

Eliza je open-source víceagentový simulační rámec vyvinutý ai16z, jehož cílem je vytvářet, nasazovat a spravovat autonomní AI agenty. Je vyvinut v TypeScriptu, což poskytuje flexibilní a škálovatelné platformy pro vytváření inteligentních agentů schopných interagovat s lidmi na různých platformách, přičemž si zachovávají konzistentní osobnost a znalosti.

Hlavní funkce tohoto rámce zahrnují: podporu pro současné nasazení a správu několika unikátních AI osobností s víceagentní architekturou; použití rámce profilů rolí pro vytváření rozmanitých systémů rolí agentů; poskytování funkcí správy paměti pro dlouhodobou paměť a vnímatelný kontext prostřednictvím pokročilého systému RAG. Dále rámec Eliza nabízí hladkou integraci platforem, spolehlivé spojení s Discordem, X a dalšími sociálními platformami.

Pokud jde o funkce komunikace a médií AI agentů, Eliza je skvělou volbou. V oblasti komunikace tento rámec podporuje integraci s hlasovými kanály Discordu, funkcemi X, Telegramem a přímým API přístupem pro vlastní případy použití. Na druhé straně byly funkce zpracování médií rámce rozšířeny na čtení a analýzu PDF dokumentů, extrakci a shrnutí obsahu z odkazů, přepisování audia, zpracování video obsahu, analýzu obrázků a shrnutí konverzací, což umožňuje efektivní zpracování různých mediálních vstupů a výstupů.

Eliza nabízí flexibilní podporu AI modelů, umožňuje lokální inferenci pomocí open-source modelů, cloudovou inferenci prostřednictvím OpenAI a přednastavené konfigurace jako Nous Hermes Llama 3.1B, a také integraci Claude pro zpracování složitých dotazů. Eliza využívá modulární architekturu s rozsáhlým akčním systémem, podporou pro vlastní klienty a komplexním API, což zajišťuje mezi-aplikovanou škálovatelnost a adaptabilitu.

Případy použití Eliza pokrývají několik oblastí, jako jsou AI asistenti související se zákaznickou podporou, správou komunity a osobními úkoly; například automatizované generátory obsahu, zástupci značek a další role na sociálních médiích; může také fungovat jako znalostní pracovník, hrající roli výzkumného asistenta, analytika obsahu a zpracovatele dokumentů; a interaktivní role jako roleplay roboti, vzdělávací mentoři a zprostředkovatelé.

Architektura Eliza je postavena kolem runtime agentů, který se bezproblémově integruje s systémem rolí (podporovaným poskytovateli modelů), správcem paměti (připojeným k databázi) a systémem akcí (napojeným na klienty platformy). Mezi unikátní funkce tohoto rámce patří systém pluginů umožňující modulární rozšíření funkcí, podpora pro multimodální interakci, jako je hlas, text a média, a kompatibilita s předními AI modely, jako jsou Llama, GPT-4 a Claude. Díky své multifunkčnosti a silné konstrukci se Eliza stává silným nástrojem pro vývoj AI aplikací napříč oblastmi.

G.A.M.E

G.A.M.E je vyvinut oficiálním týmem Virtuals a je zkratkou pro „Generativní autonomní multimodální entity framework“, jehož cílem je poskytnout vývojářům API a SDK pro experimentování s AI agenty. Tento rámec nabízí strukturovaný přístup k řízení chování, rozhodování a učení AI agentů.

  • Hlavní komponenty G.A.M.E jsou následující: nejprve, „rozhraní pro agentní prompt“ (Agent Prompting Interface) je vstupním bodem pro vývojáře, kteří integrují G.A.M.E do agentů za účelem získání chování agentů.

  • „Percepční subsystém“ spouští sezení prostřednictvím specifikace ID sezení, ID agenta, uživatele a dalších relevantních detailů. Skládá příchozí zprávy do formátu vhodného pro „strategický plánovací motor“, což slouží jako mechanismus smyslového vstupu pro AI agenta, ať už ve formě dialogu nebo reakce. Klíčovým prvkem je zde „modul dialogového zpracování“, který zpracovává zprávy a reakce od agentů a spolupracuje s „percepčním subsystémem“ pro efektivní interpretaci a odpověď na vstupy.

