Fuente del artículo: Odaily Daily Planet
Este artículo es de: Deep Value Memetics
Compilado por｜Odaily Daily Planet (@OdailyChina)
Traductor｜Azuma (@azuma_eth)
Resumen de puntos clave
En este informe, discutimos el panorama del desarrollo de varios marcos dominantes en el ámbito de Crypto & AI. Examinamos los cuatro marcos principales actuales: Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO), analizando sus diferencias tecnológicas y potencial de desarrollo.
En la última semana, hemos analizado y probado los cuatro marcos mencionados, y el resumen de conclusiones es el siguiente.
Creemos que Eliza (con una cuota de mercado de aproximadamente 60%, y una capitalización de mercado de aproximadamente 900 millones de dólares en el momento de la redacción, alcanzando aproximadamente 1.4 mil millones de dólares al momento de publicar) continuará dominando la cuota de mercado. El valor de Eliza radica en su ventaja de ser el primero y en la adopción acelerada por parte de los desarrolladores, como lo demuestra la participación de 193 contribuyentes en Github, 1800 bifurcaciones y más de 6000 estrellas, convirtiéndola en una de las bibliotecas de software más populares en Github.
G.A.M.E (con una cuota de mercado de aproximadamente 20%, y una capitalización de mercado de aproximadamente 300 millones de dólares en el momento de la redacción, alcanzando aproximadamente 257 millones de dólares al momento de publicar) ha tenido un desarrollo muy fluido hasta ahora y también está experimentando una rápida adopción; como se indicó en el anuncio anterior de Virtuals Protocol, 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 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 en este ecosistema.
Rig (con una cuota de mercado de aproximadamente 15%, y una capitalización de mercado de aproximadamente 160 millones de dólares en el momento de la redacción, alcanzando aproximadamente 279 millones de dólares al momento de publicar) presenta un diseño modular muy atractivo y fácil de operar, con la esperanza de dominar en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente 5%, y una capitalización de mercado de aproximadamente 300 millones de dólares en el momento de la redacción, alcanzando aproximadamente 424 millones de dólares al momento de publicar) es una aplicación más de nicho, específica para una apasionada comunidad ZEREBRO, cuya reciente colaboración con la comunidad ai16z podría generar ciertos efectos de sinergia.
En las estadísticas anteriores, la 'cuota de mercado' considera de manera integral la capitalización de mercado, los registros de desarrollo y la amplitud del mercado terminal de sistemas operativos subyacentes.
Creemos que los marcos de IA se convertirán en el sector de más rápido crecimiento en este ciclo, y la capitalización total del sector, que actualmente es de aproximadamente 1.7 mil millones de dólares, crecerá fácilmente hasta 20 mil millones de dólares; comparado con la valoración de Layer1 en su pico en 2021, esta cifra puede seguir siendo conservadora, ya que muchos proyectos individuales de ese tiempo alcanzaron valoraciones superiores a 20 mil millones de dólares. Aunque los marcos mencionados sirven a diferentes mercados finales (cadena/ecosistemas), dado que creemos que este sector crecerá en su conjunto, adoptar un enfoque ponderado por capitalización de mercado puede ser relativamente más prudente.
Cuatro marcos
En la intersección de la IA y las criptomonedas, han surgido varios marcos destinados a acelerar el desarrollo de la IA, que incluyen Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO). Desde proyectos de la comunidad de código abierto hasta soluciones empresariales centradas en el rendimiento, cada marco atiende a diferentes necesidades y filosofías de desarrollo de agentes.
En la tabla siguiente, 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, sus arquitecturas tecnológicas, algoritmos y características únicas con posibles casos de uso. Luego, compararemos cada marco en base a usabilidad, escalabilidad, adaptabilidad y rendimiento, discutiendo sus ventajas y limitaciones.
