Titolo originale: Un'analisi approfondita dei framework: un settore che riteniamo possa crescere oltre i 20 miliardi di dollari. Fonte originale: Deep Value Memetics
Traduzione originale: Azuma, Odaily Star Daily
Riepilogo dei punti chiave
In questo rapporto, discutiamo del panorama di sviluppo di alcuni dei principali framework nel campo di Crypto & AI. Esamineremo i quattro principali framework attuali - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), analizzando le loro differenze tecniche e il potenziale di sviluppo.
Nella scorsa settimana, abbiamo analizzato e testato i quattro principali framework sopra menzionati, e la sintesi delle conclusioni è la seguente.
· Riteniamo che Eliza (con una quota di mercato di circa 60%, con una capitalizzazione di mercato di circa 900 milioni di dollari al momento della scrittura, e circa 1.4 miliardi di dollari al momento della pubblicazione) continuerà a dominare la quota di mercato. Il valore di Eliza risiede nel suo vantaggio competitivo e nell'adozione accelerata da parte degli sviluppatori, come dimostrato dai 193 contributori su Github, 1800 fork e oltre 6000 stelle, rendendolo uno dei repository software più popolari su Github.
· G.A.M.E (con una quota di mercato di circa 20%, con una capitalizzazione di mercato di circa 300 milioni di dollari al momento della scrittura, e circa 257 milioni di dollari al momento della pubblicazione) ha avuto uno sviluppo molto positivo fino ad ora e sta vivendo una rapida adozione, come annunciato in precedenza dal Virtuals Protocol, con oltre 200 progetti già costruiti su G.A.M.E, più di 150.000 richieste quotidiane e un tasso di crescita settimanale superiore al 200%. G.A.M.E continuerà a beneficiare dell'esplosione di VIRTUAL, e potrebbe diventare uno dei maggiori vincitori in questo ecosistema.
· Rig (con una quota di mercato di circa 15%, con una capitalizzazione di mercato di circa 160 milioni di dollari al momento della scrittura, e circa 279 milioni di dollari al momento della pubblicazione) ha un design modulare molto interessante e facile da usare, con prospettive di dominare nell'ecosistema Solana (RUST).
· ZerePy (con una quota di mercato di circa 5%, con una capitalizzazione di mercato di circa 300 milioni di dollari al momento della scrittura, e circa 424 milioni di dollari al momento della pubblicazione) è una applicazione più di nicchia, specifica per una comunità fervente di ZEREBRO, la quale potrebbe generare sinergie significative grazie alla recente collaborazione con la comunità ai16z.
Nei dati sopra, la "quota di mercato" è stata calcolata tenendo conto della capitalizzazione di mercato, dei record di sviluppo e dell'ampiezza del mercato terminale dei sistemi operativi sottostanti.
Crediamo che i framework AI diventeranno il settore in più rapida crescita in questo ciclo, con una capitalizzazione di mercato totale attuale di circa 1.7 miliardi di dollari che potrebbe facilmente crescere oltre i 20 miliardi di dollari, un numero che potrebbe sembrare ancora conservativo rispetto alla valutazione del picco di 2021 di Layer 1, quando molte singole valutazioni di progetto superarono i 20 miliardi di dollari. Sebbene i framework sopra citati servano a mercati finali diversi (chain/ecosistemi), riteniamo che questo settore crescerà complessivamente, e l'adozione di un approccio ponderato per capitalizzazione di mercato potrebbe essere relativamente più cauto.
I quattro principali framework
All'intersezione tra AI e Crypto, sono emersi diversi framework progettati per accelerare lo sviluppo dell'AI, tra cui Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) e ZerePy (ZEREBRO). Dai progetti della comunità open source alle soluzioni aziendali focalizzate sulle prestazioni, ogni framework soddisfa esigenze e filosofie di sviluppo diverse per gli agenti.
Nella tabella qui sotto, abbiamo elencato le tecnologie chiave, i componenti e i vantaggi di ciascun framework.
Questo rapporto si concentrerà inizialmente su cosa sono questi framework, quali linguaggi di programmazione, architetture tecniche, algoritmi e funzionalità uniche con potenziali casi d'uso. Successivamente, confronteremo ciascun framework in base a usabilità, scalabilità, adattabilità e prestazioni, discutendo i loro vantaggi e limitazioni.
