Fonte dell'articolo: Odaily星球日报

Questo articolo proviene da: Deep Value Memetics

Compilato da｜Odaily星球日报 (@OdailyChina)

Traduttore｜Azuma (@azuma_eth)

Sintesi dei punti chiave

In questo rapporto, discutiamo il panorama di sviluppo 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 settimana scorsa, abbiamo analizzato e testato i quattro framework sopra menzionati, e la sintesi delle conclusioni è la seguente.

  • Riteniamo che Eliza (circa il 60% di quota di mercato, 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 iniziale e nell'adozione accelerata da parte degli sviluppatori, come dimostrato dai 193 contributori, 1800 fork e oltre 6000 stelle su Github, rendendolo uno dei repository software più popolari su Github.

  • G.A.M.E (circa il 20% di quota di mercato, 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 attraversando un'adozione rapida. Come annunciato in precedenza dal Virtuals Protocol, ci sono già oltre 200 progetti costruiti su G.A.M.E, con oltre 150.000 richieste giornaliere e una crescita settimanale superiore al 200%. G.A.M.E continuerà a beneficiare dell'esplosione del VIRTUAL e potrebbe diventare uno dei maggiori vincitori di questo ecosistema.

  • Rig (circa il 15% di quota di mercato, 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 intrigante e facile da gestire, e potrebbe dominare all'interno dell'ecosistema Solana (RUST).

  • Zerepy (circa il 5% di quota di mercato, 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 un'applicazione più di nicchia, specifica per una comunità ZEREBRO appassionata, la cui recente collaborazione con la comunità ai16z potrebbe generare alcune sinergie.

Nelle statistiche sopra, la "quota di mercato" considera in modo integrato la capitalizzazione di mercato, la cronologia di sviluppo e l'ampiezza del mercato terminale del sistema operativo di base.

Crediamo che i framework AI diventeranno il settore a crescita più rapida di questo ciclo, con un valore totale di settore attualmente di circa 1,7 miliardi di dollari che crescerà facilmente fino a 20 miliardi, e rispetto alla valutazione di 2021 del Layer1, questo numero potrebbe sembrare ancora conservativo - quando molte singole valutazioni di progetti hanno superato i 20 miliardi di dollari. Sebbene i framework sopra menzionati servano mercati finali diversi (catena/ecosistema), riteniamo che il settore crescerà nel suo complesso, quindi un approccio ponderato per capitalizzazione potrebbe essere il più cauto.

Quattro principali framework

All'incrocio 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), ZerePy (ZEREBRO). Dai progetti della comunità open source a soluzioni aziendali orientate alle prestazioni, ogni framework soddisfa diverse esigenze e filosofie di sviluppo degli agenti.

Nella tabella qui sotto, elenchiamo le tecnologie, i componenti e i vantaggi chiave di ciascun framework.

Questo rapporto si concentrerà prima su cosa siano questi framework, i linguaggi di programmazione utilizzati, le architetture tecniche, gli algoritmi e le funzionalità uniche con potenziali casi d'uso. Poi confronteremo ogni framework in base a facilità d'uso, scalabilità, adattabilità e prestazioni, discutendo i loro punti di forza e di debolezza.

Eliza

Eliza è un framework open source di simulazione multi-agente sviluppato da ai16z, progettato per creare, distribuire e gestire agenti AI autonomi. È sviluppato utilizzando TypeScript come linguaggio di programmazione, fornendo una piattaforma flessibile e scalabile per costruire agenti intelligenti in grado di interagire con gli esseri umani su più piattaforme mantenendo una personalità e conoscenza coerenti.

Le funzionalità principali di questo framework includono: supporto per il dispiegamento e la gestione simultanei di più personalità AI uniche attraverso un'architettura multi-agente; creazione di sistemi di ruolo per agenti diversificati utilizzando un framework di file di ruolo; fornendo gestione della memoria con memoria a lungo termine e contesto percettibile tramite un avanzato sistema RAG. Inoltre, il framework Eliza offre integrazione fluida della piattaforma, connettendosi in modo affidabile a Discord, X e altre piattaforme di social media.

Eliza si presenta come un'ottima scelta per le funzionalità di comunicazione e media degli agenti AI. In termini di comunicazione, questo framework supporta l'integrazione con le funzionalità di canali vocali di Discord, funzionalità di X, Telegram e accesso API diretto per casi d'uso personalizzati. D'altra parte, le capacità di elaborazione dei media del framework si sono espanse per includere la lettura e l'analisi di documenti PDF, l'estrazione e il riassunto di contenuti da link, la trascrizione audio, l'elaborazione di contenuti video, l'analisi delle immagini e il riassunto delle conversazioni, gestendo efficacemente vari input e output multimediali.

