Sumber artikel: Odaily Planet Daily

Artikel ini berasal dari: Deep Value Memetics

Disusun oleh｜Odaily Planet Daily (@OdailyChina)

Penerjemah｜Azuma (@azuma_eth)

Ringkasan poin

Dalam laporan ini, kami membahas pola 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), dan ZerePy (ZEREBRO), menganalisis perbedaan teknis serta potensi pengembangannya.

Dalam minggu lalu, kami telah menganalisis dan menguji empat kerangka di atas, ringkasan kesimpulannya adalah sebagai berikut.

  • Kami percaya Eliza (dengan pangsa pasar sekitar 60%, nilai pasar saat penulis menulis sekitar 900 juta USD, dan nilai pasar saat ini sekitar 1,4 miliar USD) akan terus mendominasi pangsa pasar. Nilai Eliza terletak pada keunggulan awal dan adopsi cepat oleh pengembang, yang dibuktikan dengan 193 kontributor di Github, 1800 fork, dan lebih dari 6000 bintang, menjadikannya salah satu repositori perangkat lunak paling populer di Github.

  • G.A.M.E (dengan pangsa pasar sekitar 20%, nilai pasar saat penulis menulis sekitar 300 juta USD, dan nilai pasar saat ini sekitar 257 juta USD) telah berkembang dengan baik hingga saat ini dan sedang mengalami adopsi yang cepat. Seperti yang diumumkan sebelumnya oleh Virtuals Protocol, telah ada lebih dari 200 proyek yang dibangun berdasarkan G.A.M.E, dengan lebih dari 150.000 permintaan harian dan tingkat pertumbuhan mingguan di atas 200%. G.A.M.E akan terus mendapat manfaat dari ledakan VIRTUAL dan mungkin menjadi salah satu pemenang terbesar di ekosistem ini.

  • Rig (dengan pangsa pasar sekitar 15%, nilai pasar saat penulis menulis sekitar 160 juta USD, dan nilai pasar saat ini sekitar 279 juta USD) memiliki desain modular yang sangat menarik dan mudah digunakan, dan diharapkan dapat mendominasi dalam ekosistem Solana (RUST).

  • Zerepy (dengan pangsa pasar sekitar 5%, nilai pasar saat penulis menulis sekitar 300 juta USD, dan nilai pasar saat ini sekitar 424 juta USD) adalah aplikasi yang lebih kecil, khusus untuk komunitas ZEREBRO yang antusias, dan kolaborasinya baru-baru ini dengan komunitas ai16z mungkin akan menghasilkan sinergi tertentu.

Dalam statistik di atas, 'pangsa pasar' dihitung 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 USD yang akan dengan mudah meningkat menjadi 20 miliar USD. Angka ini masih mungkin konservatif dibandingkan dengan valuasi puncak Layer1 pada tahun 2021 — saat itu banyak proyek tunggal memiliki valuasi di atas 20 miliar USD. Meskipun kerangka di atas melayani pasar akhir yang berbeda (rantai/ekosistem), mengingat kami percaya sektor ini akan tumbuh secara keseluruhan, pendekatan berbasis kapitalisasi pasar mungkin paling hati-hati.

Empat kerangka utama

Di persimpangan AI dan Crypto, beberapa kerangka kerja yang bertujuan untuk mempercepat pengembangan AI telah muncul, 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 kerja memenuhi kebutuhan dan filosofi pengembangan yang berbeda.

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

Laporan ini akan terlebih dahulu fokus pada apa itu kerangka-kerangka ini, bahasa pemrograman yang mereka gunakan, arsitektur teknis, algoritma, serta fitur unik yang memiliki potensi penggunaan. Kemudian, kami akan membandingkan setiap kerangka berdasarkan kemudahan penggunaan, skalabilitas, adaptabilitas, dan kinerja, sambil mendiskusikan kelebihan dan keterbatasan mereka.

Eliza

Eliza adalah kerangka simulasi multi-agen sumber terbuka yang dikembangkan oleh ai16z, dirancang untuk menciptakan, menerapkan, dan mengelola agen AI otonom. Ini dikembangkan 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.