Eliza
Eliza è un framework open source di simulazione multi-agente sviluppato da ai16z, progettato per creare, distribuire e gestire agenti AI autonomi. Sviluppato in TypeScript come linguaggio di programmazione, offre una piattaforma flessibile e scalabile per costruire agenti intelligenti in grado di interagire con gli esseri umani su più piattaforme, mantenendo personalità e conoscenze coerenti.
Le funzionalità principali di questo framework includono: supporto per il dispiegamento e la gestione simultanei di più agenti AI di personalità uniche; un sistema di ruoli per creare agenti diversificati utilizzando un framework di file di ruolo; gestione della memoria a lungo termine e contestuale tramite un avanzato sistema di generazione migliorata da recupero (RAG). Inoltre, il framework Eliza offre un'integrazione fluida della piattaforma, consentendo una connessione affidabile con Discord, X e altre piattaforme di social media.
In termini di comunicazione e funzionalità multimediali degli agenti AI, Eliza è un'ottima scelta. In termini di comunicazione, il framework supporta l'integrazione con le funzionalità dei canali vocali di Discord, le funzionalità di X, Telegram e l'accesso API diretto per casi d'uso personalizzati. D'altra parte, le funzionalità di elaborazione multimediale del framework si sono estese alla lettura e analisi di documenti PDF, estrazione e sintesi di contenuti da link, trascrizione audio, elaborazione di contenuti video, analisi di immagini e sintesi di dialoghi, consentendo l'efficace gestione di vari input e output multimediali.
Eliza offre un supporto flessibile per modelli AI, consentendo inferenza locale mediante l'uso di modelli open source, inferenza basata su cloud tramite configurazioni predefinite come OpenAI e Nous Hermes Llama 3.1 B, e supporta l'integrazione di Claude per gestire query complesse. Eliza adotta un'architettura modulare, con un ampio sistema di azioni, supporto per client personalizzati e un'API completa, garantendo scalabilità e adattabilità tra le applicazioni.
I casi d'uso di Eliza coprono più aree, come assistenti AI legati al supporto clienti, gestione della comunità e compiti personali; possono anche includere creatori di contenuti automatizzati, rappresentanti di marca e ruoli sui social media; può anche fungere da lavoratore della conoscenza, assumendo ruoli come assistente di ricerca, analista di contenuti e gestore di documenti; e ruoli interattivi come robot per il gioco di ruolo, tutor educativi e agenti di vendita.
L'architettura di Eliza è costruita attorno a un runtime per agenti, che può integrarsi senza soluzione di continuità con un sistema di ruoli (supportato dai fornitori di modelli), un gestore di memoria (collegato a un database) e un sistema di azioni (collegato ai client di piattaforma). Le funzionalità uniche di questo framework includono un sistema di plugin che consente l'estensione modulare delle funzionalità, supportando interazioni multimodali come voce, testo e media, e la compatibilità con modelli AI leader come Llama, GPT-4 e Claude. Con il suo design multifunzionale e potente, Eliza diventa uno strumento formidabile per lo sviluppo di applicazioni AI trasversali.
G.A.M.E
G.A.M.E è sviluppato dal team ufficiale di Virtuals, che sta per "Framework delle Entità Multimodali Autonome Generative", progettato per fornire alle API (Application Programming Interface) e SDK (Software Development Kit) agli sviluppatori per esperimenti con agenti AI. Questo framework offre un approccio strutturato per gestire il comportamento, le decisioni e i processi di apprendimento degli agenti AI.
· I componenti principali di G.A.M.E sono i seguenti: innanzitutto, l'"interfaccia di prompt dell'agente" è l'ingresso per gli sviluppatori per integrare G.A.M.E negli agenti e ottenere il comportamento degli agenti.
· Il "sottosistema percettivo" avvia una sessione specificando parametri come ID sessione, ID agente, utente e altri dettagli pertinenti. Combina i messaggi in entrata in un formato adatto per il "motore di pianificazione strategica", fungendo da meccanismo di input sensoriale per l'agente AI, sia in forma di conversazione che di reazione. Il cuore di questo sistema è il "modulo di elaborazione del dialogo", che gestisce i messaggi e le risposte provenienti dagli agenti e collabora con il "sottosistema percettivo" per interpretare e rispondere efficacemente agli input.
