Autore: Deep Value Memetics, Traduzione: 金色财经xiaozou

In questo articolo esploreremo le prospettive dei framework Crypto X AI. Ci concentreremo sui quattro principali framework attuali (ELIZA, GAME, ARC, ZEREPY) e sulle loro differenze tecnologiche.

1. Introduzione

Nella scorsa settimana abbiamo testato e ricercato i quattro principali framework Crypto X AI: ELIZA, GAME, ARC e ZEREPY, e le nostre conclusioni sono le seguenti.

Crediamo che AI16Z continuerà a dominare. Il valore di Eliza (con una quota di mercato di circa il 60% e una capitalizzazione di mercato superiore a 1 miliardo di dollari) risiede nel suo vantaggio competitivo iniziale (effetto Lindy) e nell'uso crescente da parte di sviluppatori, come dimostrano i dati di 193 contributori, 1800 fork e oltre 6000 stelle, rendendolo uno dei repository più popolari su Github.

Fino ad ora, lo sviluppo di GAME (con una quota di mercato di circa il 20% e una capitalizzazione di mercato di circa 300 milioni di dollari) è andato molto bene, guadagnando un'adozione rapida. Come appena annunciato da VIRTUAL, la piattaforma ha oltre 200 progetti, 150.000 richieste giornaliere e un tasso di crescita settimanale del 200%. GAME continuerà a beneficiare dell'ascesa di VIRTUAL e diventerà uno dei maggiori vincitori nel suo ecosistema.

Rig (ARC, con una quota di mercato di circa il 15% e una capitalizzazione di mercato di circa 160 milioni di dollari) è molto interessante, poiché il suo design modulare è molto maneggevole e può dominare come 'pure-play' nel ecosistema Solana (RUST).

Zerepy (con una quota di mercato di circa il 5% e una capitalizzazione di mercato di circa 300 milioni di dollari) è un'applicazione relativamente di nicchia, progettata per la comunità entusiasta di ZEREBRO, e la sua recente collaborazione con la comunità ai16z potrebbe generare sinergie.

Abbiamo notato che il nostro calcolo della quota di mercato copre la capitalizzazione di mercato, i registri di sviluppo e i mercati terminali del sistema operativo sottostante.

Riteniamo che, in questo ciclo di mercato, il segmento dei framework sarà l'area con la crescita più rapida, con una capitalizzazione di mercato totale di 1,7 miliardi di dollari che potrebbe facilmente crescere fino a 20 miliardi di dollari, il che è ancora relativamente conservatore rispetto alla valutazione di picco del 2021 per L1, quando molte L1 hanno raggiunto valutazioni superiori ai 20 miliardi di dollari. Anche se questi framework servono mercati terminali diversi (catene/ecosistemi), dato che riteniamo che questo settore sia in una continua salita, un approccio ponderato basato sulla capitalizzazione di mercato potrebbe essere il metodo più prudente.

2. Quattro principali framework

Nella tabella sottostante, elenchiamo le tecnologie chiave, i componenti e i punti di forza di ciascun framework principale.

(1) Panoramica del framework

Nel campo incrociato tra AI e Crypto, ci sono diversi framework che promuovono lo sviluppo dell'AI. Questi includono ELIZA di AI16Z, RIG di ARC, ZEREPY di ZEREBRO, e VIRTUAL di GAME. Ogni framework soddisfa esigenze e ideologie diverse nel processo di sviluppo degli agenti AI, da progetti di comunità open-source a soluzioni enterprise orientate alle prestazioni.

Questo articolo inizia presentando i framework, spiegando cosa sono, quali linguaggi di programmazione, architetture tecnologiche e algoritmi utilizzano, quali caratteristiche uniche possiedono e quali potenziali casi d'uso possono avere. Successivamente, confronteremo ogni framework in termini di usabilità, scalabilità, adattabilità e prestazioni, esplorando i loro punti di forza e le loro limitazioni.