  • „Strategický plánovací motor“ spolupracuje s „modul dialogového zpracování“ a „operátorem peněženky na blockchainu“, generuje odpovědi a plány. Tento motor funguje na dvou úrovních: jako pokročilý plánovač vytváří široké strategie na základě kontextu nebo cíle; jako nízký strateg, který tyto strategie přetváří na proveditelné politiky, dále rozdělené na plánovače akcí (pro specifikaci úkolů) a vykonavatele plánů (pro provádění úkolů).

  • Jednou samostatnou, ale klíčovou komponentou je „světový kontext“, který odkazuje na prostředí, informace o světě a stav hry, a poskytuje agentům nezbytný kontext pro rozhodování. Dále „knihovna agentů“ slouží k uchovávání dlouhodobých atributů, jako jsou cíle, reflexe, zkušenosti a osobnost, což vše společně formuje chování a rozhodovací proces agentů. Rámec využívá „krátkodobou pracovní paměť“ a „procesor dlouhodobé paměti“ — krátkodobá paměť uchovává relevantní informace o předchozích akcích, výsledcích a současném plánu; naopak dlouhodobý procesor paměti extrahuje klíčové informace podle důležitosti, nedávnosti a relevance. Tato paměť uchovává znalosti o zkušenostech agentů, reflexích, dynamické osobnosti, světovém kontextu a pracovních vzorcích, aby zlepšila rozhodovací proces a poskytla základ pro učení.

  • Aby se rozšířilo uspořádání, „učící modul“ získává data z „percepčního subsystému“ k vytváření obecných znalostí, které se vracejí do systému pro optimalizaci budoucích interakcí. Vývojáři mohou prostřednictvím rozhraní zadávat zpětnou vazbu k akcím, stavu hry a smyslovým datům, aby zlepšili učení AI agenta a zvýšili jeho schopnost plánování a rozhodování.

Pracovní tok začíná interakcí vývojáře prostřednictvím rozhraní pro agentní prompt; „Percepční subsystém“ zpracovává vstupy a posílá je do „modulu dialogového zpracování“, který řídí logiku interakce; poté „strategie plánovacího motoru“ na základě těchto informací vytváří a vykonává plány pomocí pokročilých strategií a podrobného plánování akcí.

Data z „světového kontextu“ a „knihovny agentů“ poskytují informace pro tyto procesy, zatímco pracovní paměť sleduje okamžité úkoly. Mezitím „procesor dlouhodobé paměti“ uchovává a vyhledává znalosti v průběhu času. „Učící modul“ analyzuje výsledky a integruje nové znalosti do systému, což umožňuje kontinuální zlepšování chování a interakce agentů.

Rig

Rig je open-source rámec založený na Rustu, navržený pro zjednodušení vývoje aplikací velkých jazykových modelů (LLM). Poskytuje jednotné rozhraní pro interakci s několika poskytovateli LLM (například OpenAI a Anthropic) a podporuje různé vektorové úložiště, včetně MongoDB a Neo4j. Modulární architektura rámce má klíčové komponenty, jako je „abstrakční vrstva poskytovatele“, „integrace vektorového úložiště“ a „systém agentů“, které usnadňují bezproblémovou interakci s LLM.

Hlavní cílovou skupinou Rigu jsou vývojáři, kteří vytvářejí AI/ML aplikace pomocí Rustu, sekundární cílovou skupinou jsou organizace, které hledají integraci s více poskytovateli LLM a vektorovými úložišti do svých aplikací Rust. Knihovna je organizována na základě struktury pracovních prostorů, obsahuje několik crates a dosahuje škálovatelnosti a efektivního řízení projektů. Hlavní funkce Rigu zahrnují „abstrakční vrstvu poskytovatele“, která standardizuje API pro dokončení a integraci poskytovatelů LLM 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 a podporuje zpracování vylepšeného generování (RAG) a integraci nástrojů. Kromě toho embedded framework poskytuje schopnosti dávkového zpracování a typově bezpečné operace s embedded.