Eliza
Eliza es un marco de simulación de múltiples agentes de código abierto desarrollado por ai16z, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Se desarrolló utilizando TypeScript como lenguaje de programación, proporcionando una plataforma flexible y escalable para construir agentes inteligentes que puedan interactuar con humanos en múltiples plataformas, manteniendo al mismo tiempo una personalidad y conocimiento consistentes.
Las funciones centrales de este marco incluyen: soporte para desplegar y gestionar múltiples personalidades de IA únicas a través de una arquitectura de múltiples agentes; crear un sistema de personajes para varios agentes utilizando un marco de archivos de personajes; y proporcionar gestión de memoria a largo plazo y contexto perceptible a través de un avanzado sistema de generación mejorada por recuperación (RAG). Además, el marco Eliza ofrece integración fluida en la plataforma, confiable con Discord, X y otras plataformas sociales.
En términos de comunicación y funciones de medios de los agentes de IA, Eliza es una excelente opción. En comunicación, este marco soporta la integración con funciones de canales de voz de Discord, funciones de X, Telegram y acceso directo a API para casos de uso personalizados. Por otro lado, las capacidades de procesamiento de medios de este marco se han ampliado 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, pudiendo manejar efectivamente diversas entradas y salidas de medios.
Eliza ofrece soporte flexible para modelos de IA, permitiendo razonamiento local utilizando modelos de código abierto, así como razonamiento basado en la nube mediante configuraciones predeterminadas como OpenAI y Nous Hermes Llama 3.1B, y soportando 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, asegurando escalabilidad y adaptabilidad entre aplicaciones.
Los casos de uso de Eliza abarcan múltiples áreas, como asistentes de IA relacionados con atención al cliente, gestión de comunidades y tareas personales; también puede actuar como creador de contenido automatizado, representante de marca y otros roles en redes sociales; además, puede desempeñar el papel de trabajador del conocimiento, actuando como asistente de investigación, analista de contenido y procesador de documentos; así como roles interactivos como robots de juegos de rol, tutores educativos y agentes de ventas.
La arquitectura de Eliza se construye alrededor de un tiempo de ejecución de agente que se integra sin problemas con un sistema de personajes (respaldado por proveedores de modelos), un gestor de memoria (conectado a bases de datos) y un sistema de acciones (conectado a clientes de plataforma). Las características únicas de este marco incluyen un sistema de plugins que permite la expansión funcional modular, soporte para interacciones multimodales como voz, texto y medios, así como compatibilidad con modelos de IA líderes como Llama, GPT-4 y Claude. Con su diseño versátil y robusto, Eliza se convierte en una poderosa herramienta para el desarrollo de aplicaciones de IA en diversos 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', y está 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 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 del agente' es la entrada donde los desarrolladores integran G.A.M.E en los agentes para obtener el comportamiento del agente.
El 'subsistema de percepción' inicia una sesión especificando parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes. Este combinará los mensajes entrantes en un formato adecuado para el 'motor de planificación estratégica', actuando como mecanismo de entrada sensorial para el agente de IA, ya sea en forma de diálogo o respuesta. Aquí, el núcleo es el 'módulo de procesamiento de diálogo', que se encarga de manejar mensajes y respuestas del agente y colabora con el 'subsistema de percepción' para interpretar y responder efectivamente a las entradas.
El 'motor de planificación estratégica' trabaja en colaboración con el 'módulo de procesamiento de diálogo' y el 'operador de billetera en cadena', generando 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 planificador de bajo nivel, convirtiendo esas estrategias en políticas ejecutables, subdividiéndolas aun más en planificadores de acciones (para especificar tareas) y ejecutores de planes (para llevar a cabo tareas).
Un componente separado pero clave es el 'contexto mundial', que hace referencia a la información ambiental, el estado del mundo y la información 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 configuran el comportamiento y el proceso de decisión 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 como importancia, recentidad y relevancia. Esta memoria almacena conocimiento sobre 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 de percepción' para generar conocimiento general, el cual se retroalimenta al sistema para optimizar futuras interacciones. Los desarrolladores pueden ingresar retroalimentación sobre acciones, estado del juego y datos sensoriales a través de la interfaz para mejorar el aprendizaje del agente de IA y aumentar sus capacidades de planificación y decisión.
