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 ámbito de Crypto & AI. Examinaremos los cuatro marcos principales actuales: Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), analizando sus diferencias técnicas y potencial de desarrollo.
En la última semana, hemos analizado y probado los cuatro principales 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 alrededor de 900 millones de dólares en el momento en que fue escrito por el autor, y aproximadamente 1.4 mil millones de dólares al momento de esta publicación) seguirá dominando la cuota de mercado. El valor de Eliza radica en su ventaja inicial y en la rápida adopción por parte de los desarrolladores, como lo demuestra el hecho de que tiene 193 contribuyentes en GitHub, 1800 bifurcaciones y más de 6000 estrellas, lo que la convierte 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 alrededor de 300 millones de dólares en el momento en que fue escrito por el autor y aproximadamente 257 millones de dólares al momento de esta publicación) ha tenido un desarrollo muy fluido hasta ahora y también está experimentando una rápida adopción, como lo indica el anuncio anterior de Virtuals Protocol, donde ya hay más de 200 proyectos construidos sobre G.A.M.E, con más de 150,000 solicitudes diarias y una tasa de crecimiento semanal de más del 200%. G.A.M.E continuará beneficiándose del auge de VIRTUAL y podría convertirse en uno de los mayores ganadores en ese ecosistema.
Rig (con una cuota de mercado de aproximadamente 15%, con un valor de mercado de alrededor de 160 millones de dólares en el momento en que fue escrito por el autor y aproximadamente 279 millones de dólares al momento de esta publicación) presenta un diseño modular muy atractivo y fácil de operar, con el potencial de ocupar una posición dominante en el ecosistema Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente 5%, con un valor de mercado de alrededor de 300 millones de dólares en el momento en que fue escrito por el autor y aproximadamente 424 millones de dólares al momento de esta publicación) es una aplicación de nicho más pequeña, específica para una comunidad entusiasta de ZEREBRO; su reciente colaboración con la comunidad ai16z podría producir ciertos efectos de sinergia.
En las estadísticas anteriores, la 'cuota de mercado' considera de manera integral el valor de mercado, el historial de desarrollo y la amplitud del mercado de sistemas operativos base.
Creemos que los marcos de IA serán el segmento de más rápido crecimiento en este ciclo, con un valor de mercado total de aproximadamente 1.7 mil millones de dólares que fácilmente podría crecer a 20 mil millones de dólares. Comparado con la valoración de Layer1 en su pico en 2021, este número podría seguir siendo conservador, ya que muchas evaluaciones de proyectos individuales superaron los 20 mil millones de dólares. Aunque los marcos mencionados sirven a diferentes mercados terminales (cadena/ecosistemas), dado que creemos que este segmento crecerá en su conjunto, adoptar un enfoque ponderado por la capitalización de mercado podría ser el más prudente.
Cuatro marcos principales
En la intersección de IA y Crypto, han surgido varios marcos destinados a acelerar el desarrollo de IA, incluidos Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO). Desde proyectos de comunidad de código abierto hasta soluciones empresariales centradas en el rendimiento, cada marco aborda diferentes necesidades y filosofías para el desarrollo de agentes.
En la tabla a continuación, hemos enumerado 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, su arquitectura técnica, algoritmos y características únicas con posibles casos de uso. Luego, compararemos cada marco en términos de facilidad de uso, escalabilidad, adaptabilidad y rendimiento, discutiendo sus ventajas y limitaciones.
Eliza
Eliza es un marco de simulación multi-agente de código abierto desarrollado por ai16z, diseñado para crear, desplegar y administrar agentes de IA autónomos. Está desarrollado en TypeScript, proporcionando una plataforma flexible y escalable para construir agentes inteligentes que puedan interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.
Las funciones clave de este marco incluyen: soporte para el despliegue y gestión simultánea de múltiples personalidades de IA únicas en una arquitectura de múltiples agentes; un sistema de roles para crear una variedad de agentes utilizando un marco de archivos de roles; y funciones de gestión de memoria que proporcionan memoria a largo plazo y contexto percibido a través de un avanzado sistema de generación mejorada por recuperación (RAG). Además, el marco de Eliza ofrece integración fluida entre plataformas, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
En términos de comunicación y funciones de medios de los agentes de IA, Eliza es una excelente opción. En cuanto a la comunicación, este marco soporta integración con las funciones de canales de voz de Discord, funciones de X, Telegram y acceso directo a API personalizadas para casos de uso específicos. Por otro lado, las capacidades de procesamiento de medios del marco se han ampliado para incluir la 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, lo que le permite manejar eficazmente diversos insumos y salidas de medios.