· Il "motore di pianificazione strategica" collabora con il "modulo di elaborazione del dialogo" e l'"operatore del portafoglio on-chain" per generare risposte e piani. Questo motore opera su due livelli: come pianificatore avanzato, crea ampie strategie in base al contesto o agli obiettivi; come strategia di basso livello, trasforma queste strategie in politiche eseguibili, ulteriormente suddivise in "pianificatori d'azione" (per specificare attività) e "esecutori di pianificazione" (per eseguire compiti).
· Un componente singolo ma fondamentale è il "contesto globale", che fa riferimento all'ambiente, alle informazioni mondiali e allo stato del gioco, fornendo il contesto necessario per le decisioni degli agenti. Inoltre, la "libreria agenti" è utilizzata per memorizzare attributi a lungo termine come obiettivi, riflessioni, esperienze e personalità, che insieme plasmano il comportamento e il processo decisionale degli agenti. Questo framework utilizza "memoria di lavoro a breve termine" e "processore di memoria a lungo termine" - la memoria a breve termine conserva informazioni rilevanti riguardo azioni precedenti, risultati e piani correnti; al contrario, il processore di memoria a lungo termine estrae informazioni chiave in base a criteri come importanza, recente e rilevanza. Questa memoria immagazzina conoscenze riguardanti le esperienze, riflessioni, personalità dinamiche, contesto globale e memoria di lavoro degli agenti, per migliorare le decisioni e fornire una base per l'apprendimento.
· Per aumentare il layout, il "modulo di apprendimento" acquisisce dati dal "sottosistema percettivo" per generare conoscenze generali, che vengono restituite al sistema per ottimizzare le interazioni future. Gli sviluppatori possono fornire feedback sull'azione, sullo stato del gioco e sui dati sensoriali tramite l'interfaccia per migliorare l'apprendimento dell'agente AI e aumentare le sue capacità di pianificazione e decisione.
Il flusso di lavoro inizia con l'interazione degli sviluppatori tramite l'interfaccia di prompt dell'agente; il "sottosistema percettivo" gestisce gli input e li inoltra al "modulo di elaborazione del dialogo", che gestisce la logica dell'interazione; quindi, il "motore di pianificazione strategica" elabora queste informazioni utilizzando strategie avanzate e pianificazione dettagliata per formulare e attuare piani.
I dati provenienti dal "contesto globale" e "libreria agenti" forniscono informazioni per questi processi, mentre la memoria di lavoro tiene traccia delle attività immediate. Nel frattempo, il "processore di memoria a lungo termine" memorizza e recupera conoscenze nel tempo. Il "modulo di apprendimento" analizza i risultati e integra nuove conoscenze nel sistema, migliorando continuamente il comportamento e l'interazione degli agenti.
Rig
Rig è un framework open source basato su Rust, progettato per semplificare lo sviluppo di applicazioni con modelli linguistici di grandi dimensioni (LLM). Offre un'interfaccia unificata per interagire con più fornitori di LLM (come OpenAI e Anthropic) e supporta vari archivi vettoriali, tra cui MongoDB e Neo4j. L'architettura modulare di questo framework presenta componenti chiave come il "livello di astrazione del fornitore", l'"integrazione delle memorie vettoriali" e il "sistema agenti", facilitando l'interazione senza soluzione di continuità con LLM.
Il pubblico principale di Rig include sviluppatori che costruiscono applicazioni AI/ML utilizzando Rust, mentre il pubblico secondario include organizzazioni che cercano di integrare più fornitori di LLM e memorie vettoriali nelle loro applicazioni Rust. La libreria è organizzata in una struttura basata su workspaces, contenente più crates, realizzando scalabilità e gestione progettuale efficiente. Le principali funzionalità di Rig includono il "livello di astrazione del fornitore" (Provider Abstraction Layer), che standardizza le API utilizzate per completare e integrare i fornitori di LLM attraverso una gestione degli errori coerente; il componente di "integrazione delle memorie vettoriali" fornisce un'interfaccia astratta per più backend e supporta la ricerca di similarità vettoriale; il "sistema agenti" semplifica l'interazione con LLM, supportando la generazione migliorata da recupero (RAG) e integrazione degli strumenti. Inoltre, il framework di integrazione fornisce capacità di elaborazione batch e operazioni di integrazione sicure per i tipi.