ELIZA (sviluppato da ai16z)

Eliza è un framework open-source multi-agente progettato per creare, dispiegare e gestire agenti AI autonomi. È sviluppato in linguaggio di programmazione TypeScript, fornendo una piattaforma flessibile ed estensibile per costruire agenti intelligenti in grado di interagire con gli esseri umani su più piattaforme, mantenendo coerenza nella personalità e nella conoscenza.

Le funzionalità principali di questo framework includono un'architettura multi-agente che supporta il dispiegamento e la gestione simultanea di più personalità AI uniche, così come un sistema di ruoli che utilizza un framework di file di ruolo per creare diversi agenti, e funzionalità di gestione della memoria a lungo termine e contestuale attraverso un sistema di recupero avanzato (RAG). Inoltre, il framework Eliza offre integrazione fluida della piattaforma, consentendo connessioni affidabili con Discord, X e altre piattaforme di social media.

Dal punto di vista delle funzionalità di comunicazione e media per gli agenti AI, Eliza è un'ottima scelta. In termini di comunicazione, il framework supporta le funzionalità dei canali vocali di Discord, funzionalità di X, integrazione con Telegram e accesso diretto all'API per casi d'uso personalizzati. D'altra parte, le funzionalità di elaborazione dei media del framework si estendono alla lettura e analisi di documenti PDF, estrazione e sintesi di contenuti linkati, trascrizione audio, elaborazione di contenuti video, analisi delle immagini e sintesi dei dialoghi, potendo gestire efficacemente tutti i tipi di input e output multimediali.

Il framework Eliza fornisce supporto flessibile per modelli di AI attraverso l'inferenza locale di modelli open-source, l'inferenza cloud di OpenAI e configurazioni predefinite (come Nous Hermes Llama 3.1B), integrando anche il supporto per Claude nella gestione di compiti complessi. Eliza adotta un'architettura modulare, con ampio supporto per sistemi operativi, client personalizzati e un'API completa, garantendo scalabilità e adattabilità tra le applicazioni.

I casi d'uso di Eliza si estendono su più settori, come assistenti AI per supporto clienti, revisione della comunità e compiti personali, così come creatori di contenuti automatici, robot interattivi e rappresentanti di marchi per ruoli sui social media. Può anche agire come lavoratore della conoscenza, interpretando ruoli di assistente alla ricerca, analista di contenuti e gestore di documenti, e supportare ruoli interattivi come robot di interpretazione, tutor educativi e agenti di rappresentanza.

L'architettura di Eliza è costruita attorno al runtime dell'agente (agent runtime), che si integra senza soluzione di continuità con il suo sistema di ruoli (supportato dai fornitori di modelli), il gestore della memoria (collegato al database) e il sistema operativo (collegato al client della piattaforma). Le funzionalità uniche di questo framework includono un sistema di plugin che supporta estensioni funzionali modulari, supportando interazioni multimodali come voce, testo e media, e compatibile con i principali modelli di intelligenza artificiale (come Llama, GPT-4 e Claude). Con la sua varietà di funzionalità e un design potente, Eliza si distingue come uno strumento potente per sviluppare applicazioni AI trasversali.

G.A.M.E (sviluppato dal Virtuals Protocol)

Il framework Generative Autonomous Multimodal Entities (G.A.M.E) è progettato per fornire agli sviluppatori accesso 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 suoi componenti principali sono i seguenti: prima di tutto, l'interfaccia di suggerimento per agenti (Agent Prompting Interface) è il punto di accesso per gli sviluppatori per integrare GAME negli agenti per accedere al comportamento degli agenti. Il sottosistema di percezione (Perception Subsystem) avvia la sessione specificando parametri come ID sessione, ID agente, utente e altri dettagli pertinenti.

Converte le informazioni in entrata in un formato adatto al motore di pianificazione strategica (Strategic Planning Engine), fungendo da meccanismo di input sensoriale per l'agente AI, sia sotto forma di conversazione che di risposta. Al suo centro c'è il modulo di elaborazione del dialogo, che gestisce i messaggi e le risposte provenienti dagli agenti e collabora con il sottosistema di percezione per interpretare e rispondere efficacemente agli input.