Eliza ofrece soporte flexible para modelos de IA, permitiendo razonamiento local utilizando modelos de código abierto, razonamiento basado en la nube a través de configuraciones predeterminadas como OpenAI y Nous Hermes Llama 3.1B, y soporte para la integración de Claude para manejar consultas complejas. Eliza adopta una arquitectura modular, con un amplio sistema de acciones, soporte para clientes personalizados y una API completa, garantizando escalabilidad y adaptabilidad entre aplicaciones.
Los casos de uso de Eliza abarcan múltiples áreas, como asistentes de IA relacionados con soporte al cliente, gestión comunitaria y tareas personales; como creadores de contenido automatizados, representantes de marcas y otros roles en redes sociales; además, puede funcionar como un trabajador del conocimiento, desempeñando funciones como asistente de investigación, analista de contenido y procesador de documentos; y también en formas de roles interactivos como robots de rol, tutores educativos y agentes de representación.
La arquitectura de Eliza está construida en torno a un runtime de agentes que se integra perfectamente con un sistema de roles (respaldado por proveedores de modelos), un gestor de memoria (conectado a bases de datos) y un sistema de acciones (vinculado a clientes de plataformas). Las características únicas de este marco incluyen un sistema de plugins que permite una expansión modular de funciones, soporte para interacciones multimodales como voz, texto y medios, y compatibilidad con modelos de IA líderes como Llama, GPT-4 y Claude. Con su diseño multifuncional y potente, Eliza se ha convertido en una herramienta poderosa para el desarrollo de aplicaciones de IA a través de dominios.
G.A.M.E
G.A.M.E, desarrollado por el equipo oficial de Virtuals, significa 'Framework de Entidades Multimodales Autónomas Generativas', 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 ofrece un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y los procesos de aprendizaje de los agentes de IA.
Los componentes centrales de G.A.M.E son los siguientes: primero, la 'Interfaz de Sugerencia de Agentes' es la entrada para que los desarrolladores integren G.A.M.E en los agentes para obtener el comportamiento del agente.
El 'subsistema de percepción' inicia la sesión al especificar parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes. Combina 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 reacción. El núcleo aquí es el 'módulo de procesamiento de diálogos', que se encarga de gestionar los mensajes y respuestas del agente, colaborando con el 'subsistema de percepción' para interpretar y responder efectivamente a las entradas.
El 'motor de planificación estratégica' trabaja en conjunto con el 'módulo de procesamiento de diálogos' y el 'operador de billetera en cadena' para generar respuestas y planes. Este motor opera en dos niveles: como planificador de alto nivel, creando estrategias amplias basadas en el contexto o los objetivos; y como estrategia de bajo nivel, transformando esas estrategias en políticas ejecutables, que se dividen aún más en planificadores de acciones (para tareas específicas) y ejecutores de planes (para llevar a cabo las tareas).
Un componente separado pero clave es el 'contexto del mundo', que hace referencia al entorno, la información del mundo y el estado del juego, proporcionando el contexto necesario para la toma de 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 moldean el 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 anteriores, resultados y planes actuales; en comparación, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, reciente y relevancia. Esta memoria almacena conocimiento sobre las experiencias del agente, reflexiones, personalidad dinámica, contexto del mundo y memoria de trabajo para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
Para aumentar el layout, el 'módulo de aprendizaje' obtiene datos del 'subsistema de percepción' para generar conocimiento general, el cual se retroalimenta al sistema para optimizar interacciones futuras. Los desarrolladores pueden ingresar retroalimentación sobre acciones, estado del juego y datos sensoriales a través de la interfaz para mejorar el aprendizaje de los agentes 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 agentes; el 'subsistema de percepción' procesa las entradas y las reenvía al 'módulo de procesamiento de diálogos', que gestiona la lógica de interacción; luego, el 'motor de planificación estratégica' formula y ejecuta planes basándose en esta información, utilizando estrategias de alto nivel y planificación de acciones detalladas.