Fungsi inti kerangka ini mencakup: mendukung penerapan dan manajemen beberapa kepribadian AI unik dalam arsitektur multi-agen; menggunakan kerangka file karakter untuk menciptakan sistem karakter untuk agen yang beragam; menyediakan manajemen memori yang dapat dipahami melalui sistem RAG (retrieval-augmented generation) untuk memori jangka panjang dan konteks yang dapat dirasakan. Selain itu, kerangka Eliza juga menawarkan integrasi platform yang mulus, dapat terhubung secara andal dengan Discord, X, dan platform media sosial lainnya.

Dalam komunikasi dan fungsionalitas media agen AI, Eliza adalah pilihan yang sangat baik. Dalam hal komunikasi, kerangka ini mendukung integrasi dengan fungsi saluran suara Discord, fungsi X, Telegram, serta akses API langsung untuk kasus penggunaan kustom. Di sisi lain, kemampuan pemrosesan media dari kerangka ini telah diperluas untuk membaca dan menganalisis dokumen PDF, ekstraksi dan ringkasan konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan percakapan, mampu menangani beragam masukan dan keluaran media secara efektif.

Eliza menyediakan dukungan model AI yang fleksibel, dapat melakukan inferensi lokal menggunakan model sumber terbuka, serta melakukan inferensi berbasis cloud menggunakan konfigurasi default seperti OpenAI dan Nous Hermes Llama 3.1B, dan mendukung integrasi Claude untuk menangani kueri yang kompleks. Eliza mengadopsi arsitektur modular, memiliki sistem aksi yang luas, dukungan klien yang disesuaikan, dan API yang komprehensif, memastikan skalabilitas dan adaptabilitas antar aplikasi.

Use case Eliza mencakup berbagai bidang, seperti asisten AI terkait dukungan pelanggan, manajemen komunitas, dan tugas pribadi; misalnya, sebagai pembuat konten otomatis, wakil merek, dan peran media sosial lainnya; ia juga dapat berfungsi sebagai pekerja pengetahuan, berperan sebagai asisten penelitian, analis konten, dan pengolah dokumen; serta peran interaktif seperti robot bermain peran, mentor pendidikan, dan perwakilan agen.

Arsitektur Eliza dibangun di sekitar runtime agen, yang dapat diintegrasikan secara mulus dengan sistem karakter (didukung oleh penyedia model), manajer memori (terhubung ke database), dan sistem aksi (terhubung dengan klien platform). Fitur unik kerangka ini termasuk sistem plugin yang memungkinkan ekstensi fungsi 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, yang merupakan singkatan dari 'Kerangka Entitas Multimodal Otonom Generatif', yang bertujuan untuk menyediakan antarmuka aplikasi (API) dan paket pengembangan perangkat lunak (SDK) agar pengembang dapat bereksperimen dengan agen AI. Kerangka ini menawarkan pendekatan terstruktur untuk mengelola perilaku, keputusan, dan proses pembelajaran agen AI.

  • Komponen inti G.A.M.E adalah: pertama, 'antarmuka prompt agen' (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan G.A.M.E ke dalam agen guna mendapatkan perilaku agen.

  • 'Sub-sistem persepsi' memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan detail relevan lainnya. Ini menggabungkan pesan yang masuk menjadi format yang cocok untuk 'mesin perencanaan strategis', berfungsi sebagai mekanisme input sensasi untuk agen AI, baik dalam bentuk percakapan maupun reaksi. Inti di sini adalah 'modul pemrosesan percakapan', yang bertanggung jawab untuk menangani pesan dan respons dari agen, dan bekerja sama dengan 'sub-sistem persepsi' untuk secara efektif menginterpretasikan dan merespon input.

  • 'Mesin perencanaan strategis' bekerja sama dengan 'modul pemrosesan percakapan' 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; dan sebagai strategi tingkat rendah, mengubah strategi tersebut menjadi kebijakan yang dapat dieksekusi, lebih lanjut dipecah menjadi perencana tindakan (untuk menentukan tugas) dan pelaksana rencana (untuk mengeksekusi tugas).