Eliza offre un supporto flessibile per modelli AI, consentendo inferenze locali con modelli open source, inferenze basate su cloud tramite OpenAI e configurazioni predefinite come Nous Hermes Llama 3.1B, 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 vari settori, come assistenti AI relativi al supporto clienti, gestione della comunità e compiti personali; per esempio, creatori di contenuti automatici, rappresentanti del marchio e ruoli nei social media; può anche funzionare come lavoratore della conoscenza, assumendo i ruoli di assistente alla ricerca, analista di contenuti e gestore di documenti; e ruoli interattivi come robot per giochi di ruolo, mentori educativi e rappresentanti di agenzia.

L'architettura di Eliza è costruita attorno a un runtime per agenti, che può integrarsi senza soluzione di continuità con i sistemi di personaggio (supportati dai fornitori di modelli), gestori di memoria (collegati a database) e sistemi di azione (collegati 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 potente per lo sviluppo di applicazioni AI trasversali.

G.A.M.E

G.A.M.E è sviluppato dal team ufficiale di Virtuals, il cui nome completo è "Framework delle Entità Multimodali Autonome Generative", concepito per fornire agli sviluppatori API e SDK per esperimenti con agenti AI. Questo framework offre un approccio strutturato per gestire il comportamento, le decisioni e il processo di apprendimento degli agenti AI.

  • I componenti principali di G.A.M.E sono i seguenti: prima di tutto, l'"interfaccia di prompting per agenti" è l'ingresso per gli sviluppatori che integrano G.A.M.E negli agenti per ottenere il comportamento dell'agente.

  • Il "sottosistema percettivo" avvia la sessione specificando parametri come l'ID della sessione, ID dell'agente, utente e altri dettagli pertinenti. Comprime 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 dialogo che di risposta. Il cuore qui è il "modulo di gestione delle conversazioni", responsabile della gestione dei messaggi e delle risposte provenienti dagli agenti, collaborando con il "sottosistema percettivo" per interpretare e rispondere efficacemente agli input.

  • Il "motore di pianificazione strategica" collabora con il "modulo di gestione delle conversazioni" e il "portafoglio blockchain" per generare risposte e piani. Questo motore opera su due livelli: come pianificatore di alto livello, crea strategie generali in base al contesto o agli obiettivi; come strategia di basso livello, traduce queste strategie in politiche eseguibili, ulteriormente suddivise in pianificatori di azioni (per specificare i compiti) ed esecutori di piani (per eseguire i compiti).

  • Un componente separato ma cruciale è il "contesto mondiale", che fa riferimento all'ambiente, alle informazioni mondiali e allo stato del gioco, fornendo il contesto necessario per le decisioni degli agenti. Inoltre, la "biblioteca degli agenti" è utilizzata per memorizzare attributi a lungo termine come obiettivi, riflessioni, esperienze e personalità, tutti elementi che plasmano il comportamento e il processo decisionale degli agenti. Questo framework utilizza la "memoria di lavoro a breve termine" e un "processore di memoria a lungo termine" - la memoria a breve termine conserva informazioni rilevanti su azioni, risultati e piani attuali; al contrario, il processore di memoria a lungo termine estrae informazioni chiave in base a criteri di importanza, recentità e rilevanza. Questa memoria immagazzina conoscenze sulle esperienze, riflessioni, personalità dinamiche, contesto mondiale 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" ottiene dati dal "sottosistema percettivo" per generare conoscenze generali, che vengono retrocesse nel sistema per ottimizzare le interazioni future. Gli sviluppatori possono inserire feedback sull'azione, stato del gioco e dati sensoriali tramite l'interfaccia, per migliorare l'apprendimento dell'agente AI e aumentare la sua pianificazione e capacità decisionale.

Il flusso di lavoro inizia con l'interazione degli sviluppatori tramite l'interfaccia di prompt per agenti; il "sottosistema percettivo" gestisce gli input e li inoltra al "modulo di gestione delle conversazioni", che gestisce la logica interattiva; successivamente, il "motore di pianificazione strategica" formula ed esegue piani basati su queste informazioni, utilizzando strategie avanzate e pianificazione dettagliata delle azioni.

