Este artículo proviene de: Deep Value Memetics
Compilado por | Odaily星球日报（@OdailyChina）
Traductor | Azuma (@azuma_eth)
Resumen de puntos clave
En este informe, discutimos el panorama del desarrollo de varios marcos principales en el campo de la IA Crypto. Examinaremos los cuatro marcos principales actuales: Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO), analizando sus diferencias técnicas y su potencial de desarrollo.
En la última semana, hemos analizado y probado los cuatro grandes marcos mencionados, y el resumen de conclusiones es el siguiente.
Creemos que Eliza (con una cuota de mercado de aproximadamente 60%, con un valor de mercado de aproximadamente 900 millones de dólares en el momento en que el autor escribió esto, y alrededor de 1.4 mil millones de dólares al momento de la publicación) continuará dominando la cuota de mercado. El valor de Eliza radica en su ventaja de ser el primero en llegar y la adopción acelerada de desarrolladores, con 193 colaboradores, 1800 bifurcaciones y más de 6000 estrellas en Github, lo que demuestra que se ha convertido en una de las bibliotecas de software más populares en Github.
G.A.M.E (con una cuota de mercado de aproximadamente 20%, con un valor de mercado de aproximadamente 300 millones de dólares en el momento en que el autor escribió esto y alrededor de 257 millones de dólares al momento de la publicación) ha tenido un desarrollo muy exitoso hasta ahora, y está experimentando una rápida adopción, como anunció previamente Virtuals Protocol, con más de 200 proyectos construidos sobre G.A.M.E, con más de 150,000 solicitudes diarias y una tasa de crecimiento semanal superior al 200%. G.A.M.E continuará beneficiándose de la explosión de VIRTUAL y tiene el potencial de convertirse en uno de los mayores ganadores dentro de este ecosistema.
Rig (con una cuota de mercado de aproximadamente 15%, con un valor de mercado de aproximadamente 160 millones de dólares en el momento en que el autor escribió esto, y alrededor de 279 millones de dólares al momento de la publicación) destaca por su diseño modular que es muy atractivo y fácil de operar, con el potencial de dominar dentro del ecosistema Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente 5%, con un valor de mercado de aproximadamente 300 millones de dólares en el momento en que el autor escribió esto y alrededor de 424 millones de dólares al momento de la publicación) es una aplicación más nicho, específica para una ferviente comunidad de ZEREBRO, y su reciente colaboración con la comunidad de ai16z podría generar sinergias.
En las estadísticas anteriores, la 'cuota de mercado' se calculó considerando el valor de mercado, el historial de desarrollo y la amplitud del mercado final del sistema operativo base.
Creemos que los marcos de IA se convertirán en el sector de más rápido crecimiento en este ciclo, el actual valor total del sector de aproximadamente 1.7 mil millones de dólares crecerá fácilmente a 20 mil millones de dólares, lo que podría seguir siendo una cifra conservadora en comparación con la valoración de Layer 1 en su pico en 2021, cuando muchos proyectos individuales alcanzaron valoraciones superiores a 20 mil millones de dólares. Aunque los marcos mencionados anteriormente sirven a diferentes mercados finales (cadena/ecosistemas), dado que creemos que este sector crecerá en general, un enfoque ponderado por capitalización de mercado podría ser relativamente más cauteloso.
Cuatro grandes marcos
En la intersección de IA y Crypto han surgido varios marcos destinados a acelerar el desarrollo de IA, incluyendo Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Desde proyectos de código abierto hasta soluciones empresariales enfocadas en el rendimiento, cada marco atiende diferentes necesidades y filosofías de desarrollo de agentes.
En la tabla a continuación, enumeramos las tecnologías clave, componentes y ventajas de cada marco.
Este informe se centrará primero en qué son estos marcos, los lenguajes de programación que utilizan, la arquitectura técnica, los algoritmos y las características únicas con potencial de casos de uso. Luego, compararemos cada marco en base a usabilidad, escalabilidad, adaptabilidad y rendimiento, al mismo tiempo que discutimos sus ventajas y limitaciones.
Eliza
Eliza es un marco de simulación multi-agente de código abierto desarrollado por ai16z, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Está desarrollado en TypeScript como lenguaje de programación, proporcionando una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.