El flujo de trabajo comienza con la interacción del desarrollador a través de la interfaz de sugerencias del agente; el 'subsistema de percepción' maneja 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 avanzadas y planificación de acciones detalladas.
Los datos de 'contexto mundial' 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 y integra nuevo conocimiento en el sistema, permitiendo que el comportamiento e interacción de los agentes se mejore continuamente.
Rig
Rig es un marco de código abierto basado en Rust, diseñado para simplificar el desarrollo de aplicaciones de modelos de lenguaje grandes (LLM). Ofrece una interfaz unificada para interactuar con varios proveedores de LLM (como OpenAI y Anthropic), y admite varios almacenamiento de vectores, incluidos MongoDB y Neo4j. La arquitectura modular de este marco incluye componentes clave como 'capa de abstracción de proveedores', 'integración de almacenamiento de vectores' y 'sistema de agentes', facilitando la interacción sin problemas con los LLM.
El público principal de Rig incluye desarrolladores que construyen aplicaciones de IA/ML utilizando Rust, con un público secundario que incluye organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento de vectores en sus aplicaciones de Rust. El repositorio utiliza una estructura basada en espacios de trabajo, que contiene múltiples crates, logrando escalabilidad y gestión eficiente de proyectos. Las principales funciones de Rig incluyen la 'capa de abstracción de proveedores', que estandariza las API utilizadas para completar e integrar proveedores de LLM mediante un manejo de errores consistente; el componente de 'integración de almacenamiento de vectores' proporciona una interfaz de abstracción para múltiples backends, y soporta búsqueda de similitud de vectores; y el 'sistema de agentes' simplifica la interacción con LLM, apoyando la generación mejorada por recuperación (RAG) y la integración de herramientas. Además, el marco de integración proporciona capacidades de procesamiento por lotes y operaciones de integración seguras en tipos.
Rig utiliza múltiples ventajas tecnológicas para garantizar confiabilidad y rendimiento. Las operaciones asincrónicas aprovechan el runtime asincrónico de Rust para manejar de manera eficiente un gran número de solicitudes concurrentes; el mecanismo de manejo de errores inherente al marco mejora la recuperación de fallos de proveedores de IA o de 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, lo cual es crítico para la comunicación y almacenamiento de servicios de IA; y los registros detallados y paneles ayudan adicionalmente 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 de proveedores', interactuando con el modelo LLM correspondiente; luego, los datos son procesados por la capa central, donde el agente puede utilizar herramientas o acceder al almacenamiento de vectores para obtener contexto; generando y perfeccionando respuestas a través de flujos de trabajo complejos como RAG, que incluye recuperación de documentos y comprensión de contexto, para finalmente devolverle al cliente. Este sistema integra varios proveedores de LLM y almacenamiento de vectores, adaptándose a la disponibilidad de modelos o cambios en el rendimiento.
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 un descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que ofrecen interacciones contextuales para atención al cliente o educación. También soporta 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 LLM de OpenAI o Anthropic. ZerePy se basa en una versión modular del backend de Zerebro, permitiendo a los desarrolladores iniciar agentes con capacidades similares a las funciones centrales de Zerebro. Aunque este marco proporciona una base para el despliegue de agentes, se requiere ajustar el modelo para generar un output creativo. ZerePy simplifica el desarrollo y despliegue de agentes de IA personalizados, particularmente para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo de IA enfocado en el arte y aplicaciones descentralizadas.
Este marco está construido con el lenguaje Python, enfatizando la autonomía de los agentes, centrándose en la generación de salidas creativas, en consonancia con la arquitectura de Eliza + asociaciones. Su diseño modular soporta la integración de sistemas de memoria, facilitando el despliegue de agentes en plataformas sociales. Sus principales características 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 mejoras funcionales.