Rig sfrutta vari vantaggi tecnologici per garantire affidabilità e prestazioni. Le operazioni asincrone utilizzano il runtime asincrono di Rust per gestire efficientemente un gran numero di richieste simultanee; il meccanismo di gestione degli errori intrinseco del framework migliora le capacità di recupero da guasti delle operazioni dei fornitori di AI o dei database; la sicurezza dei tipi può prevenire errori di compilazione aumentando la manutenibilità del codice; i processi di serializzazione e deserializzazione efficienti aiutano a gestire dati in formati come JSON, cruciali per le comunicazioni e archiviazione dei servizi AI; registri dettagliati e dashboard aiutano ulteriormente nel debug e monitoraggio delle applicazioni.
Il flusso di lavoro in Rig inizia con una richiesta avviata dal cliente, che passa attraverso il "livello di astrazione del fornitore" interagendo con il modello LLM corrispondente; i dati vengono poi elaborati dal livello centrale, dove l'agente può utilizzare strumenti o accedere a memorie vettoriali per ottenere contesto; attraverso flussi di lavoro complessi come RAG, viene generata e perfezionata la risposta, che include recupero di documenti e comprensione del contesto, per poi essere restituita al cliente. Questo sistema integra più fornitori di LLM e memorie vettoriali, adattandosi alla disponibilità o alle variazioni di prestazioni dei modelli.
I casi d'uso di Rig sono vari e includono sistemi di domande e risposte che recuperano documenti rilevanti per fornire risposte accurate, ricerca e recupero di documenti per la scoperta di contenuti efficiente, e chatbot o assistenti virtuali che forniscono interazioni contestuali per il servizio clienti o l'istruzione. Supporta anche la generazione di contenuti, in grado di creare testi e altri materiali in base ai modelli appresi, rendendolo uno strumento multifunzionale per sviluppatori e organizzazioni.
ZerePy
ZerePy è un framework open source sviluppato in Python, progettato per distribuire agenti su X utilizzando LLM di OpenAI o Anthropic. ZerePy deriva da una versione modulare del backend Zerebro, consentendo agli sviluppatori di avviare agenti con funzionalità simili a quelle del core di Zerebro. Sebbene il framework fornisca una base per il dispiegamento degli agenti, è necessario ottimizzare i modelli per generare output creativi. ZerePy semplifica lo sviluppo e il dispiegamento di agenti AI personalizzati, risultando particolarmente adatto per la creazione di contenuti sui social media, favorendo un ecosistema creativo AI orientato all'arte e alle applicazioni decentralizzate.
Questo framework è costruito in linguaggio Python, enfatizzando l'autonomia degli agenti e la generazione di output creativi, in linea con l'architettura e le partnership di Eliza. Il suo design modulare supporta l'integrazione dei sistemi di memoria, facilitando il dispiegamento degli agenti sulle piattaforme social. Le sue principali funzionalità includono un'interfaccia da riga di comando per la gestione degli agenti, integrazione con X, supporto per LLM di OpenAI e Anthropic, e un sistema di connessione modulare per funzionalità migliorate.
I casi d'uso di ZerePy coprono l'automazione dei social media, consentendo agli utenti di distribuire agenti AI per postare, rispondere, mettere like e ritwittare, aumentando così il coinvolgimento sulla piattaforma. Inoltre, è adatto per la creazione di contenuti in campi come la musica, i promemoria e gli NFT, ed è uno strumento importante per l'arte digitale e le piattaforme di contenuti basate su blockchain.
Confronto orizzontale
Riteniamo che ciascuno di questi framework offra approcci unici allo sviluppo AI, soddisfacendo esigenze e ambienti specifici, rendendo il dibattito non più limitato alla questione se questi framework siano concorrenti, ma piuttosto se ciascun framework possa fornire utilità e valore distintivi.
· Eliza si distingue per la sua interfaccia user-friendly, particolarmente adatta per sviluppatori che conoscono l'ambiente JavaScript e Node.js. La sua documentazione completa aiuta a impostare agenti AI su varie piattaforme, anche se il suo ricco set di funzionalità potrebbe presentare una curva di apprendimento moderata, ma grazie all'uso di TypeScript, Eliza è particolarmente adatta per costruire agenti integrati nel web, poiché la maggior parte delle infrastrutture front-end è costruita con TypeScript. Questo framework è noto per la sua architettura multi-agente, in grado di distribuire agenti AI di personalità diversificata su piattaforme come Discord, X e Telegram. Il suo avanzato sistema di RAG è usato per la gestione della memoria, rendendolo particolarmente adatto per costruire assistenti AI per il supporto clienti o applicazioni sui social media. Sebbene offra flessibilità, un forte supporto della comunità e prestazioni consistenti su più piattaforme, è ancora in fase iniziale e potrebbe presentare una curva di apprendimento per gli sviluppatori.