Il motore di pianificazione strategica lavora insieme al modulo di elaborazione del dialogo e all'operatore del wallet on-chain per generare risposte e piani. Questo motore ha due livelli di funzionalità: come pianificatore di alto livello, crea strategie ampie basate sul contesto o sugli obiettivi; come strategia di basso livello, traduce queste strategie in piani operativi, che sono ulteriormente suddivisi in pianificatori d'azione per compiti specifici e esecutori di piani per l'esecuzione delle attività.

C'è anche un componente indipendente ma importante chiamato World Context (Contesto del Mondo), che fa riferimento all'ambiente, alle informazioni globali e allo stato del gioco, fornendo il contesto necessario per le decisioni degli agenti. Inoltre, l'Agent Repository (Repository degli Agenti) viene utilizzato 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 processori di memoria a breve termine e a lungo termine. La memoria a breve termine conserva informazioni rilevanti sui comportamenti passati, risultati e piani attuali. Al contrario, il processore della memoria a lungo termine estrae informazioni chiave in base a criteri come importanza, recentità e rilevanza. La memoria a lungo termine memorizza esperienze, riflessioni, personalità dinamiche, contesto mondiale e memoria di lavoro dell'agente, per migliorare le decisioni e fornire una base per l'apprendimento.

Il modulo di apprendimento utilizza dati dal sottosistema di percezione per generare conoscenza generale, che viene retroalimentata nel sistema per migliorare le interazioni future. Gli sviluppatori possono fornire feedback sull'azione, lo stato del gioco e i dati sensoriali attraverso l'interfaccia per migliorare la capacità di apprendimento degli agenti AI, aumentando le loro capacità di pianificazione e decisione.

Il flusso di lavoro inizia quando gli sviluppatori interagiscono attraverso l'interfaccia di suggerimento degli agenti. Gli input vengono elaborati dal sottosistema di percezione e inoltrati al modulo di elaborazione del dialogo, che gestisce la logica di interazione. Successivamente, il motore di pianificazione strategica elabora e attua piani basati su queste informazioni, utilizzando strategie di alto livello e piani d'azione dettagliati.

I dati provenienti dal contesto mondiale e dal repository degli agenti informano questi processi, mentre la memoria di lavoro tiene traccia delle attività immediate. Nel frattempo, il processore della memoria a lungo termine memorizza e recupera conoscenze a lungo termine. I moduli di apprendimento analizzano i risultati e integrano nuove conoscenze nel sistema, consentendo un miglioramento continuo del comportamento e dell'interazione degli agenti.

RIG (sviluppato da ARC)

Rig è un framework open-source in Rust, progettato per semplificare lo sviluppo di applicazioni con grandi modelli linguistici. Fornisce un'interfaccia unificata per interagire con più fornitori di LLM (come OpenAI e Anthropic), supportando vari store vettoriali, tra cui MongoDB e Neo4j. Ciò che rende unica l'architettura modulare di questo framework sono i suoi componenti chiave, come lo strato di astrazione del fornitore (Provider Abstraction Layer), l'integrazione dello store vettoriale e il sistema di agenti, che facilitano l'interazione senza soluzione di continuità con LLM.

Il pubblico principale di Rig include sviluppatori che costruiscono applicazioni AI/ML utilizzando Rust, seguiti da organizzazioni che cercano di integrare più fornitori di LLM e archiviazione vettoriale nelle proprie applicazioni Rust. Il repository utilizza un'architettura di spazio di lavoro, con più crate, supportando scalabilità e gestione efficiente dei progetti. Le sue funzionalità chiave includono uno strato di astrazione del fornitore, che fornisce uno standard per completare e incorporare API tra diversi fornitori di LLM, con gestione degli errori coerente. Il componente di integrazione dello store vettoriale fornisce un'interfaccia astratta per più backend e supporta la ricerca di similarità vettoriale. Il sistema di agenti semplifica l'interazione con LLM, supportando il recupero migliorato generativo (RAG) e l'integrazione degli strumenti. Inoltre, il framework di embedding offre anche funzionalità di elaborazione batch e operazioni di embedding con sicurezza di tipo.