  • Komponen terpisah namun kunci adalah 'konteks dunia', yang mengacu pada lingkungan, informasi dunia, dan status permainan, memberikan konteks yang diperlukan untuk keputusan agen. Selain itu, 'perpustakaan agen' digunakan untuk menyimpan atribut jangka panjang seperti tujuan, refleksi, pengalaman, dan kepribadian, yang secara kolektif membentuk perilaku dan proses pengambilan keputusan agen. Kerangka ini menggunakan 'memori kerja jangka pendek' dan 'prosesor memori jangka panjang' — memori jangka pendek menyimpan informasi relevan tentang tindakan sebelumnya, hasil, dan rencana saat ini; sedangkan prosesor memori jangka panjang mengekstrak informasi kunci berdasarkan pentingnya, kedekatan, dan relevansi. 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' mengambil data dari 'sub-sistem persepsi' untuk menghasilkan pengetahuan umum, yang dikembalikan ke sistem untuk mengoptimalkan interaksi di masa depan. Pengembang dapat memberikan umpan balik melalui antarmuka tentang tindakan, status permainan, dan data sensor untuk meningkatkan pembelajaran agen AI dan meningkatkan kemampuan perencanaan dan pengambilan keputusan.

Alur kerja dimulai dengan interaksi pengembang melalui antarmuka prompt agen; 'sub-sistem persepsi' menangani masukan dan meneruskannya ke 'modul pemrosesan percakapan', yang mengelola logika interaksi; kemudian, 'mesin perencanaan strategis' menggunakan informasi tersebut untuk merumuskan dan melaksanakan rencana dengan strategi tingkat tinggi dan perencanaan tindakan yang terperinci.

Data dari 'konteks dunia' dan 'perpustakaan agen' memberikan informasi untuk proses ini, sementara memori kerja melacak tugas langsung. Sementara itu, 'prosesor 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 untuk terus meningkat.

Rig

Rig adalah kerangka sumber terbuka berbasis Rust yang dirancang untuk menyederhanakan pengembangan aplikasi model bahasa besar (LLM). Ini menyediakan antarmuka seragam 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 mencakup pengembang yang menggunakan Rust untuk membangun aplikasi AI/ML, sementara audiens sekunder mencakup organisasi yang mencari untuk mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka. Repositori diorganisir menggunakan struktur berbasis ruang kerja, mencakup beberapa crates, untuk mencapai skalabilitas dan manajemen proyek yang efisien. Fitur utama Rig termasuk 'lapisan abstraksi penyedia' (Provider Abstraction Layer), yang menyederhanakan penanganan kesalahan, menstandarkan API untuk menyelesaikan dan mengintegrasikan penyedia LLM; komponen 'integrasi penyimpanan vektor' menyediakan antarmuka abstrak untuk beberapa backend dan mendukung pencarian kesamaan vektor; dan 'sistem agen' menyederhanakan interaksi LLM, mendukung generasi yang ditingkatkan dengan pengambilan (RAG) dan integrasi alat. Selain itu, kerangka embedding menyediakan kemampuan pengolahan batch dan operasi embedding yang aman secara tipe.

Rig memanfaatkan berbagai keunggulan teknologi 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 ketahanan terhadap kegagalan operasi penyedia AI atau database; keamanan tipe mencegah kesalahan pada saat kompilasi, meningkatkan pemeliharaan kode; proses serialisasi dan deserialisasi yang efisien membantu dalam menangani data dalam format seperti JSON, yang penting untuk komunikasi dan penyimpanan layanan AI; pencatatan detail dan instrumen lebih lanjut membantu dalam debug dan pemantauan aplikasi.

Alur kerja dalam Rig dimulai dengan permintaan yang diajukan oleh klien, permintaan tersebut mengalir melalui 'lapisan abstraksi penyedia', berinteraksi dengan model LLM yang sesuai; kemudian, data diproses oleh lapisan inti, agen dapat menggunakan alat di lapisan inti atau mengakses penyimpanan vektor untuk mendapatkan konteks; respons dihasilkan dan disempurnakan melalui alur kerja kompleks seperti RAG, yang mencakup pengambilan dokumen dan pemahaman konteks, sebelum dikembalikan ke klien. Sistem ini mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor, dapat beradaptasi dengan ketersediaan atau perubahan kinerja model.

Use case Rig sangat bervariasi, termasuk sistem tanya jawab yang mengandalkan pengambilan dokumen relevan untuk memberikan balasan yang akurat, pencarian dan pengambilan dokumen untuk penemuan konten yang efisien, serta chatbot atau asisten virtual yang menyediakan interaksi yang peka konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung generasi konten, mampu membuat teks dan materi lainnya berdasarkan pola yang dipelajari, menjadikannya alat multifungsi bagi pengembang dan organisasi.

ZerePy

ZerePy adalah kerangka sumber terbuka yang ditulis dalam Python, yang dirancang untuk memanfaatkan OpenAI atau Anthropic LLM untuk menerapkan agen di X. ZerePy berasal dari versi modular backend Zerebro, memungkinkan pengembang untuk memulai agen dengan fungsionalitas yang mirip dengan fitur inti Zerebro. Meskipun kerangka ini menyediakan fondasi untuk penerapan agen, model harus disesuaikan untuk menghasilkan output kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk penciptaan konten di platform sosial, memfasilitasi ekosistem kreatif AI yang berfokus pada seni dan aplikasi terdesentralisasi.

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

Use case ZerePy mencakup otomatisasi media sosial, di mana pengguna dapat menerapkan agen AI untuk memposting, membalas, menyukai, dan转发, meningkatkan keterlibatan di platform. Selain itu, ini juga cocok untuk penciptaan konten di bidang musik, memo, dan NFT, menjadi alat penting di platform seni digital dan berbasis blockchain.

Perbandingan horizontal

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

  • Eliza menonjol dengan antarmuka yang ramah pengguna, sangat cocok untuk pengembang yang akrab dengan lingkungan JavaScript dan Node.js. Dokumentasi yang komprehensif membantu dalam pengaturan agen AI di berbagai platform, meskipun kumpulan fitur yang kaya mungkin menyajikan kurva belajar yang moderat. Namun, karena menggunakan TypeScript, Eliza sangat cocok untuk membangun agen yang terintegrasi dalam web, karena sebagian besar infrastruktur web frontend dibangun dengan TypeScript. Kerangka ini terkenal dengan arsitektur multi-agen yang mampu menerapkan agen AI yang beragam di berbagai platform seperti Discord, X, dan Telegram. Sistem RAG yang canggih digunakan 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, ia masih berada di tahap awal dan mungkin menghadapi kurva belajar bagi pengembang.

  • G.A.M.E dirancang khusus untuk pengembang game, menyediakan antarmuka low-code atau no-code melalui API, memudahkan akses bagi pengguna dengan keterampilan teknis yang lebih rendah di bidang game. Namun, ia berfokus pada pengembangan game dan integrasi blockchain, sehingga kurva belajarnya bisa cukup curam bagi mereka yang tidak memiliki pengalaman terkait. Ini menunjukkan kinerja yang luar biasa dalam pembuatan konten programatik dan perilaku NPC, tetapi juga dibatasi oleh segmen pasar dan kompleksitas tambahan yang ada saat mengintegrasikan blockchain.

  • Rig mungkin kurang ramah bagi pengguna karena kompleksitas bahasa Rust, yang menghadirkan tantangan belajar yang signifikan, tetapi bagi mereka yang mahir dalam pemrograman sistem, ia dapat menawarkan interaksi yang intuitif. Dibandingkan dengan TypeScript, Rust dikenal dengan kinerja dan keamanan memori yang sangat baik. Ia memiliki pemeriksaan ketat pada saat kompilasi dan abstraksi tanpa biaya, yang penting untuk menjalankan algoritma AI yang kompleks. Karakteristik efisiensi dan kontrol rendah dari bahasa ini menjadikannya pilihan ideal untuk aplikasi AI yang membutuhkan sumber daya intensif. Kerangka ini menggunakan desain modular dan dapat diperluas, menawarkan solusi berkinerja tinggi yang sangat cocok untuk aplikasi perusahaan. Namun, penggunaan Rust mungkin menghadirkan kurva belajar yang curam bagi pengembang yang tidak akrab dengan bahasa tersebut.

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

Dalam hal skalabilitas, perbandingan antara empat kerangka utama adalah sebagai berikut.

  • Eliza telah mencapai kemajuan signifikan setelah pembaruan versi V2, memperkenalkan garis pesan terpadu dan kerangka inti yang dapat diperluas, memungkinkan manajemen yang efisien di berbagai platform. Namun, jika tidak dioptimalkan, manajemen interaksi multi-platform ini dapat menghadirkan tantangan dalam hal skalabilitas.

  • G.A.M.E unggul dalam pengolahan waktu nyata yang dibutuhkan dalam permainan, skalabilitasnya dapat dikelola melalui algoritma efisien dan sistem terdistribusi blockchain yang potensial, meskipun mungkin akan terpengaruh oleh batasan dari mesin permainan tertentu atau jaringan blockchain.

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

  • Skalabilitas ZerePy ditujukan untuk output kreatif dan didukung oleh kontribusi komunitas, tetapi fokus kerangka ini mungkin membatasi aplikasinya dalam lingkungan AI yang lebih luas, dan skalabilitasnya mungkin diuji oleh keragaman tugas kreatif daripada jumlah pengguna.

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

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

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

  • G.A.M.E fokus pada interaksi waktu nyata berkinerja tinggi dalam skenario game, memanfaatkan proses pengambilan keputusan yang efisien dan kemungkinan desentralisasi AI melalui blockchain.

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

  • Kinerja ZerePy ditujukan untuk penciptaan konten kreatif, metriknya berfokus pada efisiensi dan kualitas dalam menghasilkan konten, dan mungkin kurang umum di luar bidang kreatif.

Berdasarkan analisis menyeluruh tentang kelebihan dan kekurangan di atas, Eliza menawarkan fleksibilitas dan skalabilitas yang lebih baik, sistem plugin dan konfigurasi karakter membuatnya sangat adaptif, mendukung interaksi sosial AI lintas platform; G.A.M.E dapat menyediakan kemampuan interaksi waktu nyata yang unik dalam skenario permainan, dan menawarkan partisipasi AI yang baru melalui integrasi blockchain; keunggulan Rig terletak pada kinerja dan skalabilitasnya, ideal untuk tugas AI tingkat perusahaan, serta berfokus pada kesederhanaan dan modularitas kode untuk memastikan perkembangan jangka panjang proyek yang sehat; ZerePy unggul dalam menumbuhkan kreativitas, memimpin dalam aplikasi AI di seni digital, dan didukung oleh model pengembangan komunitas yang energik.

Secara keseluruhan, setiap kerangka memiliki keterbatasannya. Eliza masih berada di tahap awal dengan masalah stabilitas potensial, dan kurva belajar yang lebih panjang bagi pengembang baru; G.A.M.E dengan fokus niche-nya mungkin membatasi aplikasinya yang lebih luas, dan integrasi blockchain dapat menambah kompleksitas; kurva belajar Rig lebih curam karena kompleksitas bahasa Rust, yang mungkin membuat beberapa pengembang enggan; Zerepy dengan fokus sempit pada output kreatif mungkin membatasi aplikasinya dalam bidang AI lainnya.

Perbandingan inti

Rig (ARC)

  • Bahasa: Rust, fokus pada keamanan dan kinerja.

  • Use Case: Berfokus pada efisiensi dan skalabilitas, pilihan ideal untuk aplikasi AI tingkat perusahaan.

  • Komunitas: Komunitas yang kurang terdorong, lebih fokus pada pengembang teknis.

Eliza (AI16Z)

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

  • Use Case: Dirancang khusus untuk interaksi sosial, DAO, dan perdagangan, dengan penekanan khusus pada sistem multi-agen.

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

ZerePy (ZEREBRO):

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

  • Use Case: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.

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

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

  • Fokus: Agen AI otonom dan adaptif, dapat berevolusi berdasarkan interaksi dalam lingkungan virtual.

  • Use Case: Paling cocok untuk skenario di mana agen perlu belajar dan beradaptasi, seperti dalam permainan atau dunia virtual.

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

Pertumbuhan Data Github

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

  • Eliza (garis merah): Grafik menunjukkan pertumbuhan jumlah bintang kerangka ini yang signifikan dan tren yang stabil, dimulai dari basis rendah pada bulan Juli, melonjak di akhir bulan November, kini mencapai 6100 bintang. Ini menunjukkan minat yang cepat meningkat di sekitar kerangka ini, menarik perhatian pengembang. Pertumbuhan eksponensial menunjukkan bahwa Eliza telah memperoleh daya tarik besar karena fungsinya, pembaruan, dan keterlibatan komunitas, popularitasnya jauh melampaui produk lainnya, menunjukkan dukungan besar dari komunitas, dan memiliki aplikasi atau minat yang lebih luas di komunitas AI.

  • Rig (garis biru): Rig adalah yang paling 'tua' di antara empat kerangka kerja, pertumbuhan bintangnya tidak terlalu signifikan, tetapi sangat stabil, dengan kenaikan yang jelas dalam sebulan terakhir. Jumlah bintangnya telah mencapai 1700, tetapi masih dalam jalur kenaikan. Akumulasi perhatian yang stabil merupakan hasil dari pengembangan berkelanjutan, pembaruan, dan pertumbuhan basis pengguna yang terus meningkat. Ini mungkin mencerminkan bahwa Rig adalah kerangka yang masih membangun reputasi.

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

  • G.A.M.E (garis hijau): Jumlah bintang kerangka ini sangat sedikit, tetapi perlu dicatat bahwa kerangka ini dapat diterapkan langsung pada agen dalam ekosistem Virtual melalui API, sehingga tidak perlu dipublikasikan di Github. Namun, meskipun kerangka ini hanya diakses publik lebih dari sebulan yang lalu, saat ini sudah ada lebih dari 200 proyek yang menggunakan G.A.M.E untuk pembangunan.

Ekspektasi upgrade kerangka AI

Versi 2.0 Eliza akan mencakup integrasi dengan toolkit agen Coinbase. Semua proyek yang menggunakan Eliza akan mendapatkan dukungan untuk TEE native di masa depan (Trusted Execution Environment), memungkinkan agen untuk beroperasi dalam lingkungan yang aman. Pusat pendaftaran plugin (Plugin Registry) adalah fitur yang akan segera diluncurkan oleh Eliza, memungkinkan pengembang untuk mendaftar dan mengintegrasikan plugin dengan mudah.

Selain itu, Eliza 2.0 akan mendukung pengiriman pesan lintas platform yang otomatis dan anonim. White paper Tokenomics yang diharapkan dirilis pada 1 Januari 2025 akan berdampak positif pada token AI16Z yang mendukung kerangka Eliza. ai16z berencana untuk terus memperkuat utilitas kerangka ini dan memanfaatkan upaya yang dilakukan oleh kontributor utama untuk menarik talenta berkualitas tinggi.

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

Kerangka Rig yang didorong oleh token ARC memiliki potensi yang signifikan, meskipun pertumbuhannya masih di tahap awal, dan rencana proyek kontrak untuk mendorong adopsi Rig baru saja diluncurkan beberapa hari yang lalu. Namun, diharapkan akan segera muncul proyek-proyek berkualitas tinggi yang berpasangan dengan ARC, mirip dengan roda penggerak Virtual, tetapi dengan fokus pada Solana. Tim Rig optimis dalam kerja sama dengan Solana, memposisikan ARC sebagai Virtual di Solana. Penting untuk dicatat bahwa tim ini tidak hanya mendorong penggunaan Rig untuk proyek baru, tetapi juga mendorong pengembang untuk memperkuat kerangka Rig itu sendiri.

Zerepy adalah kerangka baru yang diluncurkan, yang mendapatkan banyak perhatian karena kolaborasinya dengan ai16z (kerangka Eliza), dan telah menarik kontributor dari Eliza yang aktif berupaya memperbaiki kerangka ini. Zerepy menikmati dukungan antusias dari komunitas ZEREBRO dan sedang membuka peluang baru bagi pengembang Python yang sebelumnya kesulitan di bidang infrastruktur AI yang sangat kompetitif. Diperkirakan kerangka ini akan memainkan peran penting dalam aspek kreatif AI.