I dati provenienti dal "contesto mondiale" e dalla "biblioteca agenti" informano questi processi, mentre la memoria di lavoro tiene traccia dei compiti immediati. Allo stesso tempo, 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 le interazioni dell'agente.

Rig

Rig è un framework open source basato su Rust, progettato per semplificare lo sviluppo di applicazioni con modelli linguistici di grandi dimensioni (LLM). Fornisce un'interfaccia unificata per interagire con diversi fornitori di LLM (come OpenAI e Anthropic) e supporta vari archivi di vettori, tra cui MongoDB e Neo4j. L'architettura modulare del framework presenta componenti chiave come il "livello di astrazione dei fornitori", l'"integrazione degli archivi di vettori" e il "sistema degli agenti", facilitando interazioni senza soluzione di continuità con LLM.

Il pubblico principale di Rig comprende sviluppatori che costruiscono applicazioni AI/ML utilizzando Rust, il pubblico secondario include organizzazioni che cercano di integrare più fornitori di LLM e archivi di vettori nelle loro applicazioni Rust. La libreria è organizzata utilizzando una struttura basata su workspace, contenente diversi crates, realizzando scalabilità e gestione efficiente dei progetti. Le principali funzionalità di Rig includono il "livello di astrazione dei fornitori", che standardizza l'API utilizzata per completare e integrare i fornitori di LLM tramite una gestione coerente degli errori; il componente "integrazione degli archivi di vettori" fornisce un'interfaccia astratta per più backend, supportando la ricerca di similarità tra vettori; il "sistema degli agenti" semplifica l'interazione con LLM, supportando la generazione potenziata da recupero (RAG) e integrazioni di strumenti. Inoltre, il framework di integrazione fornisce capacità di batch e operazioni di embedding sicure per il tipo.

Rig sfrutta diversi vantaggi tecnologici per garantire affidabilità e prestazioni. Le operazioni asincrone utilizzano il runtime asincrono di Rust per gestire in modo efficiente un gran numero di richieste simultanee; il meccanismo di gestione degli errori intrinseco del framework migliora la capacità di recupero da guasti di fornitori AI o operazioni di database; la sicurezza dei tipi previene errori di compilazione, aumentando la manutenibilità del codice; processi di serializzazione e deserializzazione efficienti aiutano a gestire dati in formati come JSON, cruciali per la comunicazione e lo stoccaggio dei servizi AI; registri e dashboard dettagliati aiutano ulteriormente nella debug e nel monitoraggio delle applicazioni.

Il flusso di lavoro in Rig inizia con una richiesta avviata dal client, che passa attraverso il "livello di astrazione dei fornitori" per interagire con il rispettivo modello LLM; quindi, i dati vengono elaborati dal livello centrale, dove l'agente può utilizzare strumenti o accedere a archivi di vettori per ottenere contesto; attraverso flussi di lavoro complessi come RAG, viene generata e affinata la risposta, inclusa la ricerca di documenti e comprensione del contesto, prima di essere restituita al client. Questo sistema integra più fornitori di LLM e archivi di vettori, adattandosi alla disponibilità o alle variazioni delle prestazioni dei modelli.

I casi d'uso di Rig sono vari, comprendendo sistemi di risposta alle domande per fornire risposte accurate recuperando documenti pertinenti, ricerca e recupero di documenti per una scoperta efficiente dei contenuti, e chatbot o assistenti virtuali per fornire interazioni contestualmente consapevoli 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 scritto in Python, progettato per utilizzare LLM di OpenAI o Anthropic per distribuire agenti su X. ZerePy deriva da una versione modulare del backend Zerebro, consentendo agli sviluppatori di avviare agenti utilizzando funzionalità simili a quelle del nucleo di Zerebro. Sebbene questo framework fornisca una base per la distribuzione degli agenti, è necessario affinare il modello per generare output creativi. ZerePy semplifica lo sviluppo e la distribuzione di agenti AI personalizzati, particolarmente adatti per la creazione di contenuti su piattaforme social, promuovendo un ecosistema creativo AI con focus su arte e applicazioni decentralizzate.

Questo framework è costruito utilizzando il linguaggio Python, enfatizzando l'autonomia degli agenti e concentrandosi sulla generazione di output creativi, in linea con l'architettura di Eliza e le sue partnership. Il suo design modulare supporta l'integrazione dei sistemi di memoria, facilitando la distribuzione degli agenti sulle piattaforme sociali. Le sue principali funzionalità includono un'interfaccia a riga di comando per la gestione degli agenti, integrazione con X, supporto per OpenAI e LLM di Anthropic, e un sistema di connessione modulare per funzionalità avanzate.