Los casos de uso de ZerePy abarcan la automatización en 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 a la creación de contenido en música, recordatorios y NFT, siendo una herramienta crucial en el arte digital y plataformas de contenido basadas en blockchain.
Comparación horizontal
Desde nuestra perspectiva, 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 no se limite a si estos marcos son competidores entre sí, sino que se centre en si cada marco puede proporcionar utilidad y valor únicos.
Eliza se destaca por su interfaz amigable para el usuario, especialmente adecuada para desarrolladores familiarizados con entornos JavaScript y Node.js. Su documentación integral ayuda a establecer agentes de IA en diversas plataformas, aunque su rica colección de funciones 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 web del frontend está construida con TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, capaz de desplegar diversos agentes de personalidad de IA en plataformas como Discord, X y Telegram. Su avanzado sistema RAG para la gestión de memoria lo hace especialmente adecuado para construir asistentes de IA para atención al cliente o aplicaciones de redes sociales. Aunque ofrece flexibilidad, un sólido soporte comunitario y un rendimiento consistente en múltiples plataformas, todavía se encuentra en una etapa temprana, lo que podría representar una curva 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, lo que facilita el acceso a usuarios con habilidades técnicas más bajas en el campo de los juegos. Sin embargo, se centra en el desarrollo de juegos e integración de blockchain, lo que puede representar una curva de aprendizaje pronunciada para aquellos sin experiencia relacionada. Se destaca en la generación de contenido programático y el comportamiento de NPC, pero también está limitado por su nicho y la complejidad adicional de la integración de blockchain.
Rig, debido a su uso del lenguaje Rust, puede ser menos amigable para los usuarios debido a la complejidad de dicho lenguaje, lo que plantea grandes desafíos de aprendizaje, aunque 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 chequeos estrictos en tiempo de compilación y abstracción de costo cero, lo cual es necesario para ejecutar algoritmos de inteligencia artificial complejos. Las características de eficiencia y bajo control del lenguaje lo convierten en una opción ideal para aplicaciones de IA que consumen muchos recursos. Este marco cuenta con un diseño modular y escalable, capaz de ofrecer soluciones de alto rendimiento, siendo muy adecuado para aplicaciones empresariales. Sin embargo, para los desarrolladores no familiarizados con el lenguaje Rust, usar Rust puede llevar a una pronunciada curva de aprendizaje.
ZerePy utiliza el lenguaje Python, proporcionando una mayor accesibilidad para tareas creativas de IA. Para desarrolladores de Python, especialmente aquellos con antecedentes de IA/ML, la curva de aprendizaje es baja, y debido a la popularidad de ZEREBRO, se puede contar con un fuerte apoyo comunitario. ZerePy se destaca en aplicaciones creativas de IA, como NFT, y se posiciona como una poderosa herramienta en los campos de medios digitales y arte. Aunque es excepcional en aspectos creativos, su rango de aplicación es relativamente más estrecho en comparación con otros marcos.
En cuanto a la escalabilidad, la comparación de los cuatro marcos es la siguiente.
Eliza ha logrado avances significativos tras la actualización de la versión V2, introduciendo una línea de mensajes unificada y un marco central escalable, logrando una gestión eficiente en múltiples plataformas. Sin embargo, si no se optimiza, gestionar esta interacción multiplataforma puede presentar desafíos de escalabilidad.
G.A.M.E se especializa en el procesamiento en tiempo real necesario para los juegos, su escalabilidad puede ser gestionada a través de algoritmos eficientes y sistemas distribuidos de blockchain potenciales, aunque puede verse restringida por limitaciones de motores de juego específicos o redes blockchain.