Los datos provenientes del 'contexto del mundo' y 'biblioteca de agentes' proporcionan información para 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 resultados e integra nuevo conocimiento en el sistema, mejorando continuamente el comportamiento e interacción de los agentes.
Rig
Rig es un marco de código abierto basado en Rust, diseñado para simplificar el desarrollo de aplicaciones de modelos de lenguaje grandes (LLM). Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM (como OpenAI y Anthropic) y soporta varios almacenamientos vectoriales, incluyendo MongoDB y Neo4j. La arquitectura modular del marco cuenta con componentes centrales como la 'capa de abstracción del proveedor', 'integración de almacenamiento vectorial' y el 'sistema de agentes', facilitando la interacción fluida con LLM.
La audiencia principal de Rig incluye desarrolladores que construyen aplicaciones de IA/ML utilizando Rust, y la audiencia secundaria incluye organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento vectorial en sus aplicaciones de Rust. La biblioteca utiliza una estructura basada en espacios de trabajo, incorporando múltiples crates, logrando escalabilidad y gestión eficiente de proyectos. Las funcionalidades principales de Rig incluyen la 'capa de abstracción del proveedor', que estandariza las API utilizadas para completar y embebedar proveedores de LLM a través de un manejo de errores consistente; el componente de 'integración de almacenamiento vectorial' que proporciona una interfaz abstracta para múltiples backends y soporta búsqueda de similitud vectorial; y el 'sistema de agentes' que simplifica la interacción con LLM, soportando generación mejorada por recuperación (RAG) e integración de herramientas. Además, el marco de embebido proporciona capacidad de procesamiento por lotes y operaciones de embebido seguras en términos de tipos.
Rig aprovecha múltiples ventajas tecnológicas para garantizar confiabilidad y rendimiento. Las operaciones asíncronas utilizan el tiempo de ejecución asíncrono de Rust para manejar eficientemente una gran cantidad de solicitudes concurrentes; el mecanismo de manejo de errores inherente al marco mejora la capacidad de recuperación de fallos en proveedores de IA o en operaciones de bases de datos; la seguridad de tipos previene errores en tiempo de compilación, lo que mejora la mantenibilidad del código; procesos eficientes de serialización y deserialización ayudan a manejar datos en formatos como JSON, que son críticos para la comunicación y almacenamiento de servicios de IA; el registro y los instrumentos detallados ayudan aún más en la depuración y monitoreo de aplicaciones.
El flujo de trabajo en Rig comienza con el cliente iniciando una solicitud, que 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 los agentes pueden utilizar herramientas o acceder a almacenamiento vectorial para obtener contexto; se generan y refinan respuestas a través de flujos de trabajo complejos como RAG, que incluyen recuperación de documentos y comprensión del contexto, antes de regresar al cliente. Este sistema integra múltiples proveedores de LLM y almacenamiento vectorial, adaptándose a variaciones en la disponibilidad o rendimiento de los modelos.
Los casos de uso de Rig son diversos, incluyendo sistemas de respuesta a preguntas que recuperan documentos relevantes para proporcionar respuestas precisas, búsqueda y recuperación de documentos para descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que ofrecen interacciones contextualmente conscientes para servicio al cliente o educación. También soporta la generación de contenido, capaz de crear texto y otros materiales basados en patrones aprendidos, siendo una herramienta multifuncional para desarrolladores y organizaciones.
ZerePy
ZerePy es un marco de código abierto escrito en Python, diseñado para desplegar agentes en X utilizando OpenAI o Anthropic LLM. ZerePy proviene de la versión modular del backend de Zerebro, permitiendo a los desarrolladores iniciar agentes con funciones 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, siendo especialmente adecuado para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo de IA orientado al arte y aplicaciones descentralizadas.
Este marco está construido en el lenguaje Python, enfatizando la autonomía de los agentes, enfocándose en la generación de salidas creativas, en línea con la arquitectura + asociaciones de Eliza. Su diseño modular soporta la integración de sistemas de memoria, facilitando el despliegue de agentes en plataformas sociales. Sus características principales incluyen una interfaz de línea de comandos para la gestión de agentes, integración con X, soporte para OpenAI y Anthropic LLM, y un sistema de conexión modular para funciones mejoradas.