I casi d'uso di ZerePy coprono l'automazione dei social media, consentendo agli utenti di distribuire agenti AI per pubblicazioni, risposte, like e retweet, aumentando così il coinvolgimento sulla piattaforma. Inoltre, è adatto per la creazione di contenuti in ambiti come la musica, le note e gli NFT, rappresentando uno strumento cruciale per l'arte digitale e le piattaforme di contenuti basate su blockchain.

Confronto trasversale

A nostro avviso, ciascuno dei framework sopra menzionati offre un approccio unico allo sviluppo dell'AI, soddisfacendo esigenze e ambienti specifici, il che rende la discussione non più limitata a se questi framework siano concorrenti l'uno dell'altro, ma piuttosto se ciascun framework possa fornire un'utilità e un valore unici.

  • Eliza si distingue per la sua interfaccia user-friendly, particolarmente adatta agli sviluppatori familiari con JavaScript e Node.js. La sua documentazione completa aiuta a impostare agenti AI su varie piattaforme, anche se il suo ricco insieme di funzionalità può presentare una curva di apprendimento moderata; tuttavia, grazie all'uso di TypeScript, Eliza è molto adatta per costruire agenti incorporati nel web, poiché gran parte delle infrastrutture web frontend è costruita con TypeScript. Questo framework è noto per la sua architettura multi-agente, capace di distribuire agenti AI personalizzati su piattaforme come Discord, X e Telegram. Il suo avanzato sistema RAG per la gestione della memoria lo rende particolarmente adatto per costruire assistenti AI per il supporto clienti o per applicazioni sui social media. Sebbene offra flessibilità, un forte supporto della comunità e prestazioni coerenti 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, offrendo un'interfaccia low-code o no-code tramite API, facilitando l'accesso a utenti con competenze tecniche inferiori nel campo dei giochi. Tuttavia, si concentra sullo sviluppo di giochi e sull'integrazione blockchain, il che può comportare una curva di apprendimento ripida per chi non ha esperienza in questi ambiti. Eccelle nella generazione di contenuti programmati e nel comportamento degli NPC, ma è limitato dalla sua nicchia e dalla complessità extra presente nell'integrazione blockchain.

  • Rig, grazie all'uso del linguaggio Rust, potrebbe risultare poco amichevole per gli utenti a causa della complessità del linguaggio, presentando grandi sfide per l'apprendimento; tuttavia, offre interazioni intuitive per coloro che sono esperti di programmazione di sistema. Rispetto a TypeScript, Rust è noto per le sue prestazioni e la sicurezza della memoria. Ha controlli rigorosi in fase di compilazione e astrazioni a costo zero, che sono essenziali per eseguire algoritmi complessi di intelligenza artificiale. Le caratteristiche di efficienza e basso controllo del linguaggio lo rendono ideale per applicazioni AI ad alta intensità di risorse. Questo framework ha un design modulare e scalabile, offrendo soluzioni ad alte prestazioni, molto adatte a applicazioni aziendali. Tuttavia, per gli sviluppatori non familiari con il linguaggio Rust, l'uso di Rust comporterà una curva di apprendimento ripida.

  • ZerePy utilizza il linguaggio Python, fornendo maggiore usabilità per compiti AI creativi. Per gli sviluppatori Python, in particolare quelli con un background in AI/ML, la curva di apprendimento è bassa e, grazie alla popolarità di ZEREBRO, è disponibile un forte supporto della comunità. ZerePy si distingue in applicazioni AI creative come NFT, e il framework si posiziona come uno strumento potente nel campo dei media digitali e dell'arte. Anche se eccelle in creatività, il suo ambito di applicazione è relativamente ristretto rispetto ad altri framework.

In termini di scalabilità, il confronto tra i quattro principali 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, realizzando una gestione efficiente su più piattaforme. Tuttavia, senza ottimizzazione, la gestione di queste interazioni multi-piattaforma può presentare sfide in termini di scalabilità.

  • G.A.M.E è abile nella gestione in tempo reale richiesta dai giochi, la sua scalabilità può essere gestita attraverso algoritmi efficienti e potenziali sistemi distribuiti blockchain, ma potrebbe essere limitata da specifici motori di gioco o restrizioni di rete blockchain.

