Texte original : Deep Value Memetics ; Traducteur : Azuma
Résumé des points clés
Dans ce rapport, nous discutons des principaux frameworks émergents dans le domaine de la Crypto & AI. Nous examinerons les quatre principaux frameworks actuels - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO) - en analysant leurs différences techniques et leur potentiel de développement.
Au cours de la semaine dernière, nous avons analysé et testé les quatre principaux frameworks ci-dessus, et voici un aperçu des conclusions.
Nous pensons qu'Eliza (environ 60% de part de marché, avec une valorisation d'environ 900 millions de dollars au moment de la rédaction originale, et environ 1,4 milliard de dollars au moment de la publication) continuera de dominer la part de marché. La valeur d'Eliza réside dans son avantage d'être le premier sur le marché et l'adoption accélérée par les développeurs, comme le prouvent les 193 contributeurs sur GitHub, 1800 forks et plus de 6000 étoiles, faisant d'Eliza l'une des bibliothèques logicielles les plus populaires sur GitHub.
G.A.M.E (environ 20% de part de marché, avec une valorisation d'environ 300 millions de dollars au moment de la rédaction originale, et environ 257 millions de dollars au moment de la publication) a connu un développement très positif jusqu'à présent et connaît également une adoption rapide, comme l'a annoncé le protocole Virtuals précédemment, avec plus de 200 projets construits sur G.A.M.E, et des requêtes quotidiennes dépassant 150 000, avec un taux de croissance hebdomadaire supérieur à 200%. G.A.M.E continuera de bénéficier d'une explosion de VIRTUAL et pourrait devenir l'un des plus grands gagnants de cet écosystème.
Rig (environ 15% de part de marché, avec une valorisation d'environ 160 millions de dollars au moment de la rédaction originale, et environ 279 millions de dollars au moment de la publication) se distingue par son design modulaire, très attrayant et facile à manipuler, et devrait se positionner en tant que leader dans l'écosystème Solana (RUST).
Zerepy (environ 5% de part de marché, avec une valorisation d'environ 300 millions de dollars au moment de la rédaction originale, et environ 424 millions de dollars au moment de la publication) est une application plus de niche, spécifique à une communauté ZEREBRO enthousiaste, et sa récente collaboration avec la communauté ai16z pourrait générer certaines synergies.
Dans les statistiques ci-dessus, la "part de marché" a été calculée en tenant compte de la capitalisation boursière, des antécédents de développement et de l'étendue du marché terminal du système d'exploitation sous-jacent.
Nous croyons que les frameworks IA deviendront le secteur à la croissance la plus rapide de ce cycle, avec une capitalisation totale d'environ 1,7 milliard de dollars qui pourrait facilement croître jusqu'à 20 milliards de dollars, ce qui peut sembler conservateur par rapport à l'évaluation de 200 milliards de dollars atteinte lors du pic de 2021, lorsque de nombreux projets uniques avaient atteint des évaluations supérieures à 20 milliards de dollars. Bien que les frameworks mentionnés ci-dessus servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous croyons que ce secteur connaîtra une croissance globale, adopter une approche pondérée en fonction de la capitalisation boursière peut être la plus prudente.
Les quatre principaux frameworks
À l'intersection de l'IA et de la Crypto, plusieurs frameworks visant à accélérer le développement de l'IA ont émergé, dont Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Des projets de la communauté open source aux solutions d'entreprise axées sur la performance, chaque framework répond à des besoins et philosophies différents en matière de développement d'agents.
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, composants et avantages de chaque framework.
Ce rapport se concentrera d'abord sur ce que sont ces frameworks, les langages de programmation qu'ils utilisent, leur architecture technique, leurs algorithmes et les fonctionnalités uniques avec des cas d'utilisation potentiels. Ensuite, nous comparerons chaque framework en fonction de leur facilité d'utilisation, évolutivité, adaptabilité et performance, tout en discutant de leurs avantages et limitations.
Eliza
Eliza est un framework open source de simulation multi-agents développé par ai16z, visant à créer, déployer et gérer des agents IA autonomes. Il est développé en TypeScript comme langage de programmation, offrant une plateforme flexible et évolutive pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes tout en maintenant une personnalité et une connaissance cohérentes.