Las funcionalidades centrales de este marco incluyen: soporte para desplegar y gestionar múltiples personalidades de IA únicas simultáneamente en una arquitectura de múltiples agentes; un sistema de roles que crea roles diversos para agentes utilizando un marco de archivos de roles; gestión de memoria a largo plazo y contexto perceptible a través de un sistema de generación mejorada por recuperación (RAG). Además, el marco Eliza también ofrece integración fluida en plataformas, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
En términos de comunicación y funciones de medios de agentes de IA, Eliza es una opción excelente. En comunicación, este marco soporta la integración con las funciones de canal de voz de Discord, funcionalidades de X, Telegram y acceso directo a API para casos de uso personalizados. Por otro lado, las capacidades de procesamiento de medios del marco se han expandido para incluir lectura y análisis de documentos PDF, extracción y resumen de contenido de enlaces, transcripción de audio, procesamiento de contenido de video, análisis de imágenes y resumen de diálogos, manejando eficazmente diversas entradas y salidas de medios.
Eliza ofrece soporte flexible para modelos de IA, permitiendo inferencia local mediante el uso de modelos de código abierto, inferencia basada en la nube mediante configuraciones predeterminadas como OpenAI y Nous Hermes Llama 3.1 B, y soporte para integrar Claude para manejar consultas complejas. Eliza adopta una arquitectura modular, con un amplio sistema de acciones, soporte para clientes personalizados y una API completa, asegurando escalabilidad y adaptabilidad a través de aplicaciones.
Los casos de uso de Eliza abarcan múltiples áreas, como asistentes de IA relacionados con soporte al cliente, gestión comunitaria y tareas personales; también actúa como creadores automáticos de contenido, representantes de marca y otros roles en redes sociales; además, puede funcionar como trabajadores del conocimiento, desempeñando roles como asistentes de investigación, analistas de contenido y manipuladores de documentos; así como roles interactivos en forma de robots de rol, tutores educativos y agentes de enlace.
La arquitectura de Eliza se construye en torno a un tiempo de ejecución de agentes (agent runtime) que se integra sin problemas con un sistema de roles (apoyado por proveedores de modelos), un gestor de memoria (conectado a bases de datos) y un sistema de acciones (enlazado a clientes de plataformas). Las características distintivas de este marco incluyen un sistema de complementos que permite la expansión modular de funcionalidades, soportando interacciones multimodales como voz, texto y medios, además de ser compatible con modelos de IA líderes como Llama, GPT-4 y Claude. Con su diseño multifuncional y potente, Eliza se convierte en una herramienta poderosa para desarrollar aplicaciones de IA en múltiples campos.
G.A.M.E
G.A.M.E fue desarrollado por el equipo oficial de Virtuals, cuyo nombre completo es 'El Marco de Entidades Multimodales Autónomas Generativas (The Generative Autonomous Multimodal Entities Framework)', diseñado para proporcionar a los desarrolladores interfaces de programación de aplicaciones (API) y kits de herramientas de desarrollo de software (SDK) para experimentar con agentes de IA. Este marco proporciona un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y el proceso de aprendizaje de los agentes de IA.
Los componentes clave de G.A.M.E son los siguientes: primero, la 'Interfaz de Sugerencias de Agente' (Agent Prompting Interface) es la puerta de entrada para que los desarrolladores integren G.A.M.E en agentes para obtener comportamientos de agentes.
El 'Subsistema Perceptivo' inicia una sesión especificando parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes. Este subsistema sintetiza los mensajes entrantes en un formato adecuado para el 'Motor de Planificación Estratégica', actuando como el mecanismo de entrada sensorial del agente de IA, ya sea en forma de diálogo o respuesta. El núcleo aquí es el 'Módulo de Procesamiento de Diálogo', que se encarga de manejar los mensajes y respuestas del agente, colaborando con el 'Subsistema Perceptivo' para interpretar y responder efectivamente a las entradas.