Los casos de uso de ZerePy abarcan la automatización de redes sociales, donde los usuarios pueden desplegar agentes de IA para publicar, responder, dar me gusta y compartir, aumentando la participación en la plataforma. Además, también es adecuado para la creación de contenido en áreas como música, notas y NFT, siendo una herramienta importante para el arte digital y plataformas de contenido basadas en blockchain.
Comparativa horizontal
En nuestra opinión, cada uno de los marcos mencionados ofrece un enfoque único para el desarrollo de IA, atendiendo a necesidades y entornos específicos, lo que hace que el debate se centre no solo en si estos marcos son competidores entre sí, sino en si cada marco puede proporcionar utilidad y valor únicos.
Eliza se destaca por su interfaz amigable, 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 gama de funciones puede presentar una curva de aprendizaje moderada. Sin embargo, por ser desarrollado en TypeScript, Eliza es muy adecuado para construir agentes que se integran en la web, dado que la mayoría de la infraestructura del frontend web está construida en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, capaz de desplegar agentes de IA con personalidades diversas en plataformas como Discord, X y Telegram. Su avanzado sistema RAG para gestión de memoria lo hace especialmente apto para construir asistentes de IA tipo soporte al cliente o redes sociales. Aunque ofrece flexibilidad, un fuerte apoyo comunitario y un rendimiento consistente entre plataformas, aún se encuentra en una etapa temprana, lo que puede representar una curva de aprendizaje para los desarrolladores.
G.A.M.E está diseñado específicamente para desarrolladores de juegos, proporcionando una interfaz de bajo código o sin código a través de API, facilitando el acceso a aquellos usuarios con niveles técnicos más bajos en el ámbito de los juegos. Sin embargo, se centra en el desarrollo de juegos y la integración blockchain, lo que puede resultar en una curva de aprendizaje empinada para quienes no tienen experiencia relacionada. Destaca en la generación de contenido programático y en el comportamiento de NPC, aunque también está limitado por su nicho y la complejidad adicional que conlleva la integración de blockchain.
Rig, debido a que utiliza el lenguaje Rust, puede no ser muy amigable para los usuarios debido a la complejidad de este lenguaje, lo que representa un gran desafío para el aprendizaje. Sin embargo, para aquellos que dominan la programación de sistemas, puede ofrecer una interacción intuitiva. En comparación con TypeScript, Rust es conocido por su rendimiento y seguridad de memoria. Tiene verificaciones estrictas en tiempo de compilación y abstracciones de costo cero, lo que es esencial para ejecutar algoritmos de inteligencia artificial complejos. La eficiencia y el bajo control del lenguaje lo convierten en una opción ideal para aplicaciones de IA que requieren muchos recursos. Este marco cuenta con un diseño modular y escalable, ofreciendo soluciones de alto rendimiento, lo que lo hace muy adecuado para aplicaciones empresariales. Sin embargo, para los desarrolladores no familiarizados con Rust, usar Rust conlleva una curva de aprendizaje pronunciada.
ZerePy utiliza el lenguaje Python, proporcionando una mayor accesibilidad para tareas de IA creativa. La curva de aprendizaje es baja para los desarrolladores de Python, especialmente para aquellos con experiencia en IA/ML, y debido a la popularidad de ZEREBRO, se puede contar con un fuerte apoyo de la comunidad. ZerePy destaca en aplicaciones creativas de IA, como NFT, y se posiciona como una poderosa herramienta en el ámbito de los medios digitales y el 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 marcos es la siguiente.
Eliza ha avanzado significativamente tras la actualización de la versión V2, introduciendo una línea de mensajes unificada y un marco central escalable, logrando una gestión eficiente a través de plataformas. Sin embargo, sin optimización, gestionar esta interacción multiplataforma podría plantear desafíos en términos de escalabilidad.
G.A.M.E se destaca en el procesamiento en tiempo real necesario para juegos, su escalabilidad puede ser gestionada a través de algoritmos eficientes y posibles sistemas distribuidos de blockchain, aunque puede verse limitada por motores de juego específicos o redes de blockchain.
El marco Rig puede aprovechar las ventajas de rendimiento de Rust para lograr una mejor escalabilidad, diseñado intrínsecamente para aplicaciones de alto rendimiento, lo que podría ser particularmente efectivo para implementaciones empresariales, aunque esto podría significar que se requieren configuraciones complejas para lograr una verdadera escalabilidad.
La escalabilidad de ZerePy está orientada hacia la producción creativa, respaldada por contribuciones de la comunidad, pero el enfoque de este marco podría limitar su aplicación en entornos de IA más amplios, y su escalabilidad podría ser puesta a prueba por la diversidad de tareas creativas en lugar de por la cantidad de usuarios.
En términos de aplicabilidad, Eliza lidera con su sistema de plugins y compatibilidad multiplataforma, seguida por G.A.M.E en el entorno de juegos y Rig para tareas de IA complejas. ZerePy ha mostrado una alta adaptabilidad en el ámbito creativo, pero no es tan adecuado en el campo más amplio de aplicaciones de IA.
En términos de rendimiento, los resultados de las pruebas de los cuatro marcos son los siguientes.
Eliza ha sido 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 juegos, aprovechando procesos de toma de decisiones eficientes y posibles operaciones de IA descentralizadas mediante blockchain.
Rig, basado en Rust, puede ofrecer un rendimiento sobresaliente para tareas de cálculo de alto rendimiento, adecuado para aplicaciones empresariales donde la eficiencia de cálculo es crucial.
El rendimiento de ZerePy está orientado a la creación de contenido creativo, con métricas centradas en la eficiencia y calidad de la generación de contenido, lo que puede no ser tan universal fuera del ámbito creativo.
Combinando el análisis integral de las ventajas y desventajas mencionadas, Eliza ofrece mejor flexibilidad y escalabilidad, y su sistema de plugins y configuración de roles le otorgan una gran adaptabilidad, lo que beneficia la interacción social de IA a través de múltiples plataformas; G.A.M.E puede ofrecer capacidades únicas de interacción en tiempo real en escenarios de juegos, y proporciona una novedosa participación de IA a través de la integración de blockchain; las ventajas de Rig radican en su rendimiento y escalabilidad, adecuándose a tareas de IA empresariales, además de centrarse en la simplicidad y modularidad del código para asegurar la salud a largo plazo del proyecto; Zerepy se destaca en cultivar la creatividad, liderando en aplicaciones de IA en arte digital, beneficiándose del modelo de desarrollo impulsado por una comunidad activa.
En resumen, cada marco tiene sus limitaciones. Eliza aún se encuentra en una etapa temprana y presenta posibles problemas de estabilidad, con una curva de aprendizaje larga para nuevos desarrolladores; el enfoque de nicho de G.A.M.E podría limitar sus aplicaciones más amplias, y la introducción de blockchain también agrega complejidad; la curva de aprendizaje de Rig es aún más pronunciada debido a la complejidad del lenguaje Rust, lo que podría desanimar a algunos desarrolladores; la atención estrecha de Zerepy hacia la producción creativa podría limitar su aplicación en otros campos de la inteligencia artificial.
Comparación de elementos clave
Rig (ARC)
Lenguaje: Rust, enfocado en la seguridad y rendimiento.
Caso de uso: Enfocado en eficiencia y escalabilidad, siendo la opción ideal para aplicaciones de IA empresariales.
Comunidad: Menos impulsada por la comunidad, más enfocada en desarrolladores técnicos.
Eliza (AI16Z)
Lenguaje: TypeScript, enfatizando la flexibilidad y participación de la comunidad en Web3.
Caso de uso: Diseñado específicamente para interacciones sociales, DAO y transacciones, enfatizando especialmente los sistemas multi-agente.
Comunidad: Altamente impulsada por la comunidad, con amplias conexiones en GitHub.
ZerePy (ZEREBRO):
Lenguaje: Python, más fácil de aceptar para una amplia gama de desarrolladores de IA.
Caso de uso: Adecuado para la automatización de redes sociales y tareas de agentes de IA más simples.
Comunidad: Relativamente nueva, pero con el potencial de crecimiento gracias a la popularidad de Python y el apoyo de los contribuyentes de ai16z.
G.A.M.E (VIRTUAL, GMAE):
Punto clave: Agentes de IA autónomos y adaptativos, capaces de evolucionar según las interacciones en entornos virtuales.
Caso de uso: Más adecuado para escenarios donde los agentes necesitan aprender y adaptarse, como juegos o mundos virtuales.