Rig sfrutta numerosi vantaggi tecnologici per garantire affidabilità e prestazioni. Le operazioni asincrone utilizzano il runtime asincrono di Rust per gestire efficacemente un elevato numero di richieste concorrenti. Il meccanismo di gestione degli errori intrinseco al framework migliora la capacità di recupero da fallimenti di fornitori di intelligenza artificiale o operazioni di database. La sicurezza di tipo può prevenire errori in fase di compilazione, migliorando così la manutenibilità del codice. Processi di serializzazione e deserializzazione efficienti supportano il trattamento dei dati in formati come JSON, essenziali per la comunicazione e la memorizzazione dei servizi AI. La registrazione dettagliata e il monitoraggio contribuiscono ulteriormente al debug e alla supervisione delle applicazioni.

Il flusso di lavoro di Rig inizia quando una richiesta viene avviata dal client, che interagisce con il modello LLM appropriato attraverso lo strato di astrazione del fornitore. I dati vengono quindi elaborati dallo strato centrale, dove gli agenti possono utilizzare strumenti o accedere a uno store vettoriale per il contesto. Le risposte vengono generate e perfezionate attraverso flussi di lavoro complessi (come RAG) prima di essere restituite al client, in un processo che coinvolge il recupero di documenti e la comprensione del contesto. Questo sistema integra più fornitori di LLM e archiviazione vettoriale, adattandosi alla disponibilità del modello o agli aggiornamenti delle prestazioni.

I casi d'uso di Rig sono vari, inclusi sistemi Q&A per recuperare documenti relativi per fornire risposte accurate, sistemi di ricerca e recupero documentale per una scoperta dei contenuti efficiente, e chatbot o assistenti virtuali per fornire interazioni contestuali per servizi clienti o educativi. Supporta anche la generazione di contenuti, consentendo la creazione di testi e altri materiali basati su modelli di apprendimento, rendendolo uno strumento generale per sviluppatori e organizzazioni.

Zerepy (sviluppato da ZEREPY e blorm)

ZerePy è un framework open-source scritto in Python, progettato per utilizzare LLM di OpenAI o Anthropic per il dispiegamento di agenti su X. È una versione modulare derivata dal backend Zerebro, che consente agli sviluppatori di avviare agenti con funzionalità chiave simili a quelle del core di Zerebro. Sebbene questo framework fornisca una base per il dispiegamento degli agenti, il fine-tuning dei modelli è essenziale per generare output creativi. ZerePy semplifica lo sviluppo e il dispiegamento di agenti AI personalizzati, in particolare per la creazione di contenuti su piattaforme social, coltivando un ecosistema creativo guidato dall'AI orientato all'arte e alle applicazioni decentralizzate.

Questo framework è sviluppato in Python, enfatizzando l'autonomia degli agenti e concentrandosi sulla generazione di output creativi, mantenendo coerenza con l'architettura di ELIZA e la sua relazione con ELIZA. Il design modulare supporta l'integrazione dei sistemi di memoria, supportando il dispiegamento di agenti sulle piattaforme social. Le funzionalità principali includono un'interfaccia a riga di comando per la gestione degli agenti, integrazione con Twitter, supporto per LLM di OpenAI e 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 dispiegare agenti di intelligenza artificiale per pubblicare, rispondere, mettere 'mi piace' e condividere, aumentando così il coinvolgimento sulla piattaforma. Inoltre, si rivolge a contenuti creativi nei settori della musica, meme e NFT, rendendolo uno strumento importante per l'arte digitale e le piattaforme di contenuti basati su blockchain.

(2) Confronto tra i quattro principali framework

A nostro avviso, ogni framework offre un approccio unico allo sviluppo dell'intelligenza artificiale, rispondendo a esigenze e contesti specifici; spostiamo l'attenzione dalla relazione competitiva tra questi framework alla loro unicità.