El 'Motor de Planificación Estratégica' trabaja en conjunto con el 'Módulo de Procesamiento de Diálogo' y el 'Operador de Monedero en Cadena', generando respuestas y planes. Este motor opera en dos niveles: como un planificador de alto nivel, creando estrategias amplias en función del contexto o los objetivos; y como un planificador de bajo nivel, transformando esas estrategias en políticas ejecutables, que se subdividen aún más en planificadores de acciones (para especificar tareas) y ejecutores de planes (para realizar tareas).
Un componente separado pero clave es el 'Contexto Mundial', que hace referencia al entorno, la información del mundo y el estado del juego, proporcionando el contexto necesario para las decisiones del agente. Además, la 'Biblioteca de Agentes' se utiliza para almacenar atributos a largo plazo, como objetivos, reflexiones, experiencias y personalidad, que en conjunto dan forma al comportamiento y el proceso de toma de decisiones del agente. Este marco utiliza 'memoria de trabajo a corto plazo' y 'procesador de memoria a largo plazo' — la memoria a corto plazo retiene información relevante sobre acciones previas, resultados y planes actuales; en contraste, el procesador de memoria a largo plazo extrae información clave según criterios de importancia, actualidad y relevancia. Esta memoria almacena conocimiento sobre las experiencias, reflexiones, personalidad dinámica, contexto mundial y memoria de trabajo del agente para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
Para aumentar el diseño, el 'Módulo de Aprendizaje' obtiene datos del 'Subsistema Perceptivo' para generar conocimiento general, que se retroalimenta al sistema para optimizar interacciones futuras. Los desarrolladores pueden proporcionar retroalimentación a través de la interfaz sobre acciones, estado del juego y datos sensoriales para mejorar el aprendizaje del agente de IA y aumentar su capacidad de planificación y toma de decisiones.
El flujo de trabajo comienza con la interacción del desarrollador a través de la interfaz de sugerencias de agente; el 'Subsistema Perceptivo' procesa la entrada y la reenvía al 'Módulo de Procesamiento de Diálogo', que gestiona la lógica de interacción; luego, el 'Motor de Planificación Estratégica' utiliza esta información para formular y ejecutar planes mediante estrategias de alto nivel y planificación de acciones detalladas.
Los datos de 'contexto mundial' y 'biblioteca de agentes' informan estos procesos, mientras que la memoria de trabajo rastrea tareas inmediatas. Al mismo tiempo, el 'procesador de memoria a largo plazo' almacena y recupera conocimiento a lo largo del tiempo. El 'módulo de aprendizaje' analiza los resultados y fusiona nuevos conocimientos en el sistema, permitiendo que el comportamiento y la interacción del agente mejoren continuamente.
Rig
Rig es un marco de código abierto basado en Rust, diseñado para simplificar el desarrollo de aplicaciones de modelos de lenguaje de gran tamaño (LLM). Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM (como OpenAI y Anthropic) y soporta diversos almacenamientos de vectores, incluidos MongoDB y Neo 4j. La arquitectura modular de este marco incluye componentes clave como la 'Capa de Abstracción del Proveedor', 'Integración de Almacenamiento de Vectores' y 'Sistema de Agentes', facilitando la interacción sin problemas con LLM.
El público principal de Rig incluye desarrolladores que construyen aplicaciones de IA/ML con Rust; el público secundario incluye organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento de vectores en sus aplicaciones de Rust. El repositorio está organizado en una estructura basada en espacios de trabajo, que incluye múltiples crates, logrando escalabilidad y una gestión de proyectos eficiente. Las funciones principales de Rig incluyen la 'Capa de Abstracción del Proveedor' (Provider Abstraction Layer), que estandariza las API de proveedores de LLM para completaciones e integraciones a través de un manejo de errores consistente; el componente de 'Integración de Almacenamiento de Vectores' proporciona una interfaz abstracta para múltiples backend y soporta búsqueda de similitud de vectores; el 'Sistema de Agentes' simplifica la interacción con LLM, apoyando generación mejorada por recuperación (RAG) e integración de herramientas. Además, el marco de integración proporciona capacidades de procesamiento por lotes y operaciones de integración de tipo seguro.