Les fonctionnalités clés de ce framework incluent : le support de déploiement et de gestion simultanés de plusieurs personnalités IA uniques grâce à une architecture multi-agents ; la création d'un système de rôles diversifiés pour des agents via un cadre de fichiers de rôles ; et la fourniture de capacités de gestion de mémoire à long terme et de contexte perceptible grâce à un système avancé de génération améliorée par la récupération (RAG). De plus, le framework Eliza offre une intégration fluide sur les plateformes, permettant des connexions fiables avec Discord, X et d'autres plateformes de médias sociaux.
En termes de communication et de fonctionnalités multimédias des agents IA, Eliza est un excellent choix. En matière de communication, le framework prend en charge l'intégration avec les fonctionnalités de canaux vocaux de Discord, X, Telegram et l'accès API direct pour des cas d'utilisation personnalisés. D'autre part, les capacités de traitement multimédia du framework se sont étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu de liens, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, permettant de gérer efficacement divers entrées et sorties multimédias.
Eliza offre un support flexible des modèles IA, permettant un raisonnement local via des modèles open source, un raisonnement basé sur le cloud avec des configurations par défaut telles qu'OpenAI et Nous Hermes Llama 3.1 B, et prend en charge l'intégration de Claude pour gérer des requêtes complexes. Eliza adopte une architecture modulaire, avec un large système d'actions, un support client personnalisé et une API complète, garantissant évolutivité et adaptabilité entre les applications.
Les cas d'utilisation d'Eliza couvrent plusieurs domaines, tels que les assistants IA liés au support client, à la gestion de communauté, aux tâches personnelles ; des créateurs de contenu automatisés, des représentants de marque et d'autres rôles sur les médias sociaux ; elle peut également agir comme un travailleur du savoir, jouant des rôles tels qu'assistant de recherche, analyste de contenu et gestionnaire de documents ; ainsi que des rôles interactifs sous forme de robots de jeu de rôle, de mentors éducatifs et d'agents d'interaction.
L'architecture d'Eliza est construite autour d'un runtime d'agent, qui peut s'intégrer de manière transparente aux systèmes de rôles (supportés par les fournisseurs de modèles), au gestionnaire de mémoire (connecté à une base de données) et au système d'actions (connecté aux clients de la plateforme). Les fonctionnalités uniques du framework incluent un système de plugins permettant d'étendre des fonctionnalités modulaires, prenant en charge des interactions multimodales telles que la voix, le texte et les médias, et la compatibilité avec des modèles IA de premier plan tels que Llama, GPT-4 et Claude. Avec sa conception polyvalente et puissante, Eliza devient un outil puissant pour le développement d'applications IA interdomaines.
G.A.M.E
G.A.M.E est développé par l'équipe officielle de Virtuals, qui signifie "Le Framework des Entités Multimodales Autonomes Génératives", visant à fournir aux développeurs des API et des SDK pour expérimenter avec des agents IA. Ce framework offre une méthode structurée pour gérer le comportement, la prise de décision et le processus d'apprentissage des agents IA.
Les composants clés de G.A.M.E sont les suivants : d'abord, l'"interface de suggestion d'agents" est le point d'entrée pour les développeurs intégrant G.A.M.E dans les agents pour obtenir des comportements d'agents.
Le "sous-système de perception" initie la session en spécifiant des paramètres tels que l'ID de session, l'ID d'agent, l'utilisateur et d'autres détails pertinents. Il syntétise les messages entrants dans un format approprié pour le "moteur de planification stratégique", servant de mécanisme d'entrée sensorielle pour l'agent IA, que ce soit sous forme de dialogue ou de réaction. Le cœur ici est le "module de traitement des dialogues", chargé de traiter les messages et les réponses de l'agent et collaborant avec le "sous-système de perception" pour interpréter et répondre efficacement aux entrées.