· G.A.M.E è progettato per sviluppatori di giochi, fornendo un'interfaccia low-code o no-code tramite API, rendendo accessibili gli utenti con competenze tecniche più basse nel campo dei giochi. Tuttavia, si concentra sullo sviluppo di giochi e integrazione blockchain, e per chi non ha esperienza pertinente, la curva di apprendimento può risultare ripida. Eccelle nella generazione di contenuti programmabili e nel comportamento di NPC, ma è anche limitato dalla sua nicchia e dalla complessità aggiuntiva presente durante l'integrazione con blockchain.
· Rig, a causa dell'uso del linguaggio Rust, potrebbe risultare poco amichevole per gli utenti a causa della complessità di questo linguaggio, il che presenta grandi sfide per l'apprendimento, ma per chi è esperto nella programmazione di sistema, può fornire interazioni intuitive. Rispetto a TypeScript, Rust è noto per le sue prestazioni e sicurezza della memoria. Ha rigide verifiche a tempo di compilazione e astrazioni a costo zero, necessarie per eseguire algoritmi di intelligenza artificiale complessi. L'efficienza e le caratteristiche di basso controllo del linguaggio lo rendono un'ideale scelta per applicazioni AI ad alta intensità di risorse. Questo framework ha un design modulare e scalabile, offrendo soluzioni ad alte prestazioni, rendendolo molto adatto per le applicazioni aziendali. Tuttavia, per gli sviluppatori non familiari con il linguaggio Rust, l'uso di Rust comporta una curva di apprendimento ripida.
· ZerePy utilizza il linguaggio Python, offrendo maggiore accessibilità per compiti creativi di IA. Per gli sviluppatori Python, in particolare quelli con esperienza in AI/ML, la curva di apprendimento è bassa e, grazie alla popolarità di ZEREBRO, c'è un forte supporto comunitario. ZerePy eccelle nelle applicazioni AI creative come gli NFT, e si posiziona come uno strumento potente nel campo dei media digitali e delle arti. Sebbene brilli nel campo creativo, la sua portata applicativa rimane relativamente ristretta rispetto ad altri framework.
In termini di scalabilità, il confronto tra i quattro framework è il seguente.
· Eliza ha fatto notevoli progressi dopo l'aggiornamento alla versione V2, introducendo una linea di messaggi unificata e un framework centrale scalabile, consentendo una gestione efficiente cross-platform. Tuttavia, senza ottimizzazione, la gestione di queste interazioni multi-piattaforma potrebbe presentare sfide in termini di scalabilità.
· G.A.M.E eccelle nel processamento in tempo reale richiesto nei giochi, la sua scalabilità può essere gestita attraverso algoritmi efficienti e potenziali sistemi distribuiti basati su blockchain, sebbene possa essere limitata da motori di gioco specifici o restrizioni delle reti blockchain.
· Il framework Rig può sfruttare i vantaggi prestazionali di Rust per una migliore scalabilità, progettato nativamente per applicazioni ad alto throughput, il che potrebbe rivelarsi particolarmente efficace per il dispiegamento aziendale, anche se ciò potrebbe significare che è necessaria una configurazione complessa per ottenere una vera scalabilità.
· La scalabilità di ZerePy è focalizzata sulla produzione creativa, sostenuta dai contributi della comunità, ma il focus di questo framework potrebbe limitarne l'applicabilità in un contesto di intelligenza artificiale più ampio, e la sua scalabilità potrebbe essere messa alla prova dalla varietà dei compiti creativi piuttosto che dal numero di utenti.
In termini di applicabilità, Eliza domina con il suo sistema di plugin e compatibilità cross-platform, seguita da G.A.M.E in ambienti di gioco e Rig per compiti complessi di AI. ZerePy ha dimostrato un'ottima adattabilità nel campo creativo, ma è meno applicabile in contesti AI più ampi.
In termini di prestazioni, i risultati dei test dei quattro framework sono i seguenti.
· Eliza è ottimizzata per interazioni rapide sui social media, ma potrebbe avere prestazioni diverse quando si tratta di compiti computazionali più complessi.