El marco Rig puede aprovechar las ventajas de rendimiento de Rust para lograr una mejor escalabilidad, diseñado intrínsecamente para aplicaciones de alto rendimiento, esto puede ser especialmente efectivo para implementaciones a nivel empresarial, aunque esto puede significar que la verdadera escalabilidad requiere configuraciones complejas.
La escalabilidad de ZerePy se centra en la producción creativa y cuenta con el apoyo de contribuciones comunitarias, aunque el enfoque del marco puede limitar su aplicación en un entorno de inteligencia artificial más amplio, su escalabilidad puede ser puesta a prueba por la diversidad de tareas creativas en lugar del número de usuarios.
En términos de aplicabilidad, Eliza lidera con su sistema de plugins y compatibilidad multiplataforma, seguida de G.A.M.E en entornos de juego y Rig en tareas complejas de IA. ZerePy muestra alta adaptabilidad en el ámbito creativo, pero es menos aplicable en un rango más amplio de aplicaciones de IA.
En términos de rendimiento, los resultados de las pruebas de los cuatro marcos son los siguientes.
Eliza está optimizado 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 procesos de decisión eficientes y posibles operaciones de IA descentralizadas mediante blockchain.
Rig se basa en Rust, ofreciendo un rendimiento excepcional para tareas de cálculo de alto rendimiento, adecuado para aplicaciones empresariales donde la eficiencia computacional es crítica.
El rendimiento de ZerePy está centrado en la creación de contenido creativo, sus métricas se centran en la eficiencia y calidad de la generación de contenido, lo cual puede no ser tan aplicable fuera del ámbito creativo.
Combinando el análisis de las ventajas y desventajas mencionadas, Eliza ofrece mejor flexibilidad y escalabilidad, su sistema de plugins y configuración de personajes le otorgan gran adaptabilidad, favoreciendo la interacción de inteligencia artificial social a través de múltiples plataformas; G.A.M.E puede proporcionar capacidades únicas de interacción en tiempo real en escenarios de juego, y ofrece participación novedosa a través de la integración de blockchain; las ventajas de Rig radican en su rendimiento y escalabilidad, adecuado para tareas de IA a nivel empresarial, y se enfoca en la simplicidad y modularidad del código para garantizar el desarrollo sostenible a largo plazo de los proyectos; Zerepy se destaca en fomentar la creatividad, ocupando una posición de liderazgo en aplicaciones de IA en arte digital, respaldada por un modelo de desarrollo comunitario vibrante.
En resumen, cada marco tiene sus limitaciones. Eliza aún se encuentra en una etapa temprana, con posibles problemas de estabilidad y una curva de aprendizaje prolongada para nuevos desarrolladores; G.A.M.E es limitado por su enfoque de nicho, lo que puede restringir su aplicación más amplia, y la introducción de blockchain añade complejidad; la curva de aprendizaje de Rig es más pronunciada debido a la complejidad del lenguaje Rust, lo que puede disuadir a algunos desarrolladores; Zerepy puede estar limitado en sus aplicaciones en otros campos de inteligencia artificial debido a su enfoque restringido en la producción creativa.
Comparación de elementos clave
Rig (ARC)
Lenguaje: Rust, enfocado en seguridad y rendimiento.
Casos de uso: Enfocado en eficiencia y escalabilidad, lo que lo convierte en una opción 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 comunitaria de Web3.
Casos de uso: Diseñado específicamente para interacciones sociales, DAO y transacciones, con un fuerte énfasis en sistemas de múltiples agentes.
Comunidad: Altamente impulsada por la comunidad, con amplias conexiones con GitHub.
ZerePy (ZEREBRO):
Lenguaje: Python, más accesible para una amplia gama de desarrolladores de IA.
Casos 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 contribuyentes de ai16z.
G.A.M.E (VIRTUAL, GMAE):
Punto clave: Agentes de IA autónomos y adaptativos que pueden evolucionar según interacciones en entornos virtuales.