Le "moteur de planification stratégique" travaille en collaboration avec le "module de traitement des dialogues" et l'"opérateur de portefeuille blockchain", générant des réponses et des plans. Le moteur fonctionne à deux niveaux : en tant que planificateur avancé, créant des stratégies larges en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, transformant ces stratégies en politiques exécutables, subdivisées en planificateurs d'actions (pour spécifier des tâches) et exécuteurs de plans (pour réaliser des tâches).
Un composant distinct mais clé est le "contexte mondial", qui référence l'environnement, les informations mondiales et l'état du jeu, fournissant le contexte nécessaire aux décisions de l'agent. De plus, la "bibliothèque d'agents" est utilisée pour stocker des attributs à long terme tels que les objectifs, la réflexion, l'expérience et la personnalité, qui façonnent collectivement le comportement et le processus décisionnel de l'agent. Le framework utilise un "mémoire de travail à court terme" et un "processeur de mémoire à long terme" - la mémoire à court terme conserve des informations pertinentes sur des actions, résultats et plans précédents ; en comparaison, le processeur de mémoire à long terme extrait des informations clés basées sur des critères tels que l'importance, la récence et la pertinence. Ce type de mémoire stocke des connaissances sur l'expérience, la réflexion, la personnalité dynamique, le contexte mondial et la mémoire de travail de l'agent pour améliorer la prise de décision et fournir une base pour l'apprentissage.
Pour accroître la mise en page, le "module d'apprentissage" extrait des données du "sous-système de perception" pour générer des connaissances générales, qui sont retournées au système pour optimiser les interactions futures. Les développeurs peuvent entrer des retours sur les actions, l'état du jeu et les données sensorielles via l'interface pour améliorer l'apprentissage de l'agent IA et augmenter sa capacité de planification et de prise de décision.
Le flux de travail commence par l'interaction des développeurs via l'interface de suggestion d'agents ; le "sous-système de perception" traite les entrées et les transfère au "module de traitement des dialogues", qui gère la logique d'interaction ; ensuite, le "moteur de planification stratégique" établit et exécute des plans en fonction de ces informations, en utilisant des stratégies avancées et une planification d'actions détaillée.
Les données provenant du "contexte mondial" et de la "bibliothèque d'agents" fournissent des informations pour ces processus, tandis que la mémoire de travail suit les tâches immédiates. En même temps, le "processeur de mémoire à long terme" stocke et récupère des connaissances au fil du temps. Le "module d'apprentissage" analyse les résultats et intègre de nouvelles connaissances dans le système, permettant d'améliorer continuellement le comportement et les interactions de l'agent.
Rig
Rig est un framework open source basé sur Rust, conçu pour simplifier le développement d'applications de modèles de langage de grande taille (LLM). Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM (comme OpenAI et Anthropic) et prend en charge divers stockages vectoriels, y compris MongoDB et Neo 4j. L'architecture modulaire du framework comprend des composants clés tels que la "couche d'abstraction des fournisseurs", l'intégration du stockage vectoriel et le "système d'agents", facilitant l'interaction transparente des LLM.
Rig cible principalement les développeurs construisant des applications IA/ML en Rust, tandis que le public secondaire inclut les organisations cherchant à intégrer plusieurs fournisseurs de LLM et stockages vectoriels dans leurs applications Rust. Le dépôt est organisé selon une structure basée sur des espaces de travail, comportant plusieurs crates, permettant l'évolutivité et la gestion efficace des projets. Les principales fonctionnalités de Rig incluent la "couche d'abstraction des fournisseurs" (Provider Abstraction Layer), qui standardise les API utilisées pour compléter et intégrer les fournisseurs de LLM grâce à une gestion des erreurs cohérente ; le composant d'"intégration du stockage vectoriel" fournissant une interface abstraite pour plusieurs backends et supportant la recherche de similarité vectorielle ; et le "système d'agents" simplifiant l'interaction avec les LLM, prenant en charge la génération améliorée par la récupération (RAG) et l'intégration d'outils. De plus, le framework d'intégration offre des capacités de traitement en lots et des opérations d'intégration sûres au niveau des types.