Rig aprovecha múltiples ventajas tecnológicas para garantizar confiabilidad y rendimiento. Las operaciones asíncronas utilizan el tiempo de ejecución asíncrono de Rust para manejar eficientemente un gran número de solicitudes concurrentes; el mecanismo de manejo de errores inherente del marco mejora su capacidad de recuperación frente a fallos de proveedores de IA o operaciones de bases de datos; la seguridad de tipos previene errores en tiempo de compilación, mejorando la mantenibilidad del código; los procesos de serialización y deserialización eficientes ayudan a manejar datos en formatos como JSON, que son cruciales para la comunicación y almacenamiento de servicios de IA; el registro detallado y los instrumentos ayudan aún más en la depuración y monitoreo de aplicaciones.
El flujo de trabajo en Rig comienza con el cliente que inicia una solicitud, la solicitud fluye a través de la 'Capa de Abstracción del Proveedor', interactuando con el modelo LLM correspondiente; luego, los datos son procesados por la capa central, donde el agente puede usar herramientas o acceder al almacenamiento de vectores para obtener contexto; las respuestas se generan y perfeccionan a través de flujos de trabajo complejos como RAG, que incluyen recuperación de documentos y comprensión del contexto, y luego se devuelven al cliente. Este sistema integra múltiples proveedores de LLM y almacenamiento de vectores, pudiendo adaptarse a la disponibilidad o cambios de rendimiento del modelo.
Los casos de uso de Rig son diversos, incluyendo la recuperación de documentos relevantes para proporcionar respuestas precisas en sistemas de preguntas y respuestas, búsqueda y recuperación de documentos para un descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que ofrecen interacciones contextualmente conscientes para atención al cliente o educación. También admite generación de contenido, siendo capaz de crear texto y otros materiales según patrones aprendidos, convirtiéndose en una herramienta multifuncional para desarrolladores y organizaciones.
ZerePy
ZerePy es un marco de código abierto escrito en Python, diseñado para desplegar agentes en X aprovechando LLM de OpenAI o Anthropic. ZerePy se origina del backend modular de Zerebro, permitiendo a los desarrolladores iniciar agentes con funcionalidades similares a las del núcleo de Zerebro. Aunque este marco proporciona la base para el despliegue de agentes, es necesario ajustar el modelo para generar salidas creativas. ZerePy simplifica el desarrollo y despliegue de agentes de IA personalizados, especialmente adecuados para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo de IA orientado al arte y las aplicaciones descentralizadas.
Este marco está construido con el lenguaje Python, enfatiza la autonomía de los agentes, se centra en la generación de salidas creativas, alineándose con la arquitectura de Eliza + asociaciones. Su diseño modular apoya la integración de sistemas de memoria, facilitando el despliegue de agentes en plataformas sociales. Sus principales funcionalidades incluyen una interfaz de línea de comandos para la gestión de agentes, integración con X, soporte para LLM de OpenAI y Anthropic, así como un sistema de conexión modular para funcionalidades mejoradas.
Los casos de uso de ZerePy abarcan la automatización de redes sociales, permitiendo a los usuarios desplegar agentes de IA para publicar, responder, dar me gusta y compartir, aumentando así la participación en la plataforma. Además, es aplicable en áreas como música, recordatorios y NFT, siendo una herramienta importante para la creación de contenido en arte digital y plataformas de contenido basadas en blockchain.
Comparación horizontal
En nuestra opinión, cada uno de los marcos mencionados anteriormente ofrece un enfoque único para el desarrollo de IA, atendiendo necesidades y entornos específicos, lo que hace que el debate no se limite a si estos marcos son competidores entre sí, sino que se centre en si cada marco ofrece utilidad y valor únicos.
Eliza se destaca por su interfaz amigable para el usuario, especialmente adecuada para desarrolladores familiarizados con entornos de JavaScript y Node.js. Su documentación integral ayuda a configurar agentes de IA en diversas plataformas, aunque su rica colección de funcionalidades puede presentar una curva de aprendizaje moderada, Eliza es muy adecuada para construir agentes embebidos en la web, ya que la mayoría de la infraestructura de red de frontend está construida en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, capaz de desplegar agentes de personalidad diversa en plataformas como Discord, X y Telegram. Su avanzado sistema RAG para gestión de memoria lo hace especialmente adecuado para construir asistentes de IA para soporte al cliente o aplicaciones de redes sociales. Aunque ofrece flexibilidad, un sólido apoyo comunitario y un rendimiento consistente multiplataforma, sigue en una fase temprana y podría presentar curvas de aprendizaje para los desarrolladores.