ELIZA si distingue per la sua interfaccia user-friendly, particolarmente per gli sviluppatori familiari con JavaScript e Node.js. La sua documentazione completa aiuta a impostare agenti di intelligenza artificiale su varie piattaforme, sebbene il suo ampio insieme di funzionalità possa comportare una certa curva di apprendimento. Sviluppata con TypeScript, Eliza è una scelta ideale per costruire agenti da integrare nel web, poiché la maggior parte delle infrastrutture web front-end è sviluppata in TypeScript. Questo framework è noto per la sua architettura multi-agente, che consente di distribuire diverse personalità di intelligenza artificiale su piattaforme come Discord, X e Telegram. Il suo avanzato sistema di gestione della memoria RAG la rende particolarmente efficace come assistente di intelligenza artificiale in applicazioni di supporto clienti o social media. Anche se offre 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.

GAME è progettato specificamente per gli sviluppatori di giochi, fornendo un'interfaccia a basso codice o senza codice tramite API, in modo che anche gli utenti con una bassa competenza tecnica nel settore dei giochi possano utilizzarlo. Tuttavia, si concentra sullo sviluppo di giochi e sull'integrazione blockchain, il che potrebbe comportare una curva di apprendimento ripida per coloro che non hanno esperienza in questo campo. Si distingue nella generazione di contenuti e nel comportamento degli NPC, ma è limitato dalla complessità aggiunta del suo segmento di mercato e dall'integrazione blockchain.

A causa dell'uso del linguaggio Rust, data la complessità di questo linguaggio, Rig potrebbe non essere molto amichevole, portando a significativi problemi di apprendimento, ma per coloro che padroneggiano la programmazione di sistema, presenta interazioni intuitive. Rispetto a TypeScript, questo linguaggio di programmazione è noto per le sue prestazioni e la sicurezza della memoria. Ha controlli rigorosi a tempo di compilazione e astrazioni a costo zero, che sono necessarie per eseguire algoritmi complessi di intelligenza artificiale. Questo linguaggio è molto efficiente, e il suo controllo a basso livello lo rende una scelta ideale per applicazioni di intelligenza artificiale ad alta intensità di risorse. Questo framework offre soluzioni ad alte prestazioni con un design modulare e scalabile, rendendolo una scelta ideale per applicazioni aziendali. Tuttavia, per gli sviluppatori non familiari con Rust, l'uso di Rust implica inevitabilmente affrontare una ripida curva di apprendimento.

ZerePy utilizza Python per fornire un'elevata disponibilità per compiti creativi di AI; la curva di apprendimento per gli sviluppatori Python è bassa, specialmente per quelli con background in AI/ML, e beneficia di un forte supporto della comunità grazie alla comunità crittografica di Zerebro. ZerePy è abile nelle applicazioni creative di intelligenza artificiale come NFT, posizionandosi come uno strumento potente per i media digitali e l'arte. Sebbene fiorisca in creatività, ha un ambito relativamente ristretto rispetto ad altri framework.

In termini di scalabilità, ELIZA ha fatto significativi progressi nel suo aggiornamento V2, introducendo un messaggio unificato e un framework centrale scalabile, supportando una gestione efficace su più piattaforme. Tuttavia, senza ottimizzazione, questa gestione delle interazioni multi-piattaforma potrebbe portare a sfide in termini di scalabilità.

GAME si distingue per le sue prestazioni in tempo reale necessarie nei giochi, mentre la scalabilità è gestita attraverso algoritmi efficienti e sistemi distribuiti blockchain potenziali, sebbene possa essere limitata da specifici motori di gioco o reti blockchain.

Il framework Rig sfrutta le prestazioni di scalabilità di Rust, progettato per applicazioni ad alto throughput, il che è particolarmente efficace per le implementazioni aziendali, anche se ciò potrebbe significare che la realizzazione di una vera scalabilità richiede configurazioni complesse.