Rig utilise plusieurs avantages techniques pour assurer fiabilité et performance. Les opérations asynchrones exploitent le runtime asynchrone de Rust pour gérer efficacement un grand nombre de requêtes simultanées ; le mécanisme de gestion des erreurs inhérent au framework améliore la capacité de récupération des pannes des fournisseurs d'IA ou des opérations de base de données ; la sécurité de type prévient les erreurs à la compilation, augmentant ainsi la maintenabilité du code ; des processus de sérialisation et de désérialisation efficaces aident à gérer des données au format JSON, crucial pour la communication et le stockage des services IA ; une journalisation détaillée et des tableaux de bord aident également au débogage et à la surveillance des applications.
Le flux de travail dans Rig commence par une requête initiée par le client, le flux de requêtes passant par la "couche d'abstraction des fournisseurs", interagissant avec le modèle LLM approprié ; ensuite, les données sont traitées par la couche centrale, où les agents peuvent utiliser des outils ou accéder à des stockages vectoriels pour obtenir du contexte ; des réponses sont générées et raffinées à travers des flux de travail complexes tels que RAG, qui incluent la récupération de documents et la compréhension du contexte, avant d'être renvoyées au client. Ce système intègre plusieurs fournisseurs de LLM et stockages vectoriels, s'adaptant aux changements de disponibilité ou de performance des modèles.
Les cas d'utilisation de Rig sont variés, y compris la récupération de documents pertinents pour fournir des réponses précises dans les systèmes de questions-réponses, la recherche et la récupération de documents pour découvrir efficacement du contenu, et les chatbots ou assistants virtuels fournissant des interactions contextuellement sensibles pour le service client ou l'éducation. Il prend également en charge la génération de contenu, capable de créer des textes et d'autres matériaux basés sur des modèles appris, en faisant un outil polyvalent pour les développeurs et les organisations.
ZerePy
ZerePy est un framework open source écrit en Python, conçu pour déployer des agents utilisant OpenAI ou Anthropic LLM sur X. ZerePy est dérivé d'une version modulaire de l'arrière-plan Zerebro, permettant aux développeurs de démarrer des agents avec des fonctionnalités similaires à celles du noyau de Zerebro. Bien que ce framework fournisse une base pour le déploiement des agents, il est nécessaire de peaufiner les modèles pour générer des résultats créatifs. ZerePy simplifie le développement et le déploiement d'agents IA personnalisés, en particulier pour la création de contenu sur les plateformes sociales, favorisant un écosystème créatif IA axé sur l'art et les applications décentralisées.
Ce framework est construit en Python, mettant l'accent sur l'autonomie des agents et la génération de productions créatives, en cohérence avec l'architecture + partenariats d'Eliza. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire, facilitant le déploiement d'agents sur les plateformes sociales. Ses principales fonctionnalités incluent une interface de ligne de commande pour la gestion des agents, l'intégration avec X, le support des LLM d'OpenAI et d'Anthropic, ainsi qu'un système de connexion modulaire pour améliorer les fonctionnalités.
Les cas d'utilisation de ZerePy couvrent l'automatisation des médias sociaux, permettant aux utilisateurs de déployer des agents IA pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur les plateformes. De plus, il est également applicable à la création de contenu dans des domaines tels que la musique, les mémos et les NFT, représentant un outil important pour l'art numérique et les plateformes de contenu basées sur la blockchain.
Comparaison horizontale
À notre avis, chacun des frameworks ci-dessus offre une approche unique au développement IA, répondant à des besoins et environnements spécifiques, ce qui rend le débat moins centré sur la concurrence entre ces frameworks et plus sur leur capacité à fournir une utilité et une valeur uniques.
Eliza se distingue par son interface conviviale, particulièrement adaptée aux développeurs familiers avec JavaScript et l'environnement Node.js. Sa documentation complète aide à la configuration des agents IA sur diverses plateformes, bien que sa riche gamme de fonctionnalités puisse présenter une courbe d'apprentissage modérée, Eliza est particulièrement bien adaptée à la construction d'agents intégrés dans le web, étant donné que la plupart des infrastructures front-end sont construites avec TypeScript. Le framework est connu pour son architecture multi-agents, capable de déployer des agents de personnalité IA diversifiés sur des plateformes telles que Discord, X et Telegram. Son système avancé de RAG pour la gestion de la mémoire le rend particulièrement adapté à la construction d'assistants IA pour le support client ou les applications sur les réseaux sociaux. Bien qu'il offre flexibilité, un fort soutien communautaire et des performances multiplateformes cohérentes, il est encore à un stade précoce, ce qui peut représenter une courbe d'apprentissage pour les développeurs.
G.A.M.E est conçu pour les développeurs de jeux, offrant une interface à faible code ou sans code via API, facilitant l'accès à ceux qui ont un niveau technique faible dans le domaine des jeux. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui peut présenter une courbe d'apprentissage raide pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu programmatique et le comportement des PNJ, mais est également limité par son domaine de spécialisation et la complexité supplémentaire lorsqu'il s'agit d'intégrer la blockchain.
Rig, en utilisant le langage Rust, peut être peu convivial en raison de la complexité de ce langage, ce qui représente un défi d'apprentissage, mais pour ceux qui maîtrisent la programmation système, il peut fournir une interaction intuitive. Comparé à TypeScript, Rust est connu pour sa performance et sa sécurité mémoire. Il dispose de vérifications strictes à la compilation et d'abstractions à coût zéro, nécessaires pour exécuter des algorithmes IA complexes. Les caractéristiques efficaces et à faible contrôle de ce langage en font un choix idéal pour les applications IA gourmandes en ressources. Le framework adopte une conception modulaire et évolutive, offrant des solutions de haute performance, particulièrement adaptées aux applications d'entreprise. Cependant, pour les développeurs non familiers avec le langage Rust, l'utilisation de Rust peut entraîner une courbe d'apprentissage raide.
ZerePy, écrit en Python, offre une plus grande accessibilité pour les tâches IA créatives. Pour les développeurs Python, en particulier ceux ayant un arrière-plan IA/ML, la courbe d'apprentissage est plus douce, et avec la popularité de ZEREBRO, un soutien communautaire solide est disponible. ZerePy excelle dans les applications IA créatives telles que les NFT, et le framework se positionne également comme un puissant outil dans le domaine des médias numériques et de l'art. Bien qu'il excelle dans le domaine créatif, son champ d'application est relativement étroit par rapport aux autres frameworks.
En termes d'évolutivité, la comparaison des quatre principaux frameworks est la suivante.
Eliza a fait des progrès significatifs depuis sa mise à jour V2, introduisant une ligne de message unifiée et un cadre central évolutif, permettant une gestion efficace multiplateforme. Cependant, sans optimisation, la gestion de cette interaction multi-plateforme pourrait poser des défis en matière d'évolutivité.
G.A.M.E excelle dans le traitement en temps réel requis par les jeux, et son évolutivité peut être gérée par des algorithmes efficaces et un système décentralisé basé sur la blockchain, mais peut être limité par des moteurs de jeu spécifiques ou des réseaux blockchain.
Le framework Rig peut tirer parti des avantages de performance de Rust pour une meilleure évolutivité, étant conçu nativement pour des applications à fort débit, ce qui peut être particulièrement efficace pour des déploiements au niveau entreprise, bien que cela puisse signifier que pour réaliser une véritable évolutivité, une configuration complexe soit nécessaire.
L'évolutivité de ZerePy est orientée vers la production créative, soutenue par des contributions communautaires, mais l'accent mis par ce framework pourrait limiter son utilisation dans des environnements d'intelligence artificielle plus larges, et son évolutivité pourrait être mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.
En termes d'applicabilité, Eliza, avec son système de plugins et sa compatibilité multiplateforme, est en tête, suivie de G.A.M.E dans les environnements de jeu et de Rig pour les tâches IA complexes. ZerePy montre une grande adaptabilité dans le domaine créatif, mais peut être moins applicable dans des domaines IA plus larges.
En termes de performance, les résultats des tests des quatre principaux frameworks sont les suivants.
Eliza est optimisée pour les interactions rapides sur les médias sociaux, mais sa performance peut varier lors de la gestion de tâches de calcul plus complexes.
G.A.M.E se concentre sur des interactions en temps réel à haute performance dans les scénarios de jeu, capable d'exploiter des processus décisionnels efficaces et des opérations IA décentralisées potentielles via la blockchain.
Rig, basé sur Rust, peut fournir d'excellentes performances pour des tâches de calcul haute performance, idéal pour des applications d'entreprise où l'efficacité des calculs est cruciale.
Les performances de ZerePy sont axées sur la création de contenu créatif, avec des indicateurs centrés sur l'efficacité et la qualité de la génération de contenu, ce qui peut ne pas être très applicable en dehors du domaine créatif.
En combinant l'analyse des avantages et des inconvénients ci-dessus, Eliza offre une meilleure flexibilité et évolutivité, son système de plugins et la configuration des rôles lui confèrent une forte adaptabilité, favorisant les interactions sociales IA multiplateformes ; G.A.M.E peut offrir des capacités d'interaction en temps réel uniques dans des scénarios de jeu, et introduire une participation IA innovante par le biais de l'intégration blockchain ; l'avantage de Rig réside dans sa performance et son évolutivité, idéal pour des tâches IA au niveau entreprise, tout en mettant l'accent sur la simplicité et la modularité du code pour assurer la santé à long terme des projets ; Zerepy excelle dans la stimulation de la créativité, se plaçant à l'avant-garde des applications IA en arts numériques, soutenu par un modèle de développement communautaire dynamique.
En résumé, chaque framework a ses limitations. Eliza est encore à un stade précoce, avec des problèmes de stabilité potentiels, et une courbe d'apprentissage plus longue pour les nouveaux développeurs ; le point d'intérêt de niche de G.A.M.E pourrait limiter son application plus large, et l'introduction de la blockchain ajoute de la complexité ; la courbe d'apprentissage de Rig est plus raide en raison de la complexité du langage Rust, ce qui pourrait décourager certains développeurs ; Zerepy est limité dans son application dans d'autres domaines IA en raison de son attention étroite à la production créative.
Résumé des éléments de comparaison clés
Rig (ARC) :
Langage : Rust, axé sur la sécurité et la performance.
Cas d'utilisation : axé sur l'efficacité et l'évolutivité, idéal pour les applications IA au niveau entreprise.
Communauté : moins axée sur la communauté, davantage sur les développeurs techniques.
Eliza (AI16Z) :
Langage : TypeScript, mettant l'accent sur la flexibilité de Web3 et la participation de la communauté.
Cas d'utilisation : conçu pour l'interaction sociale, les DAO et le trading, avec un accent particulier sur les systèmes multi-agents.
Communauté : fortement axée sur la communauté, avec de vastes liens avec GitHub.
ZerePy (ZEREBRO) :
Langage : Python, plus facilement adopté par un groupe plus large de développeurs IA.
Cas d'utilisation : adapté à l'automatisation des médias sociaux et à des tâches d'agent IA relativement simples.
Communauté : relativement nouvelle, mais prometteuse pour la croissance grâce à la popularité de Python et au soutien des contributeurs d'ai16z.
G.A.M.E (VIRTUAL, GMAE) :
Point focal : agents IA autonomes et adaptatifs, capables d'évoluer en fonction des interactions dans des environnements virtuels.
Cas d'utilisation : le mieux adapté à des scénarios où les agents doivent apprendre et s'adapter, tels que les jeux ou les mondes virtuels.
Communauté : innovante, mais encore en train de définir sa place dans la concurrence.
Croissance des données GitHub
Le tableau ci-dessus montre les changements dans les données de stars sur GitHub depuis le lancement de ces frameworks. En général, les étoiles sur GitHub peuvent servir d'indicateur de l'intérêt de la communauté, de la popularité du projet et de la valeur perçue du projet.
Eliza (ligne rouge) : le graphique montre que le nombre d'étoiles de ce framework a considérablement augmenté et suit une tendance stable, commençant à partir d'une faible base en juillet, avec une forte augmentation à partir de fin novembre, atteignant maintenant 6100 étoiles. Cela indique un intérêt croissant autour de ce framework, attirant l'attention des développeurs. La croissance exponentielle indique qu'Eliza a gagné une immense attraction grâce à ses fonctionnalités, mises à jour et participation communautaire, sa popularité surpassant largement celle des autres produits, ce qui témoigne d'un fort soutien communautaire et d'une plus grande applicabilité ou intérêt dans la communauté IA.
Rig (ligne bleue) : Rig est le framework le plus "ancien" des quatre, avec une augmentation modeste mais stable du nombre d'étoiles, et une croissance notable au cours du dernier mois. Son nombre total d'étoiles est actuellement de 1700, mais il est toujours sur une trajectoire ascendante. L'accumulation stable de l'attention est attribuée à un développement continu, des mises à jour et une base d'utilisateurs en expansion. Cela pourrait refléter que Rig est un framework qui est encore en train de construire sa réputation.
ZerePy (ligne jaune) : ZerePy a été lancé il y a quelques jours et a déjà atteint 181 étoiles. Il est important de noter que ZerePy a besoin de plus de développement pour améliorer sa visibilité et son taux d'adoption, et sa collaboration avec ai16z pourrait attirer davantage de contributeurs à son code.
G.A.M.E (ligne verte) : le nombre d'étoiles de ce framework est relativement faible, mais il est important de noter que ce framework peut être directement appliqué aux agents dans l'écosystème Virtual via API, donc sans nécessité de publication sur GitHub. Cependant, bien que ce framework n'ait été rendu public qu'il y a un peu plus d'un mois, plus de 200 projets sont déjà en train de construire avec G.A.M.E.
Les attentes de mise à niveau des frameworks IA
La version 2.0 d'Eliza inclura l'intégration avec le kit d'outils d'agents Coinbase. Tous les projets utilisant Eliza bénéficieront d'un support pour les TEE (environnements d'exécution de confiance) natifs à l'avenir, permettant aux agents d'opérer dans un environnement sécurisé. Le registre des plugins (Plugin Registry) est une fonctionnalité à venir d'Eliza, permettant aux développeurs d'enregistrer et d'intégrer des plugins sans effort.
De plus, Eliza 2.0 prendra en charge la messagerie anonyme automatisée multiplateforme. Le livre blanc sur la Tokenomics, prévu pour le 1er janvier 2025 (propositions pertinentes publiées), devrait avoir un impact positif sur le token AI16Z soutenant le framework Eliza. Ai16z prévoit de continuer à renforcer l'utilité de ce cadre et d'attirer des talents qualifiés grâce aux efforts de ses principaux contributeurs.
Le framework G.A.M.E offre une intégration sans code pour les agents, permettant l'utilisation simultanée de G.A.M.E et d'Eliza dans un seul projet, chacun servant des cas d'utilisation spécifiques. Cette approche devrait attirer des constructeurs se concentrant sur la logique métier plutôt que sur la complexité technique. Bien que ce framework ait été rendu public il y a seulement 30 jours, il a déjà réalisé des progrès significatifs grâce aux efforts de l'équipe pour attirer davantage de contributeurs. Chaque projet lancé sur VirtualI devrait adopter G.A.M.E.
Le framework Rig, alimenté par le token ARC, a un potentiel significatif, bien que sa croissance soit encore à un stade précoce, et le plan de contrat de projet pour promouvoir l'adoption de Rig n'ait été lancé que depuis quelques jours. Cependant, des projets de haute qualité utilisant ARC devraient apparaître bientôt, semblables au Virtual Flywheel, mais axés sur Solana. L'équipe de Rig est optimiste quant à sa collaboration avec Solana, positionnant ARC comme le Virtual de Solana. Il est à noter que l'équipe incite non seulement les nouveaux projets à utiliser Rig, mais également les développeurs à renforcer le framework Rig lui-même.
Zerepy est un nouveau framework qui, grâce à sa collaboration avec ai16z (framework Eliza), attire une attention considérable. Ce framework a attiré des contributeurs d'Eliza qui travaillent activement à son amélioration. Zerepy bénéficie d'un soutien enthousiaste de la communauté ZEREBRO et ouvre de nouvelles opportunités pour les développeurs Python qui n'ont pas pu s'épanouir dans le domaine concurrentiel des infrastructures IA. Ce framework devrait jouer un rôle important dans les aspects créatifs de l'IA.