Cet article vient de : Deep Value Memetics

Compilation | Odaily Planet Daily (@OdailyChina)

Traducteur | Azuma (@azuma_eth)

Résumé des points clés

Dans ce rapport, nous discutons du paysage de développement des principaux frameworks dans le domaine de Crypto & AI. Nous allons examiner les quatre principaux frameworks actuels - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), et analyser leurs différences techniques et leur potentiel de développement.

Au cours de la semaine dernière, nous avons analysé et testé les quatre grands frameworks ci-dessus, et voici un résumé des conclusions.

  • Nous pensons qu'Eliza (avec une part de marché d'environ 60 %, une capitalisation boursière d'environ 900 millions de dollars au moment de la rédaction de l'auteur, et d'environ 1,4 milliard de dollars au moment de la publication) continuera à dominer la part de marché. La valeur d'Eliza réside dans son avantage de premier arrivé et l'adoption accélérée par les développeurs, comme le prouve les 193 contributeurs sur Github, les 1800 forks et les plus de 6000 étoiles, faisant d'elle l'un des dépôts les plus populaires sur GitHub.

  • G.A.M.E (part de marché d'environ 20 %, capitalisation boursière d'environ 300 millions de dollars au moment de la rédaction de l'auteur, et d'environ 257 millions de dollars au moment de la publication) a connu un développement très prometteur jusqu'à présent et connaît une adoption rapide, comme l'annonce antérieure du Virtuals Protocol l'a signalé, avec plus de 200 projets déjà construits sur G.A.M.E, avec plus de 150 000 requêtes quotidiennes et un taux de croissance hebdomadaire de plus de 200 %. G.A.M.E continuera de bénéficier de l'explosion de VIRTUAL et pourrait devenir l'un des plus grands gagnants de cet écosystème.

  • Rig (part de marché d'environ 15 %, capitalisation boursière d'environ 160 millions de dollars au moment de la rédaction de l'auteur, et d'environ 279 millions de dollars au moment de la publication) présente une conception modulaire très attrayante et facile à utiliser, avec des perspectives de domination dans l'écosystème Solana (RUST).

  • Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars au moment de la rédaction de l'auteur, et d'environ 424 millions de dollars au moment de la publication) est une application plus de niche, spécifique à une communauté ZEREBRO passionnée, dont la récente collaboration avec la communauté ai16z pourrait produire des effets de synergie.

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 des systèmes d'exploitation de base.

Nous croyons que les frameworks d'IA deviendront le secteur à la croissance la plus rapide dans ce cycle, avec une capitalisation boursière totale d'environ 1,7 milliard de dollars qui pourrait facilement atteindre 20 milliards de dollars. Comparé à l'évaluation des Layer1 au pic de 2021, ce chiffre peut encore sembler conservateur - à l'époque, de nombreux projets individuels avaient des évaluations dépassant 20 milliards de dollars. Bien que les frameworks mentionnés servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous pensons que ce secteur va croître dans son ensemble, adopter une approche de pondération par capitalisation boursière pourrait être relativement prudent.

Quatre grands frameworks

À l'intersection de l'IA et de la crypto, plusieurs frameworks destinés à accélérer le développement de l'IA ont émergé, notamment Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Des projets communautaires 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, les composants et les 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 leurs fonctionnalités uniques avec des cas d'utilisation potentiels. Ensuite, nous comparerons chaque framework en fonction de leur facilité d'utilisation, de leur évolutivité, de leur adaptabilité et de leur performance, tout en discutant de leurs avantages et de leurs limites.

Eliza

Eliza est un framework open source de simulation multi-agents développé par ai16z, conçu pour créer, déployer et gérer des agents d'IA autonomes. Il est développé en TypeScript, offrant une plateforme flexible et extensible pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes tout en maintenant une personnalité et des connaissances cohérentes.

Les fonctionnalités clés de ce framework incluent : une architecture multi-agents prenant en charge le déploiement et la gestion simultanés de plusieurs personnalités AI uniques ; un système de rôles pour créer une diversité d'agents à l'aide de fichiers de rôles ; la gestion de la mémoire à long terme et du contexte perceptible via un système avancé de génération améliorée par récupération (RAG). De plus, le framework Eliza offre une intégration fluide, permettant une connexion fiable avec Discord, X et d'autres plateformes de médias sociaux.

En ce qui concerne les fonctionnalités de communication et médiatiques des agents d'IA, Eliza est un excellent choix. En termes de communication, ce framework prend en charge l'intégration avec les fonctionnalités de canal vocal de Discord, les fonctionnalités de X, Telegram, ainsi qu'un accès direct à l'API pour des cas d'utilisation personnalisés. D'autre part, les fonctionnalités de traitement des médias du framework se sont étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu lié, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, ce qui permet de gérer efficacement divers médias d'entrée et de sortie.

Eliza propose un support flexible pour les modèles d'IA, permettant l'inférence locale à l'aide de modèles open source, l'inférence basée sur le cloud via des configurations par défaut comme OpenAI et Nous Hermes Llama 3.1B, et prend en charge l'intégration de Claude pour traiter des requêtes complexes. Eliza adopte une architecture modulaire, avec un vaste système d'actions, un support client personnalisé et une API complète, garantissant son extensibilité et son adaptabilité entre les applications.

Les cas d'utilisation d'Eliza couvrent plusieurs domaines, tels que les assistants d'IA liés au support client, à la gestion communautaire et aux tâches personnelles ; des créateurs de contenu automatisés, des représentants de marques et d'autres rôles sur les réseaux sociaux ; elle peut également agir en tant que travailleur du savoir, jouant des rôles tels qu'assistant de recherche, analyste de contenu et gestionnaire de documents ; ainsi que des rôles interactifs tels que des robots de jeu de rôle, des mentors éducatifs et des agents de référence.

L'architecture d'Eliza est construite autour d'un runtime d'agent, pouvant s'intégrer sans couture avec un système de rôles (soutenu par des fournisseurs de modèles), un gestionnaire de mémoire (connecté à une base de données) et un système d'actions (connecté aux clients de la plateforme). Les fonctionnalités uniques de ce framework incluent un système de plugins permettant des extensions de fonctionnalités modulaires, prenant en charge des interactions multimodales telles que la voix, le texte et les médias, ainsi qu'une compatibilité avec des modèles d'IA de premier plan comme Llama, GPT-4 et Claude. Grâce à sa conception polyvalente et robuste, Eliza est un puissant outil pour le développement d'applications d'IA interdomaines.

G.A.M.E

G.A.M.E est développé par l'équipe officielle de Virtuals, signifiant 'Le Cadre des Entités Multimodales Autonomes Génératives', conçu pour fournir aux développeurs des interfaces API et des SDK pour expérimenter avec des agents d'IA. Ce framework propose une approche structurée pour gérer le comportement, les décisions et les processus d'apprentissage des agents d'IA.

  • Les composants clés de G.A.M.E sont les suivants : d'abord, l'interface de suggestion des agents (Agent Prompting Interface) est le point d'entrée pour les développeurs qui intègrent G.A.M.E dans les agents pour obtenir le comportement des agents.

  • Le 'sous-système de perception' initie une session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents. Il synthétise les messages entrants dans un format approprié pour le 'moteur de planification stratégique', agissant comme un mécanisme d'entrée sensorielle pour l'agent d'IA, que ce soit sous forme de dialogue ou de réaction. Le cœur ici est le 'module de traitement des dialogues', chargé de gérer les messages et réponses provenant des agents, 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 le 'gestionnaire de portefeuille blockchain' pour générer des réponses et des plans. Ce moteur fonctionne à deux niveaux : en tant que planificateur de haut niveau, il crée des stratégies larges selon le contexte ou les objectifs ; en tant que stratégie de bas niveau, il transforme ces stratégies en politiques exécutables, se décomposant davantage en planificateurs d'actions (pour spécifier des tâches) et des exécutants de plans (pour exécuter des tâches).

  • Un composant distinct mais clé est le 'contexte mondial', qui fait référence à l'environnement, aux informations sur le monde et à l'état du jeu, fournissant le contexte nécessaire aux décisions des agents. De plus, la 'bibliothèque des agents' est utilisée pour stocker des attributs à long terme tels que les objectifs, la réflexion, l'expérience et la personnalité, qui façonnent ensemble le comportement et le processus de décision des agents. Ce framework utilise la 'mémoire de travail à court terme' et le 'processeur de mémoire à long terme' - la mémoire à court terme conserve des informations pertinentes sur les actions précédentes, les résultats et les plans en cours ; en revanche, le processeur de mémoire à long terme extrait des informations clés selon des critères tels que l'importance, la récence et la pertinence. Cette mémoire stocke des connaissances sur l'expérience des agents, la réflexion, la personnalité dynamique, le contexte mondial et la mémoire de travail pour améliorer la prise de décision et fournir une base pour l'apprentissage.

  • Pour augmenter la mise en page, le 'module d'apprentissage' obtient des données du 'sous-système de perception' pour générer des connaissances générales, qui sont renvoyées au système pour optimiser les interactions futures. Les développeurs peuvent fournir des retours via l'interface sur les actions, l'état du jeu et les données sensorielles pour améliorer l'apprentissage de l'agent d'IA et renforcer ses capacités de planification et de prise de décision.

Le flux de travail commence par l'interaction du développeur via l'interface de suggestion des agents ; le 'sous-système de perception' traite les entrées et les transmet au 'module de traitement des dialogues', qui gère la logique d'interaction ; ensuite, le 'moteur de planification stratégique' élabore et exécute des plans basés sur ces informations, en utilisant des stratégies avancées et une planification d'actions détaillée.

Les données provenant du 'contexte mondial' et de la 'bibliothèque des 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 une amélioration continue du comportement et des interactions des agents.

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 LLM (comme OpenAI et Anthropic) et prend en charge divers stockages vectoriels, y compris MongoDB et Neo4j. L'architecture modulaire de ce framework comprend des composants clés tels que la 'couche d'abstraction des fournisseurs', 'l'intégration de stockage vectoriel' et 'le système d'agents', facilitant les interactions sans faille avec les LLM.

Le public principal de Rig inclut les développeurs construisant des applications AI/ML en Rust, tandis que le public secondaire comprend les organisations cherchant à intégrer plusieurs fournisseurs LLM et stockages vectoriels dans leurs applications Rust. La bibliothèque utilise une structure basée sur des espaces de travail, contenant plusieurs crates, permettant évolutivité et gestion de projet efficace. Les principales fonctionnalités de Rig incluent la 'couche d'abstraction des fournisseurs', qui standardise les API utilisées pour compléter et intégrer les fournisseurs LLM grâce à une gestion d'erreurs cohérente ; le composant d'intégration de stockage vectoriel fournit une interface abstraite pour plusieurs backends et prend en charge la recherche de similarité vectorielle ; le 'système d'agents' simplifie les interactions LLM, prenant en charge la génération améliorée par récupération (RAG) et l'intégration d'outils. De plus, le framework d'intégration offre des capacités de traitement par lots et des opérations d'intégration sécurisées par type.

Rig utilise plusieurs avantages technologiques pour garantir la fiabilité et la performance. Les opérations asynchrones exploitent l'exécution asynchrone de Rust pour traiter efficacement un grand nombre de requêtes concurrentes ; le mécanisme de gestion des erreurs intégré au framework améliore la capacité de récupération en cas de défaillance de fournisseur d'IA ou d'opération de base de données ; la sécurité des types empêche les erreurs à la compilation, améliorant ainsi la maintenabilité du code ; des processus de sérialisation et de désérialisation efficaces aident à traiter des données au format JSON, essentielles pour la communication et le stockage des services d'IA ; une journalisation et des tableaux de bord détaillés aident en outre à déboguer et à surveiller les applications.

Le flux de travail dans Rig commence par une demande initiée par le client, le flux de demande traverse la 'couche d'abstraction des fournisseurs', interagissant avec le modèle LLM correspondant ; ensuite, les données sont traitées par la couche centrale, où l'agent peut utiliser des outils ou accéder au stockage vectoriel pour obtenir du contexte ; des réponses sont générées et perfectionnées à travers des flux de travail complexes comme RAG, incluant la récupération de documents et la compréhension du contexte, avant d'être renvoyées au client. Ce système intègre plusieurs fournisseurs LLM et stockages vectoriels, s'adaptant à la disponibilité ou aux variations de performance des modèles.

Les cas d'utilisation de Rig sont variés, y compris des systèmes de réponse aux questions qui récupèrent des documents pertinents pour fournir des réponses précises, la recherche et la récupération de documents pour une découverte de contenu efficace, ainsi que des chatbots ou assistants virtuels fournissant des interactions contextuellement conscientes pour le service client ou l'éducation. Il prend également en charge la génération de contenu, capable de créer du texte et d'autres matériaux basés sur des modèles appris, ce qui en fait 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 provient d'une version modulaire du backend Zerebro, permettant aux développeurs de lancer des agents avec des fonctionnalités similaires à celles du cœur de Zerebro. Bien que ce framework fournisse une base pour le déploiement des agents, un ajustement du modèle est nécessaire pour produire des résultats créatifs. ZerePy simplifie le développement et le déploiement d'agents d'IA personnalisés, particulièrement adaptés à la création de contenu sur les plateformes sociales, favorisant un écosystème créatif d'IA axé sur l'art et les applications décentralisées.

Ce framework est construit en Python, mettant l'accent sur l'autonomie des agents, se concentrant sur la génération de productions créatives, en accord avec l'architecture d'Eliza + les partenariats. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire, facilitant le déploiement des agents sur les plateformes sociales. Ses principales fonctionnalités incluent une interface en 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 réseaux sociaux, permettant aux utilisateurs de déployer des agents d'IA pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur la plateforme. De plus, il est également adapté à la création de contenu dans des domaines tels que la musique, les mémos et les NFT, faisant de lui un outil essentiel dans le domaine de l'art numérique et des plateformes de contenu basées sur la blockchain.

Comparaison horizontale

À notre avis, chaque framework mentionné ci-dessus offre une approche unique au développement de l'IA, répondant à des besoins et environnements spécifiques, ce qui rend le débat moins centré sur la concurrence entre ces frameworks et plus sur la question de savoir si chaque framework peut offrir une utilité et une valeur uniques.

  • Eliza se démarque par son interface conviviale, particulièrement adaptée aux développeurs familiers avec JavaScript et Node.js. Sa documentation complète facilite la mise en place d'agents d'IA sur diverses plateformes, bien que son ensemble de fonctionnalités riche puisse présenter une courbe d'apprentissage modérée, mais du fait de l'utilisation de TypeScript, Eliza est très adaptée à la construction d'agents intégrés dans le web, puisque la plupart des infrastructures frontales du web sont construites avec TypeScript. Ce framework est connu pour son architecture multi-agents, capable de déployer des agents à personnalité AI diversifiée sur plusieurs plateformes comme Discord, X et Telegram. Son système RAG avancé pour la gestion de la mémoire le rend particulièrement adapté à la construction d'assistants IA pour le support client ou les applications de médias sociaux. Bien qu'il offre flexibilité, un solide soutien communautaire et des performances cohérentes multiplateformes, il est encore à un stade précoce et pourrait poser une courbe d'apprentissage pour les développeurs.

  • G.A.M.E est conçu pour les développeurs de jeux et offre une interface à faible code ou sans code via une API, facilitant l'accès aux utilisateurs ayant un niveau technique relativement bas dans le domaine du jeu. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui peut présenter une courbe d'apprentissage abrupte pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu programmatique et le comportement des NPC, mais est également limité par son domaine de spécialisation et la complexité supplémentaire qui existe lors de l'intégration de la blockchain.

  • Rig, en raison de l'utilisation du langage Rust, peut être peu convivial pour les utilisateurs à cause de la complexité du langage, ce qui représente un grand défi d'apprentissage. Cependant, pour ceux qui maîtrisent la programmation système, il peut offrir une interaction intuitive. Comparé à TypeScript, Rust est connu pour sa performance et sa sécurité mémoire. Il présente des vérifications strictes à la compilation et une abstraction à coût nul, ce qui est nécessaire pour exécuter des algorithmes d'intelligence artificielle complexes. L'efficacité et le faible contrôle de ce langage en font un choix idéal pour les applications d'IA gourmandes en ressources. Ce framework adopte une conception modulaire et extensible, offrant des solutions haute performance, particulièrement adaptées aux applications d'entreprise. Toutefois, pour les développeurs non familiers avec le langage Rust, l'utilisation de Rust peut entraîner une courbe d'apprentissage abrupte.

  • ZerePy utilise le langage Python, offrant une plus grande accessibilité pour les tâches d'IA créatives. Pour les développeurs Python, en particulier ceux ayant un background en IA/ML, la courbe d'apprentissage est faible, et grâce à la popularité de ZEREBRO, un solide soutien communautaire est disponible. ZerePy excelle dans les applications d'IA créatives telles que les NFT, et se positionne également comme un puissant outil dans le domaine des médias numériques et de l'art. Bien qu'il excelle dans la créativité, son champ d'application est relativement étroit comparé à d'autres frameworks.

En termes d'évolutivité, la comparaison entre les quatre grands frameworks est la suivante.

  • Eliza a réalisé des progrès significatifs après la mise à jour de la version V2, introduisant une ligne de message unifiée et un cadre central extensible, permettant une gestion efficace multiplateforme. Cependant, sans optimisation, gérer cette interaction multi-plateforme pourrait poser des défis d'évolutivité.

  • G.A.M.E excelle dans le traitement en temps réel requis par les jeux, son évolutivité pouvant être gérée par des algorithmes efficaces et des systèmes distribués potentiels basés sur la blockchain, bien qu'elle puisse être contrainte par des moteurs de jeu ou des réseaux blockchain spécifiques.

  • Le framework Rig peut tirer parti des avantages de performance de Rust pour réaliser une meilleure évolutivité, étant conçu dès le départ pour des applications à fort débit, ce qui pourrait être particulièrement efficace pour le déploiement à l'échelle d'entreprise, bien que cela puisse signifier qu'un véritable niveau d'évolutivité nécessite une configuration complexe.

  • L'évolutivité de ZerePy est axée sur la production créative, soutenue par des contributions communautaires, mais l'accent mis par ce framework pourrait limiter son utilisation dans des environnements d'IA plus larges, son évolutivité étant mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.

En termes d'applicabilité, Eliza surpasse de loin avec son système de plugins et sa compatibilité multiplateforme, suivie de G.A.M.E dans un environnement de jeu et de Rig pour des tâches d'IA complexes. ZerePy a montré une grande adaptabilité dans le domaine créatif, mais est moins applicable dans des domaines d'application d'IA plus larges.

En termes de performance, les résultats des tests des quatre grands frameworks sont les suivants.

  • Eliza est optimisée pour les interactions rapides sur les réseaux sociaux, mais peut afficher des performances variables lors du traitement de tâches de calcul plus complexes.

  • G.A.M.E se concentre sur l'interaction en temps réel à haute performance dans les scénarios de jeu, capable d'exploiter des processus décisionnels efficaces et d'éventuelles opérations d'IA décentralisées via la blockchain.