· G.A.M.E si concentra su interazioni in tempo reale ad alte prestazioni in scenari di gioco, sfruttando processi decisionali efficaci e potenziali blockchain per operazioni AI decentralizzate.
· Rig, basato su Rust, può offrire prestazioni eccellenti per compiti di calcolo ad alte prestazioni, adatto per applicazioni aziendali dove l'efficienza di calcolo è cruciale.
· Le prestazioni di ZerePy sono focalizzate sulla creazione di contenuti creativi, i cui indicatori si centrano sull'efficienza e sulla qualità della generazione dei contenuti, che potrebbe non essere molto universale al di fuori del campo creativo.
Analizzando complessivamente i vantaggi e gli svantaggi, Eliza offre una maggiore flessibilità e scalabilità, mentre il suo sistema di plugin e configurazione dei ruoli consente una forte adattabilità, favorevole all'interazione AI sociale cross-platform; G.A.M.E può offrire capacità di interazione in tempo reale uniche in scenari di gioco e introduce partecipazione AI innovativa tramite integrazione con blockchain; Rig eccelle in prestazioni e scalabilità, adatto a compiti AI di livello aziendale, e si concentra sulla semplicità e modularità del codice per garantire uno sviluppo sano a lungo termine del progetto; Zerepy è abile nel promuovere la creatività, è in una posizione di leadership nelle applicazioni AI per l'arte digitale e beneficia di un modello di sviluppo comunitario vivace.
In sintesi, ogni framework ha le proprie limitazioni. Eliza è ancora nelle fasi iniziali e presenta potenziali problemi di stabilità, mentre la curva di apprendimento per i nuovi sviluppatori è lunga; il focus di nicchia di G.A.M.E potrebbe limitare la sua applicazione più ampia, e l'introduzione della blockchain aumenterebbe la complessità; la curva di apprendimento di Rig è più ripida a causa della complessità del linguaggio Rust, il che potrebbe scoraggiare alcuni sviluppatori; Zerepy potrebbe limitare la sua applicazione in altri campi dell'IA a causa della sua attenzione ristretta alla produzione creativa.
Rassegna dei principali punti di confronto
Rig (ARC)
· Linguaggio: Rust, con un focus sulla sicurezza e prestazioni.
· Caso d'uso: Focalizzato su efficienza e scalabilità, è l'ideale per applicazioni AI di livello aziendale.
· Comunità: Meno orientata alla comunità, più focalizzata sugli sviluppatori tecnici.
Eliza (AI16Z)
· Linguaggio: TypeScript, enfatizzando la flessibilità di Web3 e il coinvolgimento della comunità.
· Caso d'uso: Progettato per interazioni sociali, DAO e transazioni, con un forte accento sui sistemi multi-agente.
· Comunità: Altamente guidata dalla comunità, con ampie connessioni a GitHub.
ZerePy (ZEREBRO):
· Linguaggio: Python, più facilmente accettato da un pubblico più ampio di sviluppatori AI.
· Caso d'uso: Adatto per l'automazione dei social media e compiti di AI più semplici.
· Comunità: Relativamente nuova, ma grazie alla popolarità di Python e al supporto dei contributori di ai16z, ci sono prospettive di crescita.
G.A.M.E (VIRTUAL, GMAE):
· Punto chiave: Agenti AI autonomi e adattivi, capaci di evolvere in base alle interazioni in ambienti virtuali.
· Caso d'uso: Ottimale per scenari in cui gli agenti devono apprendere e adattarsi, come nei giochi o nei mondi virtuali.
· Comunità: Innovativa, ma ancora in competizione per definire la propria posizione.
Andamento della crescita dei dati di Github
Il grafico sopra mostra l'andamento dei dati sulle stelle di GitHub da quando questi framework sono stati lanciati. In generale, le stelle su GitHub possono essere un indicatore dell'interesse della comunità, della popolarità del progetto e del valore percepito del progetto.
· Eliza (linea rossa): Il grafico mostra un significativo e costante aumento nel numero di stelle per questo framework, partendo da una base bassa a luglio, con un'improvvisa impennata a fine novembre, ora arrivando a 6100 stelle. Questo indica un rapido aumento dell'interesse attorno a questo framework, attirando l'attenzione degli sviluppatori. La crescita esponenziale suggerisce che Eliza ha guadagnato un'enorme attrattiva a causa delle sue funzionalità, aggiornamenti e coinvolgimento della comunità, ben oltre altri prodotti, suggerendo un forte supporto dalla comunità e una maggiore applicabilità o interesse nel campo dell'IA.