Rig využívá řadu technologických výhod pro zajištění spolehlivosti a výkonnosti. Asynchronní operace využívají asynchronní runtime Rust pro efektivní zpracování velkého množství paralelních požadavků; inherentní mechanismy zpracování chyb rámce zvyšují schopnost obnovit se z chyb AI poskytovatelů nebo databázových operací; typová bezpečnost zabraňuje chybám při kompilaci, čímž zvyšuje udržovatelnost kódu; efektivní procesy serializace a deserializace pomáhají zpracovávat data v formátech jako JSON, což je zásadní pro komunikaci a ukládání AI služeb; podrobné logování a metriky dále pomáhají při ladění a monitorování aplikací.

Pracovní tok v Rigu začíná požadavkem od klienta, který prochází „abstrakční vrstvou poskytovatele“ a interaguje s odpovídajícím modelem LLM; poté data zpracovává jádrová vrstva, kde agenti mohou používat nástroje nebo přistupovat k vektorovému úložišti pro získání kontextu; pomocí komplexních pracovních toků jako RAG generují a vylepšují odpovědi, které zahrnují vyhledávání dokumentů a porozumění kontextu, a poté se vrací klientovi. Tento systém integruje více poskytovatelů LLM a vektorových úložišť a přizpůsobuje se dostupnosti modelů nebo změnám výkonu.

Případy použití Rigu jsou různorodé, včetně vyhledávání relevantních dokumentů pro poskytování přesných odpovědí v systémech otázek a odpovědí, dokumentového vyhledávání a získávání pro efektivní objevování obsahu, stejně jako chatbotů nebo virtuálních asistentů poskytujících kontextově vědomé interakce pro zákaznické služby nebo vzdělávání. Také podporuje generování obsahu, schopnost vytvářet text a další materiály na základě naučených vzorců, což je 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 pochází z modulární verze backendu Zerebro, což umožňuje vývojářům spouštět agenty s funkcemi podobnými jádrovému funkci Zerebro. I když tento rámec poskytuje základ pro nasazení agentů, je nutné modely jemně doladit pro generaci kreativních výstupů. ZerePy zjednodušuje vývoj a nasazení personalizovaných AI agentů, zvláště vhodných pro tvorbu obsahu na sociálních platformách, čímž podporuje AI kreativní ekosystém zaměřený na umění a decentralizované aplikace.

Tento rámec je postaven na jazyce Python, zdůrazňuje autonomii agentů a zaměřuje se na generaci kreativních výstupů, což je v souladu s architekturou Eliza + partnerství. Jeho modulární design podporuje integraci paměťového systému, což usnadňuje nasazení agentů na sociálních platformách. Mezi hlavní funkce patří příkazový řádek pro správu agentů, integrace s X, podpora pro OpenAI a Anthropic LLM a modulární připojovací systém pro rozšíření funkcí.

Případy použití ZerePy zahrnují automatizaci sociálních médií, kde uživatelé mohou nasazovat AI agenty k publikování, odpovídání, lajkování a retweetování, čímž zvyšují zapojení na platformě. Kromě toho je vhodný pro tvorbu obsahu v oblastech jako je hudba, poznámky a NFT, což jej činí důležitým nástrojem v oblasti digitálního umění a obsahových platforem založených na blockchainu.

Horizontální srovnání

Z našeho pohledu každý z výše uvedených rámců nabízí unikátní přístup k vývoji AI, který vyhovuje specifickým potřebám a prostředím, což způsobuje, že debata již není o tom, zda jsou tyto rámce konkurenty, ale zda každý rámec může nabídnout unikátní užitek a hodnotu.