  • Il framework Rig può sfruttare i vantaggi delle prestazioni del Rust per ottenere una migliore scalabilità, progettato nativamente per applicazioni ad alto throughput, il che potrebbe essere particolarmente efficace per distribuzioni di livello aziendale; tuttavia, questo potrebbe significare che per realizzare una vera scalabilità è necessaria una configurazione complessa.

  • La scalabilità di ZerePy è mirata all'output creativo, supportata da contributi della comunità, ma il focus del framework potrebbe limitarne l'applicazione in un contesto AI più ampio, e la sua scalabilità potrebbe essere messa alla prova dalla diversità dei compiti creativi piuttosto che dal numero di utenti.

In termini di applicabilità, Eliza, con il suo sistema di plugin e la compatibilità cross-platform, è nettamente in testa, seguita da G.A.M.E negli ambienti di gioco e Rig nella gestione di compiti AI complessi. ZerePy ha mostrato un'alta adattabilità nel campo creativo, ma è meno applicabile in un contesto AI più ampio.

In termini di prestazioni, i risultati dei test dei quattro framework sono i seguenti.

  • Eliza è ottimizzata per interazioni rapide sui social media, ma le sue prestazioni possono variare quando si tratta di compiti computazionali più complessi.

  • G.A.M.E si concentra su interazioni in tempo reale ad alte prestazioni negli scenari di gioco, sfruttando processi decisionali efficienti e possibili operazioni decentralizzate tramite blockchain.

  • Rig, basato su Rust, offre prestazioni eccezionali per compiti di calcolo ad alte prestazioni, particolarmente adatto per applicazioni aziendali dove l'efficienza di calcolo è cruciale.

  • Le prestazioni di ZerePy sono mirate alla creazione di contenuti creativi, con metriche incentrate sull'efficienza e qualità della generazione dei contenuti, che potrebbero non essere molto comuni al di fuori del campo creativo.

Combinando l'analisi complessiva dei punti di forza e di debolezza, Eliza offre una flessibilità e scalabilità superiori, con un sistema di plugin e configurazione dei personaggi che offre una forte adattabilità, favorevole alle interazioni sociali AI su più piattaforme; G.A.M.E può fornire un'abilità unica di interazione in tempo reale negli scenari di gioco, e l'integrazione blockchain offre una partecipazione AI innovativa; Rig ha come vantaggio le sue prestazioni e scalabilità, adatto per compiti AI di livello aziendale, e si concentra sulla semplicità e modularità del codice per garantire lo sviluppo sano a lungo termine dei progetti; Zerepy eccelle nel coltivare la creatività, occupando una posizione di leadership nelle applicazioni AI per l'arte digitale, supportato da un modello di sviluppo guidato dalla comunità vivace.

In sintesi, ogni framework ha i suoi limiti. Eliza è ancora nelle fasi iniziali e presenta potenziali problemi di stabilità, con una curva di apprendimento lunga per i nuovi sviluppatori; G.A.M.E potrebbe avere un'attenzione di nicchia limitante per la sua applicazione più ampia, e l'introduzione della blockchain aggiunge 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 essere limitato nelle sue applicazioni in altri campi dell'intelligenza artificiale a causa del suo focus ristretto sugli output creativi.

Rassegna dei principali confronti

Rig (ARC)

  • Lingua: Rust, con focus su sicurezza e prestazioni.

  • Casi d'uso: focalizzati su efficienza e scalabilità, ideale per applicazioni AI a livello aziendale.

  • Comunità: meno orientata alla comunità, più focalizzata sugli sviluppatori tecnici.

Eliza (AI16Z)

  • Lingua: TypeScript, enfatizzando la flessibilità di Web3 e il coinvolgimento della comunità.

  • Casi d'uso: progettato specificamente per interazioni sociali, DAO e transazioni, con un'enfasi particolare sui sistemi multi-agente.

  • Comunità: altamente guidata dalla comunità, con ampie connessioni a GitHub.

ZerePy (ZEREBRO):

  • Lingua: Python, più facilmente accettato da una comunità di sviluppatori AI più ampia.

  • Casi d'uso: adatto per l'automazione dei social media e compiti di agenti AI più semplici.

  • Comunità: relativamente nuova, ma con la popolarità di Python e il supporto dei contributori ai16z, ci si aspetta una crescita.

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

  • Punti chiave: agenti AI autonomi e adattivi, in grado di evolversi in base alle interazioni all'interno di ambienti virtuali.