Comunidad: Innovadora, pero aún en proceso de determinar su posición en la competencia.
Crecimiento de datos de Github
El gráfico anterior muestra la evolución de los datos de estrellas en GitHub desde el lanzamiento de estos marcos. En general, las estrellas en GitHub pueden servir como indicadores 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, y comenzando a aumentar drásticamente a finales de noviembre, alcanzando ahora 6100 estrellas. Esto indica un rápido aumento del interés en torno a este marco, atrayendo la atención de los desarrolladores. El crecimiento exponencial indica que Eliza ha ganado una enorme atracción debido a sus funcionalidades, actualizaciones y participación de la comunidad, y su popularidad supera con creces a otros productos, lo que demuestra un fuerte apoyo de la comunidad y una mayor aplicabilidad o interés en la comunidad de inteligencia artificial.
Rig (línea azul): Rig es el marco más 'antiguo' de los cuatro, con un crecimiento de estrellas que es modesto pero estable, y ha visto un aumento notable en el último mes. Su número total de estrellas ha alcanzado 1700, pero sigue en una trayectoria ascendente. La acumulación estable de atención se debe a un desarrollo continuo, actualizaciones y un creciente grupo de usuarios. Esto puede reflejar que Rig todavía está acumulando reputación como marco.
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 repositorio de código.
G.A.M.E (línea verde): El número de estrellas de este marco es bajo, pero es importante destacar que este marco se puede aplicar directamente a los agentes en el ecosistema Virtual a través de API, por lo que no es necesario publicarlo en GitHub. Sin embargo, aunque este marco se hizo público hace poco más de un mes, ya hay más de 200 proyectos en construcción utilizando G.A.M.E.
Expectativas de actualización de marcos de IA
La versión 2.0 de Eliza incluirá la integración con el kit de herramientas de agentes de Coinbase. Todos los proyectos que utilizan Eliza obtendrán soporte para futuros TEE (entornos de ejecución confiables) nativos, permitiendo a los agentes operar en un entorno seguro. El centro de registro de plugins es una característica que se lanzará pronto en Eliza, permitiendo a los desarrolladores registrar e integrar plugins sin problemas.
Además, Eliza 2.0 soportará mensajería anónima automatizada entre plataformas. Se espera que el libro blanco de Tokenomics, programado para lanzarse el 1 de enero de 2025, tenga un impacto positivo en el token AI16Z que respalda el marco Eliza. ai16z planea seguir mejorando la utilidad de este marco, aprovechando los esfuerzos de sus principales contribuyentes para atraer talentos de alta calidad.
El marco de G.A.M.E proporciona integración sin código para los agentes, permitiendo que G.A.M.E y Eliza se utilicen simultáneamente en un solo proyecto, cada uno sirviendo a casos de uso específicos. Este enfoque se espera que atraiga a constructores que se centran en la lógica empresarial en lugar de en la complejidad técnica. Aunque este marco ha estado públicamente disponible solo por poco más de 30 días, ha hecho avances significativos con el esfuerzo del equipo para atraer a más contribuyentes. Se prevé que cada proyecto lanzado en VirtuaI adopte G.A.M.E.
El marco Rig, impulsado por el token ARC, tiene un potencial significativo, aunque su crecimiento está en una etapa temprana y los contratos de proyectos que impulsan la adopción de Rig han estado en línea solo por unos días. Sin embargo, se espera que pronto surjan proyectos de alta calidad que acompañen a ARC, similares al ciclo de Virtual, pero enfocados en Solana. El equipo de Rig es optimista sobre la colaboración con Solana y posiciona ARC como el Virtual de Solana. Es importante destacar que el equipo no solo incentiva nuevos proyectos que inicien con Rig, sino que también incentiva a los desarrolladores a mejorar el marco Rig en sí.
Zerepy es un marco recién lanzado, que está ganando mucha atención gracias a su colaboración con ai16z (el marco Eliza), atrayendo a contribuyentes de Eliza que están trabajando activamente en mejorar este marco. Zerepy cuenta con un ferviente apoyo impulsado por la comunidad ZEREBRO y está abriendo nuevas oportunidades para desarrolladores de Python que antes carecían de espacio en el competitivo campo de la infraestructura de IA. Se espera que este marco desempeñe un papel importante en el ámbito creativo de la IA.