La scalabilità di Zerepy è rivolta all'output creativo, supportata da contributi della comunità, ma il suo focus centrale potrebbe limitare la sua applicazione in un contesto di intelligenza artificiale più ampio, e la scalabilità potrebbe essere messa alla prova dalla diversità dei compiti creativi piuttosto che dal numero di utenti.

In termini di adattabilità, ELIZA è all'avanguardia con il suo sistema di plugin e compatibilità multi-piattaforma, e le sue prestazioni in GAME nel contesto di gioco e nella gestione di compiti complessi di intelligenza artificiale sono notevoli. ZerePy mostra un'alta adattabilità nel campo creativo, ma è meno adatto a un'applicazione di intelligenza artificiale più ampia.

In termini di prestazioni, ELIZA è ottimizzato per interazioni sociali rapide, dove il tempo di risposta è fondamentale, ma le sue prestazioni potrebbero variare quando si tratta di compiti computazionali più complessi.

GAME, sviluppato dal Virtual Protocol, si concentra su interazioni in tempo reale ad alta performance in scenari di gioco, sfruttando processi decisionali efficienti e blockchain potenziale per operazioni di intelligenza artificiale decentralizzate.

Il framework Rig basato su Rust offre prestazioni eccellenti per compiti di calcolo ad alte prestazioni, rendendolo adatto per applicazioni aziendali dove l'efficienza di calcolo è cruciale.

Le prestazioni di Zerepy sono su misura per la creazione di contenuti creativi, con indicatori incentrati sull'efficienza e sulla qualità della generazione di contenuti, che potrebbero non essere molto generali al di fuori del campo creativo.

Il punto di forza di ELIZA è la flessibilità e la scalabilità, offrendo un alto grado di adattabilità attraverso il suo sistema di plugin e configurazioni di ruolo, favorevoli a interazioni sociali AI cross-platform.

GAME offre interazioni uniche in tempo reale nei giochi, migliorando la partecipazione innovativa dell'AI attraverso l'integrazione della blockchain.

I punti di forza di Rig risiedono nella sua performance e scalabilità per compiti di intelligenza artificiale aziendale, con un focus su codice modulare pulito per la salute a lungo termine dei progetti.

Zerepy è abile nel coltivare la creatività, essendo in prima linea nelle applicazioni artistiche digitali di intelligenza artificiale, sostenuta da un modello di sviluppo guidato da una comunità vivace.

Ogni framework ha le proprie limitazioni; ELIZA è ancora nelle fasi iniziali e presenta potenziali problemi di stabilità e curve di apprendimento per i nuovi sviluppatori, GAME di nicchia potrebbe limitare applicazioni più ampie, e la blockchain aggiunge complessità. Rig potrebbe spaventare alcuni sviluppatori a causa della sua ripida curva di apprendimento dovuta a Rust, mentre Zerepy ha un focus relativamente ristretto sulla produzione creativa, limitando il suo utilizzo in altri campi dell'AI.

(3) Riepilogo del confronto tra i framework

Rig (ARC):

Lingua: Rust, con focus su sicurezza e prestazioni.

Casi d'uso: scelta ideale per applicazioni AI di livello enterprise, poiché si concentra su efficienza e scalabilità.

Comunità: meno guidata dalla comunità, più concentrata su sviluppatori tecnici.

Eliza (AI16Z):

Lingua: TypeScript, enfatizzando la flessibilità e il coinvolgimento della comunità di web3.

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

Comunità: fortemente guidata dalla comunità, con una vasta partecipazione su GitHub.

ZerePy (ZEREBRO):

Lingua: Python, rendendolo accessibile a una base di sviluppatori di AI più ampia.

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

Comunità: relativamente nuova, ma ci sono buone prospettive di crescita grazie alla popolarità di Python e al supporto dei contributori di AI16Z.

GAME (VIRTUAL):

Focus: agenti di intelligenza artificiale autonomi e adattivi, capaci di evolversi in base alle interazioni in ambienti virtuali.

Casi d'uso: più adatti a scenari di apprendimento e adattamento degