Artikel ini berasal dari: Deep Value Memetics

Kompetisi | Odaily Planet Daily (@OdailyChina)

Penerjemah | Azuma (@azuma_eth)

Ringkasan Poin

Dalam laporan ini, kami membahas perkembangan beberapa kerangka utama di bidang Crypto & AI. Kami akan meninjau empat kerangka utama saat ini - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), menganalisis perbedaan teknis dan potensi pengembangannya.

Dalam seminggu terakhir, kami telah menganalisis dan menguji empat kerangka utama di atas, dengan kesimpulan sebagai berikut.

  • Kami percaya Eliza (pangsa pasar sekitar 60%, kapitalisasi pasar sekitar 900 juta dolar pada saat penulis menulis, dan sekitar 1,4 miliar dolar saat artikel ini diterbitkan) akan terus mendominasi pangsa pasar. Nilai Eliza terletak pada keunggulan awalnya dan adopsi yang dipercepat oleh pengembang, dengan 193 kontributor di GitHub, 1800 fork, dan lebih dari 6000 bintang sebagai bukti, menjadikannya salah satu repositori perangkat lunak paling populer di GitHub.

  • G.A.M.E (pangsa pasar sekitar 20%, kapitalisasi pasar sekitar 300 juta dolar pada saat penulis menulis, dan sekitar 257 juta dolar saat artikel ini diterbitkan) telah berkembang dengan baik hingga saat ini, dan juga mengalami adopsi yang cepat, seperti yang diumumkan oleh Virtuals Protocol sebelumnya, lebih dari 200 proyek telah dibangun berdasarkan G.A.M.E, dengan lebih dari 150.000 permintaan harian dan pertumbuhan mingguan lebih dari 200%. G.A.M.E akan terus mendapatkan manfaat dari ledakan VIRTUAL, dan berpotensi menjadi salah satu pemenang terbesar di ekosistem tersebut.

  • Rig (pangsa pasar sekitar 15%, kapitalisasi pasar sekitar 160 juta dolar pada saat penulis menulis, dan sekitar 279 juta dolar saat artikel ini diterbitkan) memiliki desain modular yang sangat menarik dan mudah digunakan, diharapkan dapat mendominasi di ekosistem Solana (RUST).

  • Zerepy (pangsa pasar sekitar 5%, kapitalisasi pasar sekitar 300 juta dolar pada saat penulis menulis, dan sekitar 424 juta dolar saat artikel ini diterbitkan) adalah aplikasi yang lebih kecil, khusus untuk komunitas ZEREBRO yang antusias, dan kolaborasinya baru-baru ini dengan komunitas ai16z dapat menghasilkan sinergi tertentu.

Dalam statistik di atas, 'pangsa pasar' diperhitungkan dengan mempertimbangkan nilai pasar, catatan pengembangan, dan luas pasar terminal sistem operasi dasar.

Kami percaya bahwa kerangka AI akan menjadi sektor dengan pertumbuhan tercepat dalam siklus ini, dengan total kapitalisasi pasar sekitar 1,7 miliar dolar yang akan dengan mudah tumbuh menjadi 20 miliar dolar, dibandingkan dengan valuasi Layer1 pada puncak 2021, angka ini mungkin masih cukup konservatif - saat itu banyak proyek tunggal telah mencapai valuasi lebih dari 20 miliar dolar. Meskipun kerangka di atas melayani pasar terminal yang berbeda (rantai/ekosistem), mengingat kami percaya sektor ini akan tumbuh secara keseluruhan, pendekatan berbobot kapitalisasi pasar mungkin relatif paling hati-hati.

Empat kerangka utama

Di persimpangan AI dan Crypto, telah muncul beberapa kerangka yang bertujuan untuk mempercepat pengembangan AI, termasuk Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), dan ZerePy (ZEREBRO). Dari proyek komunitas sumber terbuka hingga solusi perusahaan yang berfokus pada kinerja, setiap kerangka memenuhi kebutuhan dan filosofi pengembangan agen yang berbeda.

Dalam tabel di bawah ini, kami mencantumkan teknologi, komponen, dan keuntungan kunci dari setiap kerangka.

Laporan ini akan memfokuskan pada apa itu kerangka-kerangka ini, bahasa pemrograman yang digunakan, arsitektur teknis, algoritma, serta fitur unik dengan potensi penggunaan. Kemudian kami akan membandingkan setiap kerangka berdasarkan kemudahan penggunaan, skalabilitas, adaptabilitas, dan kinerja, sambil mendiskusikan keuntungan dan keterbatasan mereka.

Eliza

Eliza adalah kerangka simulasi multi-agen sumber terbuka yang dikembangkan oleh ai16z, ditujukan untuk menciptakan, menerapkan, dan mengelola agen AI yang mandiri. Ia dibangun menggunakan TypeScript sebagai bahasa pemrograman, menyediakan platform yang fleksibel dan dapat diperluas untuk membangun agen cerdas yang dapat berinteraksi dengan manusia di berbagai platform, sambil mempertahankan kepribadian dan pengetahuan yang konsisten.

Fitur inti kerangka ini meliputi: mendukung penerapan dan manajemen beberapa kepribadian AI unik dalam arsitektur multi-agen; menggunakan kerangka file peran untuk menciptakan sistem peran agen yang beragam; menyediakan manajemen memori dengan konteks yang dapat dirasakan melalui sistem pengembalian yang ditingkatkan (RAG). Selain itu, kerangka Eliza juga menawarkan integrasi platform yang mulus, dengan koneksi yang dapat diandalkan dengan Discord, X, dan platform media sosial lainnya.

Dalam hal komunikasi dan fungsi media agen AI, Eliza adalah pilihan yang sangat baik. Dalam komunikasi, kerangka ini mendukung integrasi dengan fungsi saluran suara Discord, fungsi X, Telegram, serta akses API langsung untuk kasus penggunaan yang disesuaikan. Di sisi lain, kemampuan pengolahan media kerangka ini telah diperluas mencakup pembacaan dan analisis dokumen PDF, ekstraksi dan ringkasan konten link, transkripsi audio, pengolahan konten video, analisis gambar, dan ringkasan dialog, yang dapat menangani berbagai masukan dan keluaran media dengan efektif.

Eliza menawarkan dukungan model AI yang fleksibel, memungkinkan inferensi lokal menggunakan model sumber terbuka, inferensi berbasis cloud dengan konfigurasi default seperti OpenAI dan Nous Hermes Llama 3.1B, dan mendukung integrasi Claude untuk menangani kueri kompleks. Eliza mengadopsi arsitektur modular, memiliki sistem tindakan yang luas, dukungan klien kustom, dan API yang komprehensif, memastikan skalabilitas dan adaptabilitas lintas aplikasi.

Kasus penggunaan Eliza mencakup berbagai bidang, seperti asisten AI terkait dukungan pelanggan, manajemen komunitas, dan tugas pribadi; misalnya, pembuat konten otomatis, perwakilan merek di media sosial; dapat berfungsi sebagai pekerja pengetahuan, memainkan peran sebagai asisten penelitian, analis konten, dan pengolah dokumen; serta peran interaktif berupa robot bermain peran, mentor pendidikan, dan pengacara.

Arsitektur Eliza dibangun di sekitar runtime agen, yang dapat berintegrasi tanpa masalah dengan sistem peran (didukung oleh penyedia model), pengelola memori (terhubung ke database), dan sistem tindakan (terhubung ke klien platform). Fitur unik dari kerangka ini termasuk sistem plugin yang memungkinkan perluasan fungsionalitas modular, mendukung interaksi multimodal seperti suara, teks, dan media, serta kompatibilitas dengan model AI terkemuka seperti Llama, GPT-4, dan Claude. Dengan desain yang multifungsi dan kuat, Eliza menjadi alat yang kuat untuk mengembangkan aplikasi AI lintas domain.

G.A.M.E

G.A.M.E dikembangkan oleh tim resmi Virtuals, singkatan dari 'Kerangka Entitas Multimodal Otonom Generatif', bertujuan untuk memberikan antarmuka aplikasi (API) dan paket pengembangan perangkat lunak (SDK) bagi pengembang untuk bereksperimen dengan agen AI. Kerangka ini menyediakan pendekatan terstruktur untuk mengelola perilaku agen AI, pengambilan keputusan, dan proses pembelajaran.

  • Komponen inti G.A.M.E adalah sebagai berikut, pertama, 'Antarmuka Penyorotan Agen' (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan G.A.M.E ke dalam agen untuk mendapatkan perilaku agen.

  • 'Subsistem Persepsi' memulai sesi dengan menentukan ID sesi, ID agen, pengguna, dan parameter terkait lainnya. Ini menggabungkan pesan yang masuk ke dalam format yang sesuai untuk 'Mesin Perencanaan Strategis', berfungsi sebagai mekanisme masukan indra untuk agen AI, baik dalam bentuk dialog maupun reaksi. Inti dari sini adalah 'Modul Pengolahan Dialog', yang bertanggung jawab untuk menangani pesan dan respons dari agen, serta berkolaborasi dengan 'Subsistem Persepsi' untuk secara efektif mengartikan dan merespon masukan.

  • 'Mesin Perencanaan Strategis' bekerja sama dengan 'Modul Pengolahan Dialog' dan 'Operator Dompet On-chain' untuk menghasilkan respons dan rencana. Mesin ini beroperasi pada dua tingkat: sebagai perencana tingkat tinggi, membuat strategi luas berdasarkan konteks atau tujuan; sebagai strategi tingkat rendah, mengubah strategi ini menjadi kebijakan yang dapat dieksekusi, lebih lanjut dibagi menjadi perencana tindakan (untuk menentukan tugas) dan pelaksana rencana (untuk melaksanakan tugas).

  • Komponen terpisah namun penting adalah 'konteks dunia', yang merujuk pada lingkungan, informasi dunia, dan status game, memberikan konteks yang diperlukan untuk keputusan agen. Selain itu, 'perpustakaan agen' digunakan untuk menyimpan atribut jangka panjang seperti tujuan, refleksi, pengalaman, dan kepribadian, yang bersama-sama membentuk perilaku dan proses pengambilan keputusan agen. Kerangka ini menggunakan 'memori kerja jangka pendek' dan 'pengolah memori jangka panjang' - memori jangka pendek menyimpan informasi relevan mengenai tindakan sebelumnya, hasil, dan rencana saat ini; sementara itu, pengolah memori jangka panjang mengekstrak informasi kunci berdasarkan kriteria seperti pentingnya, terkini, dan relevansi. Memori ini menyimpan pengetahuan tentang pengalaman agen, refleksi, kepribadian dinamis, konteks dunia, dan memori kerja untuk meningkatkan keputusan dan menyediakan dasar untuk pembelajaran.

  • Untuk meningkatkan tata letak, 'modul pembelajaran' mengambil data dari 'subsistem persepsi' untuk menghasilkan pengetahuan umum, yang kemudian diumpankan kembali ke sistem untuk mengoptimalkan interaksi di masa depan. Pengembang dapat memberikan umpan balik melalui antarmuka mengenai tindakan, status game, dan data indra untuk meningkatkan pembelajaran agen AI dan meningkatkan kemampuan perencanaan dan pengambilan keputusan.

Alur kerja dimulai dengan interaksi pengembang melalui antarmuka penyorotan agen; 'subsistem persepsi' memproses masukan dan meneruskannya ke 'modul pengolahan dialog', yang mengelola logika interaksi; kemudian, 'mesin perencanaan strategis' merumuskan dan melaksanakan rencana berdasarkan informasi ini, menggunakan strategi tingkat tinggi dan perencanaan tindakan yang mendetail.

Data dari 'konteks dunia' dan 'perpustakaan agen' memberikan informasi untuk proses ini, sementara memori kerja melacak tugas yang sedang berlangsung. Sementara itu, 'pengolah memori jangka panjang' menyimpan dan mengambil pengetahuan seiring waktu. 'Modul pembelajaran' menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, memungkinkan perilaku dan interaksi agen terus meningkat.

Rig

Rig adalah kerangka sumber terbuka berbasis Rust, 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 Neo4j. Arsitektur modular kerangka ini memiliki komponen inti seperti 'Lapisan Abstraksi Penyedia', 'Integrasi Penyimpanan Vektor', dan 'Sistem Agen', yang memfasilitasi interaksi LLM yang mulus.

Audiens utama Rig termasuk pengembang yang membangun aplikasi AI/ML menggunakan Rust, audiens sekunder termasuk organisasi yang ingin mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka. Perpustakaan menggunakan struktur berbasis ruang kerja, yang mencakup beberapa crates, untuk mencapai skalabilitas dan manajemen proyek yang efisien. Fitur utama Rig meliputi 'Lapisan Abstraksi Penyedia' (Provider Abstraction Layer), yang menyederhanakan API untuk penyelesaian dan penyisipan penyedia LLM melalui penanganan kesalahan yang konsisten; komponen 'Integrasi Penyimpanan Vektor' menyediakan antarmuka abstrak untuk beberapa backend dan mendukung pencarian kesamaan vektor; 'Sistem Agen' menyederhanakan interaksi LLM, mendukung pengembalian yang ditingkatkan (RAG) dan integrasi alat. Selain itu, kerangka penyisipan menawarkan kemampuan pemrosesan batch dan operasi penyisipan yang aman secara tipe.

Rig memanfaatkan beberapa keuntungan teknis untuk memastikan keandalan dan kinerja. Operasi asinkron memanfaatkan runtime asinkron Rust untuk menangani sejumlah besar permintaan secara efisien; mekanisme penanganan kesalahan bawaan kerangka ini meningkatkan pemulihan dari kegagalan penyedia AI atau operasi basis data; keamanan tipe dapat mencegah kesalahan kompilasi, sehingga meningkatkan pemeliharaan kode; proses serialisasi dan deserialisasi yang efisien membantu menangani data dalam format seperti JSON, yang sangat penting untuk komunikasi dan penyimpanan layanan AI; pencatatan dan instrumen yang detail lebih lanjut membantu debugging dan pemantauan aplikasi.

Alur kerja di Rig dimulai dengan klien yang mengajukan permintaan, aliran permintaan melewati 'Lapisan Abstraksi Penyedia', berinteraksi dengan model LLM terkait; kemudian, data diproses oleh lapisan inti, agen dapat menggunakan alat di lapisan inti atau mengakses penyimpanan vektor untuk mendapatkan konteks; melalui alur kerja kompleks seperti RAG menghasilkan dan menyempurnakan respons, termasuk pencarian dokumen dan pemahaman konteks, kemudian kembali ke klien. Sistem ini mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor, dapat beradaptasi dengan ketersediaan model atau perubahan kinerja.

Kasus penggunaan Rig sangat bervariasi, termasuk sistem tanya jawab yang mencari dokumen terkait untuk memberikan respons yang akurat, pencarian dan pengambilan dokumen untuk penemuan konten yang efisien, serta chatbot atau asisten virtual yang menyediakan interaksi kontekstual untuk layanan pelanggan atau pendidikan. Ini juga mendukung pembuatan konten, mampu menghasilkan teks dan materi lainnya berdasarkan pola yang telah dipelajari, menjadi alat multifungsi bagi pengembang dan organisasi.

ZerePy

ZerePy adalah kerangka sumber terbuka yang ditulis dalam Python, ditujukan untuk menerapkan agen menggunakan OpenAI atau Anthropic LLM di X. ZerePy berasal dari backend Zerebro versi modular, memungkinkan pengembang untuk meluncurkan agen dengan fungsi serupa dengan fitur inti Zerebro. Meskipun kerangka ini menyediakan dasar untuk penerapan agen, model harus disesuaikan untuk menghasilkan keluaran kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama sesuai untuk pembuatan konten di platform sosial, mendorong ekosistem kreatif AI yang berfokus pada seni dan aplikasi terdesentralisasi.

Kerangka ini dibangun menggunakan bahasa Python, menekankan otonomi agen, serta fokus pada generasi keluaran kreatif, sejalan dengan arsitektur + kemitraan Eliza. Desain modularnya mendukung integrasi sistem memori, memudahkan penerapan agen di platform sosial. Fitur utamanya meliputi antarmuka baris perintah untuk manajemen agen, integrasi dengan X, dukungan untuk OpenAI dan Anthropic LLM, serta sistem koneksi modular untuk meningkatkan fungsionalitas.

Kasus penggunaan ZerePy mencakup otomatisasi media sosial, di mana pengguna dapat menerapkan agen AI untuk posting, balas, menyukai, dan转发, sehingga meningkatkan keterlibatan platform. Selain itu, ini juga berlaku untuk pembuatan konten di bidang musik, memo, dan NFT, menjadi alat penting di platform seni digital dan berbasis blockchain.

Perbandingan horizontal

Menurut kami, setiap kerangka di atas menawarkan pendekatan unik untuk pengembangan AI, memenuhi kebutuhan dan lingkungan tertentu, sehingga perdebatan tidak hanya terbatas pada apakah kerangka ini saling bersaing, tetapi juga terfokus pada apakah setiap kerangka dapat memberikan utilitas dan nilai yang unik.

  • Eliza menonjol dengan antarmuka yang ramah pengguna, terutama bagi pengembang yang akrab dengan lingkungan JavaScript dan Node.js. Dokumentasi komprehensifnya membantu penyiapan agen AI di berbagai platform, meskipun kumpulan fungsinya yang kaya mungkin menyajikan kurva belajar yang moderat, namun karena menggunakan TypeScript, Eliza sangat cocok untuk membangun agen di dalam jaringan, karena sebagian besar infrastruktur web frontend dibangun dengan TypeScript. Kerangka ini terkenal dengan arsitektur multi-agennya, mampu menerapkan agen dengan kepribadian AI yang beragam lintas platform seperti Discord, X, dan Telegram. Sistem RAG canggihnya untuk manajemen memori membuatnya sangat cocok untuk membangun asisten AI jenis dukungan pelanggan atau media sosial. Meskipun ia menawarkan fleksibilitas, dukungan komunitas yang kuat, dan kinerja lintas platform yang konsisten, ia masih berada di tahap awal dan mungkin menghadirkan kurva belajar bagi pengembang.

  • G.A.M.E dirancang khusus untuk pengembang game, menyediakan antarmuka tanpa kode atau kode rendah melalui API, yang memudahkan pengguna dengan tingkat keterampilan teknis yang lebih rendah dalam bidang game. Namun, ia fokus pada pengembangan game dan integrasi blockchain, yang mungkin memiliki kurva belajar yang curam bagi orang tanpa pengalaman terkait. Ini unggul dalam menghasilkan konten secara programatik dan perilaku NPC, tetapi juga dibatasi oleh bidang khususnya dan kompleksitas tambahan yang ada saat integrasi blockchain.

  • Rig mungkin kurang ramah bagi pengguna karena penggunaan bahasa Rust, yang kompleks, menimbulkan banyak tantangan dalam pembelajaran, tetapi bagi mereka yang mahir dalam pemrograman sistem, dapat memberikan interaksi yang intuitif. Dibandingkan dengan TypeScript, Rust dikenal dengan kinerja dan keamanan memorinya. Ia memiliki pemeriksaan ketat waktu kompilasi dan abstraksi tanpa biaya, yang diperlukan untuk menjalankan algoritma kecerdasan buatan yang kompleks. Efisiensi dan kontrol rendah dari bahasa ini menjadikannya pilihan ideal untuk aplikasi AI yang intensif sumber daya. Kerangka ini memiliki desain modular dan dapat diperluas, menawarkan solusi berkinerja tinggi yang sangat cocok untuk aplikasi perusahaan. Namun, bagi pengembang yang tidak familiar dengan bahasa Rust, penggunaan Rust akan membawa kurva belajar yang curam.

  • ZerePy menggunakan bahasa Python, menawarkan kegunaan yang lebih tinggi untuk tugas AI kreatif. Bagi pengembang Python, terutama yang memiliki latar belakang AI/ML, kurva belajarnya lebih rendah, dan dengan popularitas ZEREBRO, dukungan komunitas yang kuat dapat diperoleh. ZerePy menunjukkan kinerja luar biasa dalam aplikasi AI kreatif seperti NFT, dan kerangka ini juga memposisikan dirinya sebagai alat yang kuat di bidang media dan seni digital. Meskipun ia unggul dalam aspek kreatif, namun cakupan aplikasinya relatif sempit dibandingkan dengan kerangka lain.

Dalam hal skalabilitas, perbandingan keempat kerangka adalah sebagai berikut.

  • Eliza mengalami kemajuan signifikan setelah pembaruan versi V2, memperkenalkan jalur pesan yang terintegrasi dan kerangka inti yang dapat diperluas, memungkinkan manajemen yang efisien lintas platform. Namun, tanpa optimasi, mengelola interaksi multi-platform ini mungkin menghadirkan tantangan dalam hal skalabilitas.

  • G.A.M.E unggul dalam pemrosesan waktu nyata yang diperlukan dalam game, skalabilitasnya dapat dikelola melalui algoritma yang efisien dan sistem terdistribusi blockchain yang potensial, meskipun mungkin dibatasi oleh mesin game tertentu atau jaringan blockchain.

  • Kerangka Rig dapat memanfaatkan keuntungan kinerja Rust untuk mencapai skalabilitas yang lebih baik, dirancang secara alami untuk aplikasi dengan throughput tinggi, yang mungkin sangat efektif untuk penerapan tingkat perusahaan, meskipun ini mungkin berarti pengaturan yang kompleks diperlukan untuk mencapai skalabilitas yang nyata.

  • ZerePy memiliki skalabilitas yang ditujukan untuk keluaran kreatif, dan didukung oleh kontribusi komunitas, tetapi fokus kerangka ini mungkin membatasi aplikasinya di lingkungan kecerdasan buatan yang lebih luas, dan skalabilitasnya mungkin diuji oleh variasi tugas kreatif dan bukan jumlah pengguna.

Dalam hal kegunaan, Eliza dengan sistem plugin dan kompatibilitas lintas platform jauh di depan, diikuti oleh G.A.M.E di lingkungan game dan Rig dalam menangani tugas AI kompleks. ZerePy menunjukkan adaptabilitas yang tinggi di bidang kreatif, tetapi kurang cocok untuk aplikasi AI yang lebih luas.

Dalam hal kinerja, hasil pengujian untuk empat kerangka utama adalah sebagai berikut.

  • Eliza dioptimalkan untuk interaksi cepat di media sosial, tetapi kinerjanya mungkin berbeda saat menangani tugas komputasi yang lebih kompleks.

  • G.A.M.E fokus pada interaksi waktu nyata yang berkinerja tinggi dalam konteks game, memanfaatkan proses pengambilan keputusan yang efisien dan kemungkinan blockchain untuk operasi AI yang terdesentralisasi.

  • Rig berbasis Rust, dapat memberikan kinerja yang sangat baik untuk tugas komputasi berkinerja tinggi, cocok untuk aplikasi perusahaan di mana efisiensi komputasi sangat penting.

  • Kinerja ZerePy dirancang untuk pembuatan konten kreatif, dengan metrik yang berfokus pada efisiensi dan kualitas pembuatan konten, yang mungkin kurang berlaku di luar bidang kreatif.

Berdasarkan analisis menyeluruh dari kelebihan dan kekurangan di atas, Eliza menawarkan fleksibilitas dan skalabilitas yang lebih baik, sistem plugin dan konfigurasi peran memberikannya adaptabilitas yang kuat, menguntungkan interaksi AI sosial lintas platform; G.A.M.E dapat memberikan kemampuan interaksi waktu nyata yang unik dalam konteks game, dan menawarkan keterlibatan AI baru melalui integrasi blockchain; Kekuatan Rig terletak pada kinerja dan skalabilitasnya, cocok untuk tugas AI tingkat perusahaan, dan menekankan kesederhanaan dan modularitas kode untuk memastikan pengembangan proyek yang berkelanjutan; Zerepy unggul dalam mengembangkan kreativitas, berada di garis depan aplikasi AI yang berkaitan dengan seni digital, dan didukung oleh model pengembangan berbasis komunitas yang dinamis.

Secara keseluruhan, setiap kerangka memiliki keterbatasannya. Eliza masih berada di tahap awal, dengan masalah stabilitas yang berpotensi, dan kurva belajar yang panjang bagi pengembang baru; fokus niche G.A.M.E mungkin membatasi aplikasi yang lebih luas, dan pengenalan blockchain juga akan menambah kompleksitas; kurva belajar Rig lebih curam karena kompleksitas bahasa Rust, mungkin membuat beberapa pengembang ragu untuk menggunakannya; perhatian sempit Zerepy terhadap keluaran kreatif dapat membatasi aplikasinya di bidang kecerdasan buatan lainnya.

Penyaringan item perbandingan inti

Rig (ARC)

  • Bahasa: Rust, menekankan keamanan dan kinerja.

  • Kasus penggunaan: Fokus pada efisiensi dan skalabilitas, ideal untuk aplikasi AI tingkat perusahaan.

  • Komunitas: Lebih sedikit didorong oleh komunitas, lebih fokus pada pengembang teknis.

Eliza (AI16Z)

  • Bahasa: TypeScript, menekankan fleksibilitas Web3 dan keterlibatan komunitas.

  • Kasus penggunaan: Dirancang khusus untuk interaksi sosial, DAO, dan transaksi, dengan penekanan khusus pada sistem multi-agen.

  • Komunitas: Sangat didorong oleh komunitas, dengan hubungan luas di GitHub.

ZerePy (ZEREBRO):

  • Bahasa: Python, lebih mudah diterima oleh kelompok pengembang AI yang lebih luas.

  • Kasus penggunaan: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.

  • Komunitas: Relatif baru, tetapi dengan popularitas Python dan dukungan kontributor ai16z, diharapkan akan tumbuh.

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

  • Poin utama: Agen AI yang mandiri dan adaptif, dapat berevolusi berdasarkan interaksi dalam lingkungan virtual.

  • Kasus penggunaan: Paling cocok untuk skenario di mana agen perlu belajar dan beradaptasi, seperti game atau dunia virtual.

  • Komunitas: Inovatif, tetapi masih dalam proses menentukan posisinya dalam persaingan.

Pertumbuhan data Github

Grafik di atas menunjukkan perubahan data bintang di GitHub sejak peluncuran kerangka ini. Secara umum, bintang GitHub dapat menjadi indikator minat komunitas, popularitas proyek, dan nilai persepsi proyek.

  • Eliza (garis merah): Grafik menunjukkan bahwa jumlah bintang untuk kerangka ini meningkat secara signifikan dan tren stabil, dimulai dari basis rendah pada bulan Juli, dan mulai melonjak pada akhir November, kini mencapai 6100 bintang. Ini menunjukkan bahwa minat seputar kerangka ini meningkat dengan cepat, menarik perhatian pengembang. Pertumbuhan eksponensial menunjukkan bahwa Eliza telah memperoleh daya tarik besar karena fungsinya, pembaruan, dan keterlibatan komunitas, popularitasnya jauh melebihi produk lain, menunjukkan bahwa ia mendapat dukungan besar dari komunitas dan memiliki aplikasi atau minat yang lebih luas di komunitas kecerdasan buatan.

  • Rig (garis biru): Rig adalah yang paling 'bersejarah' di antara empat kerangka, pertumbuhan bintangnya tidak besar tetapi stabil, dengan peningkatan yang jelas di bulan terakhir. Total bintangnya kini mencapai 1700, tetapi masih dalam jalur kenaikan. Akumulasi perhatian yang stabil berkat pengembangan berkelanjutan, pembaruan, dan basis pengguna yang terus berkembang. Ini mungkin mencerminkan bahwa Rig adalah kerangka yang masih membangun reputasi.

  • ZerePy (garis kuning): ZerePy baru saja diluncurkan beberapa hari yang lalu, dan jumlah bintangnya telah meningkat menjadi 181. Penting untuk dicatat bahwa ZerePy memerlukan lebih banyak pengembangan untuk meningkatkan visibilitas dan tingkat adopsinya, dan kolaborasi dengan ai16z mungkin akan menarik lebih banyak kontributor untuk berpartisipasi dalam repositorinya.

  • G.A.M.E (garis hijau): Jumlah bintang untuk kerangka ini sedikit, tetapi penting untuk dicatat bahwa kerangka ini dapat diterapkan langsung melalui API pada agen dalam ekosistem Virtual, sehingga tidak perlu dipublikasikan di GitHub. Meskipun kerangka ini hanya tersedia untuk para pembangun lebih dari sebulan yang lalu, saat ini sudah ada lebih dari 200 proyek yang menggunakan G.A.M.E untuk membangun.

Harapan peningkatan kerangka AI

Versi 2.0 Eliza akan mencakup integrasi dengan paket alat Coinbase. Semua proyek yang menggunakan Eliza akan mendapatkan dukungan untuk TEE (Trusted Execution Environment) mendatang, yang memungkinkan agen berjalan di lingkungan yang aman. Pusat pendaftaran plugin (Plugin Registry) adalah fitur yang akan segera diluncurkan oleh Eliza, memungkinkan pengembang untuk mendaftar dan mengintegrasikan plugin dengan mulus.

Selain itu, Eliza 2.0 akan mendukung pengiriman pesan lintas platform yang anonim secara otomatis. Whitepaper Tokenomics yang diharapkan dirilis pada 1 Januari 2025 akan berdampak positif pada token AI16Z yang mendukung kerangka Eliza. ai16z berencana untuk terus meningkatkan utilitas kerangka ini, memanfaatkan upaya dari kontributor utama untuk menarik bakat berkualitas tinggi.

Kerangka G.A.M.E menyediakan integrasi tanpa kode untuk agen, memungkinkan G.A.M.E dan Eliza digunakan secara bersamaan dalam satu proyek, masing-masing melayani kasus penggunaan tertentu. Pendekatan ini diharapkan akan menarik pembangun yang berfokus pada logika bisnis daripada kompleksitas teknis. Meskipun kerangka ini baru tersedia selama lebih dari 30 hari, telah mencapai kemajuan substansial dengan dukungan tim untuk menarik lebih banyak kontributor. Diharapkan setiap proyek yang diluncurkan di VirtuaI akan mengadopsi G.A.M.E.

Kerangka Rig yang didorong oleh token ARC memiliki potensi signifikan, meskipun pertumbuhannya berada di tahap awal, dengan proyek kontrak yang mendorong adopsi Rig baru saja diluncurkan beberapa hari lalu. Namun, diharapkan dalam waktu dekat akan muncul proyek berkualitas tinggi yang dipasangkan dengan ARC, mirip dengan roda penggerak Virtual, tetapi dengan fokus pada Solana. Tim Rig optimis tentang kolaborasinya dengan Solana, menempatkan ARC sebagai Virtual untuk Solana. Penting untuk dicatat, tim ini tidak hanya mendorong penggunaan proyek baru yang diluncurkan dengan Rig, tetapi juga mendorong pengembang untuk meningkatkan kerangka Rig itu sendiri.

Zerepy adalah kerangka baru yang diluncurkan, mendapatkan banyak perhatian karena kolaborasinya dengan ai16z (kerangka Eliza), yang telah menarik kontributor dari Eliza yang secara aktif bekerja untuk meningkatkan kerangka ini. Zerepy menikmati dukungan antusias dari komunitas ZEREBRO dan sedang membuka peluang baru bagi pengembang Python yang sebelumnya tidak memiliki ruang untuk bersaing di bidang infrastruktur AI yang kompetitif. Diharapkan kerangka ini akan memainkan peran penting dalam aspek kreatif AI.