Kompilasi |


Ringkasan poin-poin penting

Dalam laporan ini, kami membahas lanskap pengembangan beberapa kerangka kerja utama di bidang Kripto & AI. Kami akan memeriksa empat kerangka kerja utama saat ini - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), dan menganalisis perbedaan teknis dan potensi pengembangannya.
 
Dalam seminggu terakhir, kami telah menganalisis dan menguji empat kerangka utama di atas, dan kesimpulannya dirangkum di bawah ini.
 
·Kami percaya bahwa Eliza (dengan pangsa pasar sekitar 60%, nilai pasar sekitar US$900 juta ketika penulis asli menulis artikel, dan nilai pasar sekitar US$1,4 miliar pada saat publikasi) akan terus mendominasi pasar membagikan. Nilai Eliza terletak pada keunggulannya sebagai penggerak pertama dan percepatan adopsi pengembang, sebagaimana dibuktikan oleh 193 kontributor, 1.800 fork, dan lebih dari 6.000 bintang di Github, menjadikannya repositori perangkat lunak paling populer di Github.
 
·G.A.M.E (dengan pangsa pasar sekitar 20%, nilai pasar sekitar US$300 juta ketika penulis asli menulis artikel, dan nilai pasar sekitar US$257 juta pada saat publikasi) telah berkembang dengan sangat lancar sejauh ini, dan juga mengalami adopsi yang cepat, seperti yang diumumkan oleh Virtuals Protocol sebelumnya Seperti yang diumumkan, ada lebih dari 200 proyek yang dibangun berdasarkan G.A.M.E. Jumlah permintaan harian melebihi 150.000, dan tingkat pertumbuhan mingguan melebihi 200%. G.A.M.E akan terus mendapatkan keuntungan dari ledakan VIRTUAL dan kemungkinan besar akan menjadi salah satu pemenang terbesar dalam ekosistem.
 
·Rig (dengan pangsa pasar sekitar 15%, nilai pasar sekitar US$160 juta ketika penulis asli menulis artikel, dan nilai pasar sekitar US$279 juta pada saat publikasi) memiliki daya tarik yang sangat menarik dan desain modular yang mudah dioperasikan, dan diharapkan dapat digunakan di ekosistem Solana (RUST) Dominate.
 
· Zerepy (pangsa pasar sekitar 5%, nilai pasar sekitar US$300 juta ketika penulis aslinya menulis, dan nilai pasar sekitar US$424 juta pada saat publikasi) adalah aplikasi yang lebih khusus, khusus untuk komunitas ZEREBRO yang fanatik , dan baru-baru ini bekerja sama dengan komunitas ai16z. Kerja sama dapat menghasilkan sinergi tertentu.
 
Dalam statistik di atas, "pangsa pasar" dihitung dengan memperhitungkan nilai pasar, catatan pengembangan, dan luasnya pasar terminal sistem operasi dasar.
 
Kami percaya bahwa kerangka kerja AI akan menjadi sektor dengan pertumbuhan tercepat dalam siklus ini, dan total kapitalisasi pasar saat ini yang berjumlah sekitar US$1,7 miliar akan dengan mudah tumbuh menjadi US$20 miliar. Dibandingkan dengan penilaian Lapisan 1 pada puncak tahun 2021, jumlah ini mungkin saja meningkat masih tetap Relatif konservatif - banyak proyek bernilai lebih dari $20 miliar pada saat itu. Meskipun kerangka kerja di atas melayani pasar akhir (rantai/ekosistem) yang berbeda-beda, mengingat kami yakin sektor ini akan tumbuh secara keseluruhan, maka akan lebih bijaksana jika menerapkan pendekatan yang menggunakan bobot kapitalisasi pasar.

Empat kerangka utama
 
Di persimpangan AI dan Crypto, muncul beberapa kerangka kerja yang bertujuan untuk mempercepat pengembangan AI, termasuk Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Dari proyek komunitas sumber terbuka hingga solusi perusahaan yang berfokus pada kinerja, setiap kerangka kerja memenuhi kebutuhan dan filosofi pengembangan agen yang berbeda.
 
Pada tabel di bawah, kami mencantumkan teknologi utama, komponen, dan keunggulan masing-masing kerangka kerja.



Laporan ini pertama-tama akan berfokus pada kerangka kerja tersebut, bahasa pemrograman yang digunakan, arsitektur teknis, algoritme, dan fitur unik dengan potensi kasus penggunaan. Kami kemudian akan membandingkan setiap kerangka kerja berdasarkan kemudahan penggunaan, skalabilitas, kemampuan beradaptasi, dan kinerja, sambil mendiskusikan kekuatan dan keterbatasannya.
 
Eliza

Eliza adalah kerangka simulasi multi-agen sumber terbuka yang dikembangkan oleh ai16z, dirancang untuk membuat, menyebarkan, dan mengelola agen AI otonom. Dikembangkan dengan TypeScript sebagai bahasa pemrograman, ini menyediakan platform yang fleksibel dan terukur untuk membangun agen cerdas yang mampu berinteraksi dengan manusia di berbagai platform sambil mempertahankan kepribadian dan pengetahuan yang konsisten.
 
Fitur inti dari kerangka kerja ini meliputi: arsitektur multi-agen yang mendukung penerapan dan pengelolaan beberapa kepribadian AI unik secara simultan; sistem karakter yang menggunakan kerangka file karakter untuk membuat beragam agen; dan sistem pengambilan-augmented generation (RAG) yang canggih memberikan memori jangka panjang dan persepsi Kemampuan manajemen memori kontekstual. Selain itu, kerangka kerja Eliza menawarkan integrasi platform yang lancar untuk konektivitas yang andal dengan Discord, X, dan platform media sosial lainnya.
 
Eliza adalah pilihan tepat dalam hal kemampuan komunikasi dan media untuk agen AI. Di sisi komunikasi, kerangka kerja ini mendukung integrasi dengan fitur saluran suara Discord, fitur X, Telegram, dan akses API langsung untuk kasus penggunaan khusus. Di sisi lain, kemampuan pemrosesan media kerangka kerja ini telah diperluas hingga pembacaan dan analisis dokumen PDF, ekstraksi dan ringkasan konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan dialog untuk menangani berbagai input dan output media secara efisien.
 
Eliza memberikan dukungan model AI yang fleksibel melalui penggunaan model sumber terbuka untuk inferensi lokal, inferensi berbasis cloud melalui OpenAI dan konfigurasi default seperti Nous Hermes Llama 3.1 B, serta mendukung integrasi dengan Claude untuk menangani kueri yang kompleks. Arsitektur modular Eliza, sistem tindakan ekstensif, dukungan klien khusus, dan API komprehensif memastikan skalabilitas dan kemampuan beradaptasi di seluruh aplikasi.
 
Kasus penggunaan Eliza mencakup banyak bidang, seperti asisten AI yang terkait dengan dukungan pelanggan, manajemen komunitas, dan tugas pribadi; dan peran media sosial seperti pembuat konten otomatis dan perwakilan merek, juga dapat berfungsi sebagai pekerja pengetahuan, memainkan peran penelitian asisten, Peran seperti analis konten dan pemroses dokumen; dan peran interaktif dalam bentuk bot permainan peran, tutor pendidikan, dan agen hiburan.
 
Arsitektur Eliza dibangun berdasarkan runtime agen yang bekerja secara mulus dengan sistem karakter (didukung oleh penyedia model), manajer memori (terhubung ke database), dan sistem tindakan (terhubung ke klien platform) yang terintegrasi. Fitur unik dari kerangka kerja ini mencakup sistem plug-in yang memungkinkan perluasan fungsionalitas modular, dukungan untuk interaksi multimodal seperti suara, teks, dan media, serta kompatibilitas dengan model AI terkemuka seperti Llama, GPT-4, dan Claude. Dengan keserbagunaan dan desainnya yang canggih, Eliza adalah alat yang ampuh untuk mengembangkan aplikasi AI di seluruh domain.
 
PERMAINAN
 
G.A.M.E dikembangkan oleh tim resmi Virtuals, dan nama lengkapnya adalah "The Generative Autonomous Multimodal Entities Framework (The Generative Autonomous Multimodal Entities Framework)". Kerangka kerja ini bertujuan untuk menyediakan antarmuka pemrograman aplikasi (API) dan kit pengembangan perangkat lunak (SDK) kepada pengembang ), sehingga mereka dapat melakukan eksperimen menggunakan agen AI. Kerangka kerja ini memberikan pendekatan terstruktur untuk mengelola perilaku, pengambilan keputusan, dan proses pembelajaran agen AI.
 
·Komponen inti G.A.M.E adalah sebagai berikut: Pertama, "Agent Prompting Interface" adalah pintu masuk bagi pengembang untuk mengintegrasikan G.A.M.E ke dalam agen untuk mendapatkan perilaku agen.
 
"Subsistem kesadaran" memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan detail relevan lainnya. Ini mensintesis pesan masuk ke dalam format yang sesuai untuk “mesin perencanaan strategis,” bertindak sebagai mekanisme masukan sensorik untuk agen AI, baik dalam bentuk percakapan atau reaksi. Inti di sini adalah "modul pemrosesan dialog", yang bertanggung jawab untuk memproses pesan dan tanggapan dari agen, dan berkolaborasi dengan "subsistem persepsi" untuk menafsirkan dan merespons masukan secara efektif.
 
·"Mesin Perencanaan Strategis" bekerja bersama dengan "Modul Pemrosesan Percakapan" dan "Operator Dompet On-Chain" untuk menghasilkan tanggapan dan rencana. Mesin ini beroperasi pada dua tingkat: sebagai perencana tingkat tinggi, yang menciptakan strategi luas berdasarkan konteks atau tujuan; dan sebagai strategi tingkat rendah, yang mengubah strategi ini menjadi kebijakan yang dapat dilaksanakan, yang selanjutnya dipecah menjadi perencana tindakan (untuk tugas-tugas tertentu). ) dan pelaksana rencana (untuk melaksanakan tugas).
 
Komponen terpisah namun penting adalah "konteks dunia", yang merujuk pada lingkungan, informasi dunia, dan keadaan permainan untuk memberikan konteks yang diperlukan bagi keputusan agen. Selain itu, "penyimpanan agen" digunakan untuk menyimpan atribut jangka panjang seperti tujuan, refleksi, pengalaman, dan kepribadian, yang bersama-sama membentuk perilaku agen dan proses pengambilan keputusan. Kerangka kerja ini menggunakan "memori kerja jangka pendek" dan "pemroses memori jangka panjang" - memori jangka pendek menyimpan informasi yang relevan tentang tindakan sebelumnya, hasil, dan rencana saat ini; sebaliknya, prosesor memori jangka panjang berdasarkan kepentingan, keterkinian dan relevansi Ekstrak informasi penting berdasarkan kriteria seperti jenis kelamin. Memori ini menyimpan pengetahuan tentang pengalaman agen, refleksi, kepribadian dinamis, konteks dunia, dan memori kerja untuk meningkatkan pengambilan keputusan dan memberikan dasar untuk pembelajaran.
 
·Untuk meningkatkan tata letak, "modul pembelajaran" memperoleh data dari "subsistem persepsi" untuk menghasilkan pengetahuan umum, yang dimasukkan kembali ke dalam sistem untuk mengoptimalkan interaksi di masa depan. Pengembang dapat memasukkan umpan balik tentang tindakan, status permainan, dan data sensorik melalui antarmuka untuk meningkatkan pembelajaran agen AI dan meningkatkan kemampuan perencanaan dan pengambilan keputusannya.
 
Alur kerja dimulai dengan interaksi pengembang melalui antarmuka prompt agen; "subsistem kesadaran" memproses masukan dan meneruskannya ke "modul pemrosesan dialog", yang mengelola logika interaksi, kemudian, berdasarkan informasi ini, "mesin perencanaan strategis". " menggunakan Strategi tingkat lanjut dan perencanaan tindakan terperinci untuk mengembangkan dan melaksanakan rencana.
 
Data dari "konteks dunia" dan "perpustakaan agen" menginformasikan proses-proses ini, sementara memori kerja melacak tugas-tugas yang mendesak. Sementara itu, “pemroses memori jangka panjang” menyimpan dan mengambil pengetahuan seiring berjalannya waktu. Sebuah "modul pembelajaran" menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, memungkinkan perilaku dan interaksi agen untuk terus meningkat.
 
Perlengkapan
 
Rig adalah kerangka kerja sumber terbuka berbasis Rust yang dirancang untuk menyederhanakan pengembangan aplikasi model bahasa besar (LLM). Ini menyediakan antarmuka terpadu untuk berinteraksi dengan beberapa penyedia LLM seperti OpenAI dan Anthropic, dan mendukung berbagai penyimpanan vektor, termasuk MongoDB dan Neo 4 j. Arsitektur modular kerangka kerja ini menampilkan komponen inti seperti “Lapisan Abstraksi Penyedia”, “Integrasi Penyimpanan Vektor”, dan “Sistem Agen” untuk memfasilitasi interaksi LLM yang lancar.
 
Audiens utama Rig mencakup pengembang yang membuat aplikasi AI/ML menggunakan Rust, dengan audiens sekunder mencakup organisasi yang ingin mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka. Repositori ini diatur menggunakan struktur berbasis ruang kerja dan berisi banyak peti, memungkinkan skalabilitas dan manajemen proyek yang efisien. Fitur utama Rig meliputi "Lapisan Abstraksi Penyedia", yang menstandardisasi API untuk menyelesaikan dan menyematkan penyedia LLM dengan penanganan kesalahan yang konsisten; komponen "Integrasi Penyimpanan Vektor" menyediakan banyak backend Antarmuka abstrak dan dukungan untuk pencarian kesamaan vektor; " menyederhanakan interaksi LLM, mendukung pengambilan augmentasi generasi (RAG) dan integrasi alat. Selain itu, kerangka kerja penyematan menyediakan kemampuan pemrosesan batch dan operasi penyematan yang aman untuk jenis.
 
Rig memanfaatkan beberapa keunggulan teknis untuk memastikan keandalan dan kinerja. Operasi asinkron memanfaatkan runtime asinkron Rust untuk secara efisien menangani sejumlah besar permintaan bersamaan; mekanisme penanganan kesalahan bawaan kerangka kerja meningkatkan ketahanan terhadap kegagalan pada penyedia AI atau keamanan jenis basis data mencegah kesalahan waktu kompilasi, sehingga meningkatkan keandalan kode. Pemeliharaan serialisasi yang efisien; dan proses deserialisasi membantu memproses data dalam format seperti JSON, yang sangat penting untuk komunikasi dan penyimpanan layanan AI dan instrumentasi terperinci yang selanjutnya membantu proses debug dan pemantauan aplikasi.
 
Alur kerja di Rig dimulai dengan klien memulai permintaan, yang mengalir melalui "lapisan abstraksi penyedia" dan berinteraksi dengan model LLM yang sesuai, kemudian data diproses oleh lapisan inti, di mana agen dapat menggunakan alat atau mengakses penyimpanan vektor; untuk mendapatkan Konteks; tanggapan dihasilkan dan disempurnakan melalui alur kerja yang kompleks seperti RAG, termasuk pengambilan dokumen dan pemahaman kontekstual, sebelum dikembalikan ke klien. Sistem ini terintegrasi dengan beberapa penyedia LLM dan penyimpanan vektor untuk beradaptasi dengan perubahan ketersediaan atau kinerja model.
 
Kasus penggunaan Rig beragam, termasuk sistem penjawab pertanyaan yang mengambil dokumen relevan untuk memberikan respons akurat, pencarian dan pengambilan dokumen untuk penemuan konten yang efisien, dan chatbots atau asisten virtual yang menyediakan interaksi sadar konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung pembuatan konten, pembuatan teks dan materi lainnya berdasarkan pola yang dipelajari, menjadikannya alat serbaguna untuk pengembang dan organisasi.
 
ZerePy

ZerePy adalah kerangka kerja sumber terbuka yang ditulis dengan Python yang dirancang untuk menyebarkan agen di X menggunakan OpenAI atau Anthropic LLM. ZerePy berasal dari versi modular backend Zerebro, memungkinkan pengembang meluncurkan proxy dengan fungsionalitas yang mirip dengan fungsionalitas inti Zerebro. Meskipun kerangka kerja ini memberikan landasan untuk penerapan agen, model tersebut harus disesuaikan agar dapat menghasilkan keluaran yang kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk pembuatan konten di platform sosial, mempromosikan ekosistem kreatif AI yang menargetkan seni dan aplikasi terdesentralisasi.
 
Dibangun dengan Python, kerangka kerja ini menekankan otonomi agen dan berfokus pada menghasilkan keluaran kreatif, konsisten dengan arsitektur + kemitraan Eliza. Desain modularnya mendukung integrasi sistem dalam memori untuk memudahkan penerapan agen di platform sosial. Fitur utamanya mencakup antarmuka baris perintah untuk manajemen agen, integrasi dengan X, dukungan untuk OpenAI dan Anthropic LLM, dan sistem konektivitas modular untuk meningkatkan fungsionalitas.
 
Kasus penggunaan ZerePy mencakup otomatisasi media sosial, di mana pengguna dapat menggunakan agen AI untuk memposting, membalas, menyukai, dan me-retweet guna meningkatkan keterlibatan platform. Selain itu, cocok untuk pembuatan konten di berbagai bidang seperti musik, memo, dan NFT, dan merupakan alat penting untuk seni digital dan platform konten berbasis blockchain.

Perbandingan horisontal

Menurut pendapat kami, masing-masing kerangka kerja di atas memberikan pendekatan unik terhadap pengembangan AI, yang memenuhi kebutuhan dan keadaan tertentu, sehingga perdebatan tidak lagi terbatas pada apakah kerangka kerja ini merupakan pesaing, namun fokus pada apakah kerangka tersebut memberikan kegunaan unik dan unik nilai.
 
Eliza menonjol karena antarmukanya yang ramah pengguna, terutama bagi pengembang yang akrab dengan lingkungan JavaScript dan Node.js. Dokumentasinya yang komprehensif membantu dalam menyiapkan agen AI di berbagai platform, dan meskipun rangkaian fiturnya yang kaya mungkin memberikan kurva pembelajaran yang sederhana, berkat penggunaan TypeScript, Eliza sangat cocok untuk membangun agen yang tertanam di web seperti kebanyakan dari front-end Infrastruktur web semuanya dibangun dengan TypeScript. Kerangka kerja ini terkenal dengan arsitektur multi-agennya, yang memungkinkan penerapan beragam agen kepribadian AI di seluruh platform seperti Discord, X, dan Telegram. Sistem RAG canggih untuk manajemen memori membuatnya sangat cocok untuk membangun asisten AI untuk dukungan pelanggan atau aplikasi media sosial. Meskipun menawarkan fleksibilitas, dukungan komunitas yang kuat, dan kinerja lintas platform yang konsisten, ini masih dalam tahap awal dan mungkin memberikan kurva pembelajaran bagi pengembang.
 
·G.A.M.E dirancang khusus untuk pengembang game, menyediakan antarmuka kode rendah atau tanpa kode melalui API yang mudah diakses oleh pengguna dengan keterampilan teknis kurang di bidang game. Namun, hal ini berfokus pada pengembangan game dan integrasi blockchain, dan kurva pembelajarannya bisa sangat curam bagi mereka yang tidak memiliki pengalaman yang relevan. Ia unggul dalam pembuatan konten terprogram dan perilaku NPC, namun dibatasi oleh ceruk pasarnya dan kompleksitas tambahan yang timbul dari integrasi blockchain.
 
·Rig, karena menggunakan bahasa Rust, mungkin tidak terlalu ramah pengguna karena kerumitan bahasanya, sehingga pembelajaran menjadi tantangan besar, namun bagi orang yang mahir dalam pemrograman sistem, Rig dapat memberikan interaksi yang intuitif. Rust sendiri dikenal dengan performa dan keamanan memorinya dibandingkan TypeScript. Ini memiliki fitur pemeriksaan waktu kompilasi yang ketat dan abstraksi tanpa biaya, yang diperlukan untuk menjalankan algoritma kecerdasan buatan yang kompleks. Karakteristik bahasa ini yang efisien dan kontrolnya rendah menjadikannya ideal untuk aplikasi AI yang intensif sumber daya. Desain kerangka kerja yang modular dan terukur memberikan solusi berkinerja tinggi yang cocok untuk aplikasi perusahaan. Namun, bagi developer yang belum terbiasa dengan bahasa Rust, menggunakan Rust akan membawa kesulitan belajar.
 
ZerePy menggunakan bahasa Python untuk memberikan kegunaan yang lebih tinggi untuk tugas-tugas AI kreatif. Kurva pembelajaran bagi pengembang Python masih rendah, terutama mereka yang memiliki latar belakang AI/ML, dan terdapat dukungan komunitas yang kuat karena popularitas ZEREBRO. ZerePy unggul dalam aplikasi AI kreatif seperti NFT, dan kerangka kerjanya memposisikan dirinya sebagai alat yang ampuh dalam media dan seni digital. Meskipun unggul dalam bidang kreatif, cakupan penerapannya relatif sempit dibandingkan kerangka kerja lainnya.
 
Dari segi skalabilitas, perbandingan keempat framework utama tersebut adalah sebagai berikut.
 
·Eliza telah membuat kemajuan besar setelah pembaruan versi V2, memperkenalkan jalur pesan terpadu dan kerangka inti yang dapat diperluas untuk mencapai manajemen lintas platform yang efisien. Namun, mengelola interaksi multi-platform ini dapat menimbulkan tantangan skalabilitas jika tidak dilakukan optimalisasi.
 
·G.A.M.E unggul dalam pemrosesan real-time yang diperlukan untuk game, dan skalabilitasnya dapat dikelola melalui algoritma yang efisien dan berpotensi menjadi sistem terdistribusi blockchain, meskipun mungkin dibatasi oleh mesin game tertentu atau batasan jaringan blockchain.
 
Kerangka kerja Rig dapat memanfaatkan keunggulan kinerja Rust untuk mencapai skalabilitas yang lebih baik dan secara inheren dirancang untuk aplikasi dengan throughput tinggi. Hal ini mungkin sangat efektif untuk penerapan tingkat perusahaan, namun ini mungkin berarti bahwa mencapai skalabilitas sebenarnya memerlukan pengaturan yang rumit.
 
Skalabilitas ZerePy ditargetkan pada hasil kreatif dan didukung oleh kontribusi komunitas, namun fokus kerangka kerja mungkin membatasi penerapannya di lingkungan kecerdasan buatan yang lebih luas, dan skalabilitasnya mungkin dibatasi oleh keragaman tugas kreatif.
 
Dalam hal kesesuaian, Eliza jauh lebih maju dengan sistem plug-in dan kompatibilitas lintas platform, diikuti oleh G.A.M.E untuk lingkungan game dan Rig untuk menangani tugas-tugas AI yang kompleks. ZerePy telah menunjukkan kemampuan beradaptasi yang tinggi di bidang kreatif, namun tidak dalam aplikasi AI yang lebih luas.
 
Dari segi performa, hasil pengujian keempat framework utama tersebut adalah sebagai berikut.
 
Eliza dioptimalkan untuk interaksi cepat di media sosial, namun kinerjanya mungkin berbeda ketika menangani tugas komputasi yang lebih kompleks.
 
·G.A.M.E berfokus pada interaksi real-time berkinerja tinggi dalam skenario game dan dapat memanfaatkan proses pengambilan keputusan yang efisien dan kemungkinan blockchain untuk operasi AI yang terdesentralisasi.
 
·Rig didasarkan pada Rust dan dapat memberikan kinerja luar biasa untuk tugas komputasi berkinerja tinggi dan cocok untuk aplikasi perusahaan di mana efisiensi komputasi sangat penting.
 
Kinerja ZerePy ditargetkan pada pembuatan konten kreatif, dan metriknya berpusat pada efisiensi dan kualitas pembuatan konten, yang mungkin tidak dapat digeneralisasikan di luar bidang kreatif.
 
Dikombinasikan dengan analisis komprehensif mengenai kelebihan dan kekurangan di atas, Eliza memberikan fleksibilitas dan skalabilitas yang lebih baik. Sistem plug-in dan konfigurasi peran membuatnya sangat mudah beradaptasi, yang kondusif untuk interaksi kecerdasan buatan sosial lintas platform; skenario permainan, kemampuan interaksi real-time, dan menyediakan partisipasi AI baru melalui integrasi blockchain; keunggulan Rig terletak pada kinerja dan skalabilitasnya, cocok untuk tugas AI tingkat perusahaan, dan berfokus pada kesederhanaan dan modularitas kode untuk memastikan jangka panjang. proyek Pembangunan yang sehat; Mengkhususkan diri dalam memupuk kreativitas dan memimpin penerapan AI untuk seni digital, didukung oleh model pengembangan berbasis komunitas yang dinamis.
 
Secara keseluruhan, setiap kerangka memiliki keterbatasannya. Eliza masih dalam tahap awal, dengan potensi masalah stabilitas dan kurva pembelajaran yang panjang bagi pengembang baru; fokus khusus G.A.M.E mungkin membatasi penerapannya yang lebih luas, dan pengenalan blockchain juga akan meningkatkan kompleksitas kurva pembelajaran Rig kompleksitas bahasa Rust, yang mungkin menghalangi beberapa pengembang untuk fokus sempit pada hasil kreatif yang mungkin membatasi penggunaannya di bidang kecerdasan buatan lainnya.

Memilah item perbandingan inti
 
Peralatan (ARC)
 
Bahasa: Rust, fokus pada keselamatan dan kinerja.
 
Kasus penggunaan: Berfokus pada efisiensi dan skalabilitas, ideal untuk aplikasi AI tingkat perusahaan.
 
Komunitas: Kurang didorong oleh komunitas dan lebih fokus pada pengembang teknologi.
 
Eliza (AI16Z)
 
Bahasa: TypeScript, menekankan fleksibilitas Web3 dan keterlibatan komunitas.
 
Kasus penggunaan: Dirancang untuk interaksi sosial, DAO, dan transaksi, dengan penekanan khusus pada sistem multi-agen.
 
Komunitas: Sangat didorong oleh komunitas, dengan ikatan luas dengan GitHub.
 
ZerePy (ZEREBRO):
 
Bahasa: Python, lebih mudah diterima oleh komunitas pengembang AI yang lebih luas.
 
Kasus penggunaan: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.
 
Komunitas: Relatif baru, namun diperkirakan akan berkembang karena popularitas Python dan dukungan dari kontributor ai16z.
 
G.A.M.E (VIRTUAL dan GMAE):
 
Sorotan: Agen AI yang otonom dan adaptif yang berkembang berdasarkan interaksi di lingkungan virtual.
 
Kasus penggunaan: Paling cocok untuk skenario ketika agen perlu belajar dan beradaptasi, seperti game atau dunia virtual.
 
Komunitas: Inovatif namun tetap menentukan posisinya dalam persaingan.
 
Pertumbuhan data Github
 


Bagan di atas menunjukkan bagaimana data bintang GitHub telah berubah untuk kerangka kerja ini sejak peluncurannya. Secara umum, bintang GitHub berfungsi sebagai indikator minat komunitas, popularitas proyek, dan persepsi nilai proyek.
 
Eliza (garis merah): Grafik menunjukkan pertumbuhan yang signifikan dan stabil dalam jumlah bintang dalam kerangka ini, dimulai dari titik terendah di bulan Juli dan melonjak di akhir November, kini mencapai 6.100 bintang. Hal ini menunjukkan pesatnya lonjakan minat terhadap framework ini, sehingga menarik perhatian para pengembang. Pertumbuhan eksponensial menunjukkan bahwa Eliza telah mendapatkan daya tarik yang besar karena fitur-fiturnya, pembaruan dan partisipasi masyarakat .
 
·Rig (garis biru): Rig adalah yang tertua di antara empat kerangka utama. Tingkat pertumbuhan bintangnya tidak besar, tetapi sangat stabil dalam sebulan terakhir. Jumlah total bintangnya telah mencapai 1.700, namun masih dalam orbit ke atas. Akumulasi perhatian yang stabil disebabkan oleh pengembangan berkelanjutan, pembaruan, dan basis pengguna yang terus bertambah. Hal ini mungkin mencerminkan fakta bahwa Rig adalah kerangka kerja yang masih membangun reputasi.
 
ZerePy (garis kuning): ZerePy diluncurkan beberapa hari yang lalu dan jumlah bintangnya telah bertambah menjadi 181. Penting untuk ditekankan bahwa ZerePy memerlukan lebih banyak pengembangan untuk meningkatkan visibilitas dan adopsi, dan kemitraan dengan ai16z dapat menarik lebih banyak kontributor ke basis kodenya.
 
G.A.M.E (garis hijau): Kerangka kerja ini memiliki jumlah bintang yang rendah, namun perlu dicatat bahwa kerangka kerja ini dapat diterapkan langsung ke agen di ekosistem Virtual melalui API, jadi tidak perlu mempublikasikannya di Github. Namun, meskipun kerangka ini telah tersedia untuk umum bagi para pembangun lebih dari sebulan yang lalu, lebih dari 200 proyek saat ini sedang dibangun menggunakan G.A.M.E.
 
Peningkatan yang diharapkan pada kerangka AI

Eliza versi 2.0 akan menyertakan integrasi dengan perangkat proxy Coinbase. Semua proyek yang menggunakan Eliza akan menerima dukungan untuk TEE asli (Lingkungan Eksekusi Tepercaya) di masa depan, yang memungkinkan agen berjalan di lingkungan yang aman. Plugin Registry adalah fitur Eliza yang akan datang yang memungkinkan pengembang untuk mendaftar dan mengintegrasikan plug-in dengan lancar.
 
Selain itu, Eliza 2.0 akan mendukung pengiriman pesan lintas platform anonim otomatis. Buku putih Tokenomics (yang proposalnya telah diumumkan) diharapkan akan dirilis pada 1 Januari 2025, dan akan berdampak positif pada token AI16Z yang mendasari kerangka Eliza. ai16z berencana untuk terus meningkatkan kegunaan kerangka kerja ini dan memanfaatkan upaya kontributor utamanya untuk mendatangkan talenta berkualitas tinggi.
 
Kerangka kerja G.A.M.E menyediakan integrasi tanpa kode untuk agen, memungkinkan G.A.M.E dan Eliza digunakan dalam satu proyek, masing-masing melayani kasus penggunaan tertentu. Pendekatan ini diharapkan menarik bagi para pembangun yang fokus pada logika bisnis daripada kompleksitas teknis. Meskipun kerangka kerja ini baru tersedia untuk umum selama lebih dari 30 hari, kemajuan besar telah dicapai pada kerangka kerja ini, didukung oleh upaya tim untuk menarik kontributor tambahan. Diharapkan setiap proyek yang diluncurkan di VirtuaI akan mengadopsi G.A.M.E.
 
Kerangka kerja Rig, yang didukung oleh token ARC, memiliki potensi yang signifikan, meskipun pertumbuhan kerangka kerja ini masih dalam tahap awal dan program kontrak proyek yang mendorong adopsi Rig baru berjalan selama beberapa hari. Namun, proyek berkualitas tinggi yang dipasangkan dengan ARC diperkirakan akan segera muncul, mirip dengan Virtual Flywheel tetapi berfokus pada Solana. Tim Rig optimis untuk bekerja sama dengan Solana, memposisikan ARC sebagai Virtual untuk Solana. Khususnya, tim ini tidak hanya memberi insentif pada proyek-proyek baru yang diluncurkan menggunakan Rig, namun juga memberi insentif kepada pengembang untuk meningkatkan kerangka Rig itu sendiri.
 
Zerepy adalah framework baru yang diluncurkan dan mendapatkan banyak perhatian karena kolaborasinya dengan ai16z (Eliza framework), yang telah menarik kontributor dari Eliza yang secara aktif berupaya meningkatkan framework tersebut. Zerepy menikmati dukungan antusias yang didorong oleh komunitas ZEREBRO dan membuka peluang baru bagi pengembang Python yang sebelumnya kurang terlayani dalam dunia infrastruktur AI yang kompetitif. Kerangka kerja ini diharapkan memainkan peran penting dalam aspek kreatif AI.