  • Eliza vyniká svým uživatelsky přívětivým rozhraním, zejména pro vývojáře obeznámené s prostředím JavaScript a Node.js. Její komplexní dokumentace pomáhá s nastavením AI agentů na různých platformách, i když její bohatá funkcionalita může představovat mírnou křivku učení. Díky použití TypeScript je Eliza velmi vhodná pro vytváření agentů, kteří jsou integrováni do webu, protože většina front-endové webové infrastruktury je postavena v TypeScriptu. Tento rámec je známý svou architekturou s více agenty, která umožňuje nasazení různorodých AI osobností napříč platformami jako Discord, X a Telegram. Její pokročilý systém RAG je určen pro správu paměti, což ji činí zvlášť vhodnou pro vývoj AI asistentů zaměřených na zákaznickou podporu nebo aplikace sociálních médií. Ačkoli nabízí flexibilitu, silnou komunitní podporu a konzistentní mezi-platformní výkon, stále se nachází v rané fázi a může představovat pro vývojáře křivku učení.

  • G.A.M.E je navržena pro vývojáře her, poskytuje uživatelské rozhraní s nízkým nebo žádným kódem prostřednictvím API, což usnadňuje přístup pro uživatele s nižšími technickými dovednostmi v herním oboru. Zaměřuje se na vývoj her a integraci blockchainu, což může představovat strmou křivku učení pro ty, kteří nemají příslušné zkušenosti. Vyniká v generování programatického obsahu a chování NPC, avšak je omezena svou specializací a dodatečnou složitostí při integraci s blockchainem.

  • Rig se může uživatelům zdát méně přívětivý kvůli složitosti jazyka Rust, což přináší velké výzvy při učení, ale pro ty, kteří ovládají systémové programování, může poskytnout intuitivní interakci. Ve srovnání s TypeScript je Rust známý svou výkonností a bezpečností paměti. Má přísné kontroly při kompilaci a nulové náklady na abstrakci, což je nezbytné pro provozování složitých algoritmů AI. Vysoká účinnost a nízké nároky na kontrolu dělají z tohoto jazyka ideální volbu pro aplikace AI náročné na zdroje. Tento rámec je navržen s modulární a škálovatelnou architekturou, která poskytuje vysoce výkonná řešení, což jej činí výborným pro podnikové aplikace. Nicméně pro vývojáře, kteří nejsou obeznámeni s jazykem Rust, může používání Rustu představovat strmou křivku učení.

  • ZerePy používá jazyk Python, což poskytuje vyšší použitelnost pro kreativní úkoly AI. Pro vývojáře Pythonu, zejména ty s AI/ML pozadím, je křivka učení nízká, a díky popularitě ZEREBRO získává silnou komunitní podporu. ZerePy vyniká v kreativních AI aplikacích jako NFT a tento rámec se také profiluje jako silný nástroj v oblasti digitálních médií a umění. I když v kreativních aspektech vyniká, ve srovnání s jinými rámci má relativně úzký okruh aplikací.

Pokud jde o škálovatelnost, porovnání čtyř hlavních rámců je následující.

  • Eliza učinila značný pokrok po aktualizaci verze V2, zavedením jednotné zprávy a rozšiřitelné základní architektury pro efektivní správu napříč platformami. Nicméně, pokud není optimalizována, může správa této více-platformní interakce přinést výzvy v oblasti škálovatelnosti.

  • G.A.M.E exceluje v reálném zpracování potřebném pro hry, její škálovatelnost lze řídit pomocí efektivních algoritmů a potenciálních distribuovaných systémů blockchainu, avšak může být omezena specifickými herními enginy nebo omezeními blockchainové sítě.

  • Rámec Rig může využít výhod výkonu Rust pro lepší škálovatelnost, je navržen pro aplikace s vysokým průtokem, což může být zvlášť efektivní pro podnikové nasazení, avšak to může znamenat, že dosažení skutečné škálovatelnosti vyžaduje složité nastavení.

  • Škálovatelnost ZerePy je zaměřena na kreativní výstupy a je podpořena příspěvky komunity, avšak důraz tohoto rámce může omezit jeho aplikaci v širším AI prostředí, jeho škálovatelnost může být zkoušena diverzitou kreativních úkolů, nikoli počtem uživatelů.

Pokud jde o použitelnost, Eliza s jejím systémem pluginů a mezi-platformní kompatibilitou výrazně vede, následuje G.A.M.E v herním prostředí a Rig, který se zabývá složitými AI úkoly. ZerePy vykazuje vysokou adaptabilitu v kreativní sféře, ale není příliš vhodný pro širší AI aplikace.

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

  • Eliza je optimalizována pro rychlý interakci na sociálních médiích, ale její výkonnost může být při řešení složitějších výpočetních úloh různá.

  • G.A.M.E se zaměřuje na vysoce výkonnou interakci v herních scénářích a může využívat efektivní rozhodovací procesy a potenciální decentralizaci pomocí blockchainu pro AI operace.

  • Rig založený na Rustu poskytuje vynikající výkon pro úkoly vyžadující vysoký výkon, což je vhodné pro podnikové aplikace, kde je efektivita výpočtů zásadní.

  • Výkon ZerePy je zaměřen na vytváření kreativního obsahu, jehož metriky se soustředí na efektivitu a kvalitu generování obsahu, což nemusí být příliš univerzální mimo kreativní sféry.

Kombinovaná analýza výše uvedených výhod a nevýhod ukazuje, že Eliza nabízí lepší flexibilitu a škálovatelnost, systém pluginů a nastavení rolí ji činí vysoce adaptabilní pro interakci mezi sociálními AI napříč platformami; G.A.M.E může poskytnout unikátní možnosti reálné interakce v herních scénářích a nabízí novou účast AI prostřednictvím integrace blockchainu; výhoda Rigu spočívá v jeho výkonu a škálovatelnosti, což je ideální pro podnikové AI úkoly, a zaměřuje se na jednoduchost a modularitu kódu pro zajištění dlouhodobého zdravého rozvoje projektu; Zerepy exceluje v podpoře kreativity, je lídrem v AI aplikacích v digitálním umění a těží z dynamického komunitního řízení vývoje.

Celkově má každý rámec svá omezení. Eliza je stále v rané fázi, má potenciální problém se stabilitou a dlouhou křivku učení pro nové vývojáře; G.A.M.E může omezit svou širší aplikaci kvůli své specializaci a zavedení blockchainu, což zvyšuje složitost; křivka učení Rigu je strmější vzhledem ke složitosti jazyka Rust, což může některé vývojáře odradit; Zerepy se může omezit na úzkou pozornost na kreativní výstupy, což může omezit jeho aplikaci v dalších oblastech AI.

Hlavní srovnávací body

Rig (ARC)

  • Jazyk: Rust, zaměřený na bezpečnost a výkonnost.

  • Případ použití: Zaměřený na efektivitu a škálovatelnost, 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: Navržený speciálně pro sociální interakce, DAO a obchodování, zvláště důraz na systém více agentů.

  • Komunita: Vysoce řízená komunitou, má široké vazby na GitHub.

ZerePy (ZEREBRO):

  • Jazyk: Python, který je snadněji přijatelný pro širší komunitu AI vývojářů.

  • Případ použití: Vhodný 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):

  • Hlavní body: Autonomní, adaptivní AI agenti, kteří se mohou vyvíjet na základě interakcí v virtuálním prostředí.

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

  • Komunita: Inovativní, ale stále se snaží určit svou pozici v konkurenci.

Github růst dat

Výše uvedený graf ukazuje změny v počtu hvězd na GitHubu pro tyto rámce od jejich spuštění. Obecně platí, že hvězdy na GitHubu mohou být indikátorem zájmu komunity, popularity projektu a vnímané hodnoty projektu.

  • Eliza (červená čára): Graf ukazuje, že počet hvězd pro tento rámec výrazně a stabilně roste, od nízkého základu v červenci začal prudce stoupat koncem listopadu a nyní dosáhl 6100 hvězd. To naznačuje rychlý nárůst zájmu kolem tohoto rámce, který 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 ukazuje, že má silnou podporu komunity a širší použitelnost nebo zájem v AI komunitě.

  • Rig (modrá čára): Rig je nejstarší ze čtyř hlavních rámců, jehož růst hvězd není velký, ale stabilní, v posledním měsíci však výrazně vzrostl. Jeho celkový počet hvězd dosáhl 1700, ale stále je na vzestupné trajektorii. Stabilní nárůst zájmu je výsledkem trvalého vývoje, aktualizací a rostoucí základny uživatelů. To může odrážet, že Rig si stále vytváří reputaci.

  • ZerePy (žlutá čára): ZerePy byla spuštěna před několika dny a počet hvězd vzrostl na 181. Je důležité zdůraznit, že ZerePy potřebuje více vývoje pro zvýšení své viditelnosti a míry adopce, spolupráce s ai16z by mohla přilákat více přispěvatelů do jejího kódu.

  • G.A.M.E (zelená čára): Tento rámec má jen málo hvězd, ale je pozoruhodné, že může být přímo aplikován na agenty v rámci virtuálního ekosystému prostřednictvím API, a proto není nutné ho publikovat na Githubu. I když byl tento rámec zpřístupněn vývojářům teprve před více než měsícem, již přes 200 projektů využívá G.A.M.E pro vývoj.

Očekávané upgrady AI rámců

Verze 2.0 Eliza zahrne integraci s Coinbase agent toolkit. Všechny projekty používající Eliza budou mít přístup k budoucí podpoře nativních TEE (Trusted Execution Environment), což umožní agentům fungovat v bezpečném prostředí. Registr pluginů (Plugin Registry) je funkcí, kterou Eliza brzy zavede, což vývojářům umožní bezproblémově registrovat a integrovat pluginy.

Kromě toho Eliza 2.0 podpoří automatizované anonymní mezi-platformní zasílání zpráv. Očekávaná publikace Tokenomics whitepaperu k 1. lednu 2025 by měla mít pozitivní vliv na token AI16Z, který podporuje rámec Eliza. ai16z plánuje i nadále posilovat užitečnost tohoto rámce a využívat úsilí svých hlavních přispěvatelů k přilákání kvalitních talentů.

Rámec G.A.M.E nabízí agentům integraci bez kódu, což umožňuje současné používání G.A.M.E a Eliza v jednom projektu, přičemž každý slouží specifickému případu použití. Tento přístup by měl přitáhnout tvůrce, kteří se soustředí na obchodní logiku, nikoli na technickou složitost. I když je rámec veřejně dostupný teprve více než 30 dní, díky úsilí týmu přitáhnout více přispěvatelů již dosáhl významného pokroku. Očekává se, že každý projekt spuštěný na VirtuaI přijme G.A.M.E.

Rámec Rig řízený tokenem ARC má značný potenciál, i když jeho růst je ve fázi raného rozvoje a projekty zaměřené na adopci Rigu byly spuštěny teprve před několika dny. Očekává se, že se brzy objeví kvalitní projekty v kombinaci s ARC podobně jako Virtual flywheel, ale soustředěné na Solanu. Tým Rigu je optimistický ohledně spolupráce se Solanou a pozicionuje ARC jako Virtual pro Solanu. Je třeba poznamenat, že tým nejenže motivuje nové projekty spuštěné pomocí Rigu, ale také motivuje vývojáře k posílení samotného rámce Rigu.

Zerepy je nově spuštěný rámec, který získává značnou pozornost díky spolupráci s ai16z (rámec Eliza), přitahuje přispěvatele z Eliza, kteří aktivně pracují na zlepšení rámce. Zerepy těží z nadšení komunitou ZEREBRO a otvírá nové příležitosti pro vývojáře Pythonu, kteří dříve neměli prostor pro rozvoj v konkurenčním prostoru AI infrastruktury. Očekává se, že tento rámec bude hrát důležitou roli v kreativních aspektech AI.