· Rig (linea blu): Rig è il framework più "anziano" dei quattro principali, il suo numero di stelle è cresciuto lentamente ma stabilmente, con un aumento evidente nell'ultimo mese. Il suo totale di stelle ha raggiunto 1700, ma è ancora in un percorso di crescita. L'accumulo stabile di attenzione è dovuto allo sviluppo continuo, agli aggiornamenti e a una base utenti in crescita. Questo potrebbe riflettere che Rig è un framework che sta ancora accumulando reputazione.
· ZerePy (linea gialla): ZerePy è stato appena lanciato e il numero di stelle è aumentato a 181. È importante sottolineare che ZerePy ha bisogno di ulteriori sviluppi per aumentare la sua visibilità e la sua adozione, e la collaborazione con ai16z potrebbe attrarre più contributori nel suo codice.
· G.A.M.E (linea verde): Il numero di stelle per questo framework è relativamente basso, ma è importante notare che il framework può essere applicato direttamente agli agenti nel sistema Virtual tramite API, quindi non è necessario pubblicarlo su Github. Tuttavia, sebbene il framework sia stato reso pubblico solo poco più di un mese fa, ci sono già oltre 200 progetti in fase di costruzione utilizzando G.A.M.E.
Aspettative di upgrade dei framework AI
La versione 2.0 di Eliza includerà l'integrazione con il toolkit per agenti Coinbase. Tutti i progetti che utilizzano Eliza avranno accesso al supporto per future TEE (Trusted Execution Environment) native, che permetterà agli agenti di operare in un ambiente sicuro. Il registro dei plugin è una funzionalità in arrivo di Eliza, che consentirà agli sviluppatori di registrare e integrare plugin senza soluzione di continuità.
Inoltre, Eliza 2.0 supporterà la messaggistica automatizzata anonima tra piattaforme. Il white paper di Tokenomics previsto per il 1 gennaio 2025 (con proposte correlate già pubblicate) avrà un impatto positivo sul token AI16Z che supporta il framework Eliza. Ai16z prevede di continuare a migliorare l'usabilità di questo framework e di attrarre talenti di alta qualità grazie agli sforzi dei suoi principali contribuenti.
Il framework G.A.M.E offre integrazioni senza codice per gli agenti, consentendo l'uso simultaneo di G.A.M.E ed Eliza all'interno di un singolo progetto, ciascuno servendo casi d'uso specifici. Questo approccio si prevede attrarrà i costruttori che si concentrano sulla logica di business piuttosto che sulla complessità tecnica. Sebbene questo framework sia stato reso pubblico solo da oltre 30 giorni, ha già fatto progressi sostanziali grazie agli sforzi del team per attrarre supporto da un numero maggiore di contribuenti. Ci si aspetta che ogni progetto lanciato su VirtuaI adotti G.A.M.E.
Il framework Rig, guidato dal token ARC, ha un potenziale significativo, anche se la crescita del suo framework è ancora nelle fasi iniziali e il piano di contratti per promuovere l'adozione di Rig è online solo da pochi giorni. Tuttavia, ci si aspetta che presto emergano progetti di alta qualità abbinati ad ARC, simili al volano Virtual, ma concentrati su Solana. Il team di Rig ha un atteggiamento ottimista riguardo alla collaborazione con Solana, posizionando ARC come Virtual di Solana. Vale la pena notare che il team non solo incentiva i nuovi progetti lanciati utilizzando Rig, ma incentiva anche gli sviluppatori a migliorare il framework Rig stesso.
Zerepy è un framework recentemente lanciato, che sta guadagnando molta attenzione grazie alla collaborazione con ai16z (framework Eliza), e ha attratto contributori provenienti da Eliza che stanno lavorando attivamente per migliorarlo. Zerepy gode di un fervente supporto dalla comunità di ZEREBRO e sta aprendo nuove opportunità per gli sviluppatori Python, che in precedenza avevano poco spazio per esprimersi nel competitivo settore delle infrastrutture AI. Si prevede che questo framework giocherà un ruolo importante nelle applicazioni creative dell'AI.
Link originale