Casos de uso: Más adecuados para escenarios donde los agentes necesitan aprender y adaptarse, como en juegos o mundos virtuales.
Comunidad: Innovadora, pero aún determinando su posición dentro de la competencia.
Crecimiento de datos de Github
El gráfico anterior muestra la evolución de los datos de estrellas en GitHub desde que se lanzaron estos marcos. En general, las estrellas en GitHub pueden servir como un indicador del interés de la comunidad, popularidad del proyecto y valor percibido del mismo.
Eliza (línea roja): El gráfico muestra un crecimiento notable y estable en la cantidad de estrellas del marco, comenzando desde una base baja en julio, con un aumento exponencial que comenzó 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 sugiere que Eliza ha ganado gran atractivo debido a su funcionalidad, actualizaciones y participación comunitaria, su popularidad supera con creces a otros productos, indicando un fuerte apoyo de la comunidad y una aplicabilidad o interés más amplio dentro de la comunidad de inteligencia artificial.
Rig (línea azul): Rig es el más 'antiguo' de los cuatro marcos, con un crecimiento moderado y estable en sus estrellas, aunque ha aumentado notablemente en el último mes. Su total de estrellas ha alcanzado 1700, pero sigue en una trayectoria ascendente. La acumulación estable de atención se debe al desarrollo continuo, actualizaciones y el crecimiento de su base de usuarios. Esto puede reflejar que Rig es un marco que aún está acumulando reputación.
ZerePy (línea amarilla): ZerePy se lanzó hace unos días, y su número de estrellas ha crecido a 181. Cabe destacar que ZerePy necesita más desarrollo para mejorar 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): Este marco tiene un bajo número de estrellas, pero vale la pena mencionar que se puede aplicar directamente a los agentes en el ecosistema Virtual a través de API, por lo que no es necesario publicar en Github. Sin embargo, aunque este marco solo se hizo accesible a los constructores hace poco más de un mes, ya hay más de 200 proyectos utilizando G.A.M.E para sus construcciones.
Expectativas de actualización del marco de IA
La versión 2.0 de Eliza incluirá integración con el paquete de herramientas de agentes de Coinbase. Todos los proyectos que utilicen Eliza obtendrán soporte para el futuro entorno TEE (entorno de ejecución confiable), permitiendo que los agentes operen en un entorno seguro. Un centro de registro de plugins (Plugin Registry) es una característica que se lanzará próximamente en Eliza, que permitirá 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, que se publicará el 1 de enero de 2025, tenga un impacto positivo en el token AI16Z que respalda el marco Eliza. Ai16z planea seguir fortaleciendo la utilidad de este marco y atraer talento de alta calidad aprovechando los esfuerzos de sus principales contribuyentes.
El marco G.A.M.E proporciona integración sin código para los agentes, permitiendo el uso simultáneo de G.A.M.E y Eliza 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 de negocio en lugar de la complejidad técnica. Aunque el marco ha estado disponible públicamente por poco más de 30 días, ha logrado un progreso significativo con el apoyo de un equipo que busca atraer a más contribuyentes. Se espera 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 se encuentra en una etapa temprana, el plan de contratos para impulsar la adopción de Rig ha estado en línea solo durante unos días. Sin embargo, se prevé que pronto emerjan proyectos de alta calidad acompañados de ARC, similares al volante de Virtual, pero centrados en Solana. El equipo de Rig es optimista sobre su colaboración con Solana, posicionando a ARC como el Virtual de Solana. Es importante mencionar 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 debido a su colaboración con ai16z (el marco Eliza), atrayendo a contribuyentes de Eliza que están trabajando activamente para mejorar el marco. Zerepy cuenta con un ferviente apoyo impulsado por la comunidad ZEREBRO y está abriendo nuevas oportunidades para desarrolladores de Python que anteriormente carecían de espacio para sobresalir en el competitivo campo de la infraestructura de IA. Se espera que este marco juegue un papel importante en el aspecto creativo de la IA.