  • Casi d'uso: più adatti per scenari in cui gli agenti devono apprendere e adattarsi, come nei giochi o nei mondi virtuali.

  • Comunità: innovativa, ma ancora in fase di definizione della propria posizione nella competizione.

Situazione di crescita dei dati di Github

Il grafico sopra mostra le variazioni nel numero di stelle su GitHub da quando questi framework sono stati lanciati. In generale, le stelle su GitHub possono fungere da indicatore di interesse della comunità, popolarità del progetto e valore percepito del progetto.

  • Eliza (linea rossa): il grafico mostra che il numero di stelle per questo framework è cresciuto significativamente e il trend è stabile, partendo da una base bassa a luglio e iniziando a esplodere a fine novembre, raggiungendo ora 6100 stelle. Questo indica un rapido aumento dell'interesse attorno a questo framework, attirando l'attenzione degli sviluppatori. La crescita esponenziale indica che Eliza ha guadagnato enorme attrattiva grazie alle sue funzionalità, aggiornamenti e coinvolgimento della comunità, la sua popolarità supera di gran lunga quella di altri prodotti, indicando un forte supporto comunitario con una maggiore applicabilità o interesse nella comunità AI.

  • Rig (linea blu): Rig è il framework più "lungo" dei quattro, la sua crescita in stelle è modesta ma stabile, con un recente aumento evidente nell'ultimo mese. Il numero totale di stelle ha raggiunto 1700, ma è ancora in fase di aumento. L'accumulo stabile di attenzione è dovuto a uno sviluppo continuo, aggiornamenti e una base utenti in crescita. Questo potrebbe riflettere che Rig è un framework che sta ancora accumulando reputazione.

  • ZerePy (linea gialla): ZerePy è stato lanciato solo pochi giorni fa e il numero di stelle è già aumentato a 181. È importante sottolineare che ZerePy ha bisogno di ulteriore sviluppo per aumentare la sua visibilità e il tasso di adozione, e la collaborazione con ai16z potrebbe attrarre più contributori al suo repository.

  • G.A.M.E (linea verde): il numero di stelle per questo framework è ridotto, ma è importante notare che 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 che utilizzano G.A.M.E per costruire.

Aspettative di aggiornamento del framework AI

La versione 2.0 di Eliza includerà l'integrazione con il toolkit di agenti Coinbase. Tutti i progetti che utilizzano Eliza riceveranno supporto per il futuro TEE (Trusted Execution Environment) nativo, consentendo agli agenti di operare in un ambiente sicuro. Un centro di registrazione plugin (Plugin Registry) è una funzionalità imminente di Eliza, che consente agli sviluppatori di registrare e integrare plugin senza soluzione di continuità.

Inoltre, Eliza 2.0 supporterà la messaggistica anonima automatizzata e cross-platform. L'atteso white paper di Tokenomics, che sarà rilasciato il 1° gennaio 2025, avrà un impatto positivo sui token AI16Z che supportano il framework Eliza. Ai16z prevede di continuare a rafforzare l'utilità di questo framework e di attrarre talenti di alta qualità grazie agli sforzi dei principali contributori.

Il framework G.A.M.E fornisce integrazione 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 costruttori focalizzati sulla logica aziendale piuttosto che sulla complessità tecnica. Anche se il framework è stato reso pubblico solo da oltre 30 giorni, ha già fatto progressi significativi grazie agli sforzi del team per attrarre più sostenitori.

Il framework Rig, alimentato dal token ARC, ha un potenziale significativo, anche se la crescita del framework è ancora nelle fasi iniziali e i contratti progettati per promuovere l'adozione di Rig sono stati lanciati solo pochi giorni fa. Tuttavia, si prevede che progetti di alta qualità emergeranno in breve tempo in combinazione con ARC, simili al volano di Virtual, ma concentrandosi su Solana. Il team di Rig è ottimista riguardo alla collaborazione con Solana, posizionando ARC come Virtual di Solana. È importante notare che il team non solo incentiva i nuovi progetti avviati con Rig, ma incoraggia 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 attirato contributori da Eliza che stanno lavorando attivamente per migliorare il framework. Zerepy gode di un forte supporto da parte della comunità ZEREBRO e sta aprendo nuove opportunità per gli sviluppatori Python che in precedenza non avevano spazio per esprimersi in un campo infrastrutturale AI altamente competitivo. Si prevede che questo framework giocherà un ruolo importante nel creatività dell'AI.