G.A.M.E está diseñado para desarrolladores de juegos, proporcionando una interfaz de bajo código o sin código a través de API, facilitando el acceso a aquellos usuarios con habilidades técnicas limitadas en el campo de los juegos. Sin embargo, se centra en el desarrollo de juegos e integración de blockchain, por lo que la curva de aprendizaje puede ser empinada para quienes carecen de experiencia relacionada. Se destaca en la generación de contenido programático y comportamiento de NPC, pero también se ve limitado por su nicho y la complejidad adicional presente en la integración de blockchain.
Rig, al utilizar el lenguaje Rust, puede no ser amigable para el usuario debido a la complejidad de este lenguaje, presentando grandes desafíos de aprendizaje; sin embargo, para aquellos que dominan la programación de sistemas, puede ofrecer una interacción intuitiva. Comparado con TypeScript, Rust es conocido por su rendimiento y seguridad de memoria. Tiene estrictas verificaciones en tiempo de compilación y abstracciones de costo cero, que son esenciales para ejecutar algoritmos complejos de inteligencia artificial. Las características de eficiencia y bajo control de este lenguaje lo convierten en una elección ideal para aplicaciones de IA que requieren muchos recursos. Este marco utiliza un diseño modular y escalable, proporcionando soluciones de alto rendimiento, ideal para aplicaciones empresariales. Sin embargo, para desarrolladores no familiarizados con el lenguaje Rust, su uso podría presentar una curva de aprendizaje empinada.
ZerePy utiliza el lenguaje Python, ofreciendo mayor accesibilidad para tareas creativas de IA. Para desarrolladores de Python, especialmente aquellos con experiencia en IA/ML, la curva de aprendizaje es baja y, gracias al entusiasmo por ZEREBRO, puede contar con un fuerte apoyo comunitario. ZerePy se destaca en aplicaciones creativas de IA como NFT, posicionándose como una poderosa herramienta en los campos de medios digitales y arte. Aunque sobresale en creatividad, su rango de aplicación es relativamente estrecho en comparación con otros marcos.
En términos de escalabilidad, la comparación de los cuatro grandes marcos es la siguiente.
Eliza ha logrado un progreso significativo tras la actualización de la versión V2, introduciendo una línea de mensajes unificada y un marco central escalable, permitiendo una gestión eficiente a través de plataformas. Sin embargo, sin optimización, gestionar esta interacción multiplataforma podría presentar desafíos de escalabilidad.
G.A.M.E se destaca en el procesamiento en tiempo real necesario para juegos, su escalabilidad puede ser gestionada mediante algoritmos eficientes y un posible sistema distribuido de blockchain, aunque puede verse limitado por restricciones de motores de juego específicos o redes blockchain.
El marco Rig puede aprovechar las ventajas de rendimiento de Rust para lograr mejor escalabilidad, diseñado de manera inherente para aplicaciones de alto rendimiento, lo que puede ser particularmente efectivo para despliegues empresariales, aunque esto puede significar que lograr una escalabilidad real requiere una configuración compleja.
La escalabilidad de ZerePy está orientada hacia la producción creativa, apoyada por contribuciones comunitarias, pero el enfoque de este marco podría limitar su aplicación en un entorno de inteligencia artificial más amplio, donde su escalabilidad podría ser puesta a prueba por la diversidad de tareas creativas en lugar de la cantidad de usuarios.
En términos de aplicabilidad, Eliza está muy por delante gracias a su sistema de complementos y compatibilidad multiplataforma, seguida por G.A.M.E en entornos de juego y Rig en el manejo de tareas complejas de IA. ZerePy ha mostrado una alta adaptabilidad en el ámbito creativo, pero es menos aplicable en un ámbito de IA más amplio.
En términos de rendimiento, los resultados de las pruebas de los cuatro grandes marcos son los siguientes.
Eliza está optimizada para interacciones rápidas en redes sociales, pero su rendimiento puede variar al manejar tareas computacionales más complejas.
G.A.M.E se centra en interacciones en tiempo real de alto rendimiento en escenarios de juego, aprovechando eficaces procesos de toma de decisiones y la posible descentralización de IA a través de blockchain.
Rig, basado en Rust, ofrece un rendimiento excepcional para tareas computacionales de alto rendimiento, adecuado para aplicaciones empresariales donde la eficiencia computacional es crucial.
El rendimiento de ZerePy está orientado a la creación de contenido creativo, con indicadores centrados en la eficiencia y calidad de la generación de contenido, posiblemente menos universales fuera del ámbito creativo.
Combinando el análisis de ventajas y desventajas mencionadas anteriormente, Eliza ofrece una mejor flexibilidad y escalabilidad; su sistema de complementos y configuración de roles le confiere una gran adaptabilidad, favoreciendo la interacción social de inteligencia artificial multiplataforma; G.A.M.E proporciona capacidades únicas de interacción en tiempo real en escenarios de juego y ofrece una participación novedosa de IA a través de la integración de blockchain; la ventaja de Rig radica en su rendimiento y escalabilidad, adecuado para tareas de IA a nivel empresarial, con un enfoque en la simplicidad y modularidad del código para garantizar el desarrollo saludable a largo plazo del proyecto; ZerePy se destaca en la fomentación de la creatividad, liderando en aplicaciones de IA para arte digital, respaldado por un modo de desarrollo impulsado por una comunidad vibrante.
En resumen, cada marco tiene sus limitaciones. Eliza sigue en una fase temprana, con problemas de estabilidad potenciales y una curva de aprendizaje prolongada para nuevos desarrolladores; el enfoque de nicho de G.A.M.E podría limitar su aplicación más amplia, y la introducción de blockchain también podría aumentar la complejidad; la curva de aprendizaje de Rig es aún más empinada debido a la complejidad del lenguaje Rust, lo que podría disuadir a algunos desarrolladores; la estrecha atención de Zerepy a la producción creativa podría limitar su aplicación en otros campos de inteligencia artificial.
Comparación de elementos clave
Rig (ARC)
Lenguaje: Rust, enfocado en seguridad y rendimiento.
Caso de uso: Enfocado en eficiencia y escalabilidad, ideal para aplicaciones de IA a nivel empresarial.
Comunidad: Menos impulsada por la comunidad, más centrada en desarrolladores técnicos.
Eliza (AI16Z)
Lenguaje: TypeScript, enfatizando la flexibilidad y participación de Web3.
Caso de uso: Diseñado específicamente para interacción social, DAO y transacciones, enfatizando especialmente los sistemas de múltiples agentes.
Comunidad: Altamente impulsada por la comunidad, con amplias conexiones a GitHub.
ZerePy (ZEREBRO):
Lenguaje: Python, más fácil de adoptar por una comunidad de desarrolladores de IA más amplia.
Caso de uso: Adecuado para automatización de redes sociales y tareas de agentes de IA más simples.
Comunidad: Relativamente nueva, pero con potencial de crecimiento gracias a la popularidad de Python y el apoyo de los contribuyentes de ai16z.
G.A.M.E (VIRTUAL, GMAE):
Enfoque: Agentes de IA autónomos y adaptativos que pueden evolucionar según la interacción en entornos virtuales.
Caso de uso: Más adecuado para escenarios donde los agentes necesitan aprender y adaptarse, como en juegos o mundos virtuales.
Comunidad: Innovadora, pero aún en proceso de determinar su posición competitiva.
Crecimiento de datos de Github
El gráfico anterior muestra la variación en el número de estrellas en GitHub desde que se lanzaron estos marcos. En general, las estrellas en GitHub pueden ser un indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.
Eliza (línea roja): El gráfico muestra un crecimiento significativo y estable en el número de estrellas de este marco, comenzando desde una base baja en julio, con un aumento exponencial comenzando a finales de noviembre, alcanzando ahora 6100 estrellas. Esto indica un rápido aumento de interés en torno a este marco, atrayendo la atención de desarrolladores. El crecimiento exponencial sugiere que Eliza ha ganado un gran atractivo debido a su funcionalidad, actualizaciones y participación comunitaria, superando con creces a otros productos, lo que indica un fuerte apoyo de la comunidad y una mayor aplicabilidad o interés en la comunidad de inteligencia artificial.
Rig (línea azul): Rig es el más 'antiguo' de los cuatro grandes marcos, su crecimiento en estrellas es modesto pero estable, con un aumento notable en el último mes. Su total de estrellas ha alcanzado 1700, pero aún está en una trayectoria ascendente. La acumulación estable de atención se debe al desarrollo continuo, actualizaciones y un creciente grupo de usuarios. Esto puede reflejar que Rig es un marco que todavía está acumulando reputación.
ZerePy (línea amarilla): ZerePy se lanzó hace unos días y el número de estrellas ha crecido a 181. Es importante destacar que ZerePy necesita más desarrollo para aumentar su visibilidad y tasa de adopción, y la colaboración con ai16z podría atraer a más contribuyentes a su código.
G.A.M.E (línea verde): Este marco tiene un número bajo de estrellas, pero es notable que puede ser aplicado directamente a agentes en el ecosistema Virtual a través de API, sin necesidad de ser publicado en Github. Sin embargo, aunque este marco solo ha estado disponible para constructores desde hace poco más de un mes, ya hay más de 200 proyectos utilizando G.A.M.E para construir.
Expectativas de actualización del marco de IA
La versión 2.0 de Eliza incluirá la integración con el paquete de herramientas de agentes de Coinbase. Todos los proyectos que utilicen Eliza obtendrán soporte para el futuro TEE (Entorno de Ejecución Confiable) nativo, permitiendo a los agentes operar en un entorno seguro. El registro de complementos (Plugin Registry) es una función que Eliza lanzará próximamente, permitiendo a los desarrolladores registrar e integrar complementos sin problemas.
Además, Eliza 2.0 admitirá la mensajería anónima automatizada entre plataformas. Se espera que el libro blanco de Tokenomics, que se publicará el 1 de enero de 2025 (se han publicado propuestas relacionadas), tenga un impacto positivo en el token AI16Z que respalda el marco Eliza. ai16z planea continuar mejorando la utilidad de este marco, aprovechando los esfuerzos de sus principales contribuyentes para atraer talento de alta calidad.
El marco G.A.M.E proporciona integración sin código para agentes, permitiendo que en un solo proyecto se utilicen G.A.M.E y Eliza, cada uno sirviendo a casos de uso específicos. Se prevé que este enfoque atraiga a constructores que se centran en la lógica empresarial en lugar de la complejidad técnica. A pesar de que este marco solo ha estado disponible públicamente durante más de 30 días, ha logrado avances significativos con el apoyo del equipo en atraer a más contribuyentes. Se espera que cada proyecto que se lance en VirtualI adopte G.A.M.E.
El marco Rig impulsado por el token ARC tiene un potencial significativo, aunque su crecimiento se encuentra en una etapa temprana y el plan de contrato para impulsar la adopción de Rig se lanzó hace solo unos días. Sin embargo, se espera que pronto surjan proyectos de alta calidad que acompañen a ARC, similar a la rueda de impulso de Virtual, pero enfocados en Solana. El equipo de Rig es optimista sobre su colaboración con Solana, posicionando a ARC como el Virtual de Solana. Es importante destacar que el equipo no solo incentiva a los nuevos proyectos lanzados con Rig, sino que también incentiva a los desarrolladores a mejorar el marco Rig en sí.
Zerepy es un marco recientemente lanzado que está ganando mucha atención debido a su colaboración con ai16z (marco Eliza); ha atraído a colaboradores de Eliza que están trabajando activamente en su mejora. Zerepy disfruta del apoyo entusiasta impulsado por la comunidad ZEREBRO y está abriendo nuevas oportunidades para desarrolladores de Python que anteriormente carecían de espacio para desarrollarse en el competitivo campo de la infraestructura de IA. Se espera que este marco juegue un papel importante en la creatividad de IA.