  • Rig, basé sur Rust, peut offrir d'excellentes performances pour les tâches de calcul haute performance, adapté aux applications d'entreprise où l'efficacité de calcul est primordiale.

  • Les performances de ZerePy sont axées sur la création de contenus créatifs, ses indicateurs étant centrés sur l'efficacité et la qualité de la génération de contenu, et peuvent être moins universels en dehors du domaine créatif.

En combinant une analyse des forces et des faiblesses susmentionnées, Eliza offre une meilleure flexibilité et évolutivité, son système de plugins et sa configuration de rôles lui confèrent une forte adaptabilité, favorisant les interactions sociales d'IA multiplateforme ; G.A.M.E peut fournir une capacité d'interaction en temps réel unique dans les scénarios de jeu et a introduit une participation AI novatrice via l'intégration de la blockchain ; les avantages de Rig résident dans sa performance et son évolutivité, adaptés aux tâches d'IA de niveau entreprise, en mettant l'accent sur la simplicité et la modularité du code pour garantir la santé à long terme des projets ; Zerepy excelle dans la stimulation de la créativité, étant à l'avant-garde des applications d'IA dans l'art numérique, soutenu par un modèle de développement communautaire dynamique.

En résumé, chaque framework a ses limites. Eliza est encore à ses débuts, avec des problèmes de stabilité potentiels et une courbe d'apprentissage longue pour les nouveaux développeurs ; le focus de niche de G.A.M.E pourrait limiter son application plus large, et l'introduction de la blockchain pourrait également accroître la complexité ; la courbe d'apprentissage de Rig est plus abrupte en raison de la complexité du langage Rust, ce qui pourrait décourager certains développeurs ; l'attention étroite de Zerepy sur la production créative pourrait restreindre son utilisation dans d'autres domaines de l'IA.

Analyse 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 d'IA de niveau entreprise.

  • Communauté : moins axée sur la communauté, davantage sur les développeurs techniques.

Eliza (AI16Z)

  • Langage : TypeScript, soulignant la flexibilité de Web3 et l'engagement communautaire.

  • Cas d'utilisation : spécifiquement conçu pour l'interaction sociale, les DAO et le trading, avec un accent particulier sur les systèmes multi-agents.

  • Communauté : hautement pilotée par la communauté, avec des liens étroits avec GitHub.

ZerePy (ZEREBRO) :

  • Langage : Python, plus facilement accepté par une communauté de développeurs IA plus large.

  • Cas d'utilisation : adapté à l'automatisation des réseaux sociaux et à des tâches d'agents IA plus simples.

  • Communauté : relativement nouvelle, mais devrait croître grâce à la popularité de Python et au soutien des contributeurs ai16z.

G.A.M.E (VIRTUAL, GMAE) :

  • Point clé : agent d'IA autonome et adaptatif, capable d'évoluer en fonction des interactions dans un environnement virtuel.

  • Cas d'utilisation : le plus adapté aux scénarios où les agents doivent apprendre et s'adapter, comme dans les jeux ou les mondes virtuels.

  • Communauté : innovante, mais encore en train de définir sa position dans la concurrence.

Croissance des données Github

Le graphique ci-dessus montre l'évolution des données de stars sur GitHub depuis le lancement de ces frameworks. En général, les étoiles sur GitHub peuvent servir d'indicateur d'intérêt communautaire, de popularité du projet et de valeur perçue du projet.

  • Eliza (ligne rouge) : le graphique montre une augmentation significative et une tendance stable du nombre d'étoiles pour ce framework, commençant à partir d'une base faible en juillet, avec une forte augmentation à partir de la fin novembre, atteignant actuellement 6100 étoiles. Cela indique un intérêt croissant rapidement autour de ce framework, attirant l'attention des développeurs. La croissance exponentielle indique qu'Eliza a gagné une immense attraction en raison de ses fonctionnalités, de ses mises à jour et de l'engagement communautaire, sa popularité dépassant de loin celle des autres produits, ce qui montre qu'elle bénéficie d'un grand soutien communautaire et a un attrait ou une applicabilité plus large dans la communauté de l'IA.

  • Rig (ligne bleue) : Rig est le plus ancien des quatre frameworks, avec une croissance des étoiles modeste mais stable, ayant récemment augmenté de manière significative au cours du dernier mois. Son total d'étoiles a atteint 1700, mais il est encore en phase de croissance. L'accumulation stable d'intérêt est le résultat d'un développement continu, de mises à jour et d'une base d'utilisateurs en expansion. Cela pourrait refléter que Rig est un framework qui accumule encore sa réputation.

  • ZerePy (ligne jaune) : ZerePy a été lancé il y a quelques jours, et le nombre d'étoiles a déjà atteint 181. Il est important de souligner que ZerePy a besoin de plus de développement pour améliorer sa visibilité et son adoption, et une collaboration avec ai16z pourrait attirer davantage de contributeurs à son code.

  • G.A.M.E (ligne verte) : le nombre d'étoiles pour ce framework est faible, mais il est à noter que ce framework peut être appliqué directement aux agents dans l'écosystème Virtuel via une API, sans nécessiter de publication sur GitHub. Cependant, bien que ce framework n'ait été mis à disposition des constructeurs que depuis un peu plus d'un mois, il y a déjà plus de 200 projets utilisant G.A.M.E pour construire.

Prévisions de mise à niveau pour les frameworks d'IA

La version 2.0 d'Eliza inclura l'intégration avec le kit d'outils des agents Coinbase. Tous les projets utilisant Eliza bénéficieront d'un soutien pour l'avenir des TEE (environnements d'exécution de confiance) natifs, permettant aux agents de fonctionner dans un environnement sécurisé. Le registre des plugins est une fonctionnalité à venir d'Eliza, permettant aux développeurs d'enregistrer et d'intégrer des plugins de manière transparente.

En outre, Eliza 2.0 prendra en charge la messagerie anonyme automatisée multiplateforme. Le livre blanc sur la Tokenomics, dont la publication est prévue pour le 1er janvier 2025, aura un impact positif sur le jeton AI16Z qui soutient le framework Eliza. ai16z prévoit de continuer à renforcer l'utilité de ce framework et d'attirer des talents de haut niveau grâce aux efforts de ses principaux contributeurs.

Le framework G.A.M.E offre une intégration sans code pour les agents, permettant d'utiliser simultanément G.A.M.E et Eliza dans un projet unique, chacun servant à 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 ne soit disponible que depuis plus de 30 jours, il a déjà fait des progrès significatifs grâce aux efforts de l'équipe pour attirer davantage de contributeurs. Chaque projet lancé sur VirtuaI devrait adopter G.A.M.E.

Le framework Rig, propulsé par le jeton ARC, a un potentiel significatif, bien que sa croissance soit encore à ses débuts et que les projets de contrats incitant à l'adoption de Rig ne soient en ligne que depuis quelques jours. Cependant, des projets de haute qualité liés à ARC devraient bientôt émerger, similaires aux effets de l'engrenage de Virtual, mais axés sur Solana. L'équipe Rig est optimiste quant à la collaboration avec Solana, positionnant ARC comme le Virtual de Solana. Il est à noter que l'équipe incite non seulement à utiliser Rig pour de nouveaux projets, mais également à renforcer le framework Rig lui-même.

Zerepy est un nouveau framework qui, grâce à sa collaboration avec ai16z (framework Eliza), attire beaucoup d'attention. Ce framework a attiré des contributeurs d'Eliza, qui travaillent activement à son amélioration. Zerepy bénéficie d'un soutien fervent de la communauté ZEREBRO et ouvre de nouvelles opportunités pour les développeurs Python qui manquaient d'espace pour s'exprimer dans le domaine concurrentiel de l'infrastructure d'IA. Ce framework devrait jouer un rôle important dans l'aspect créatif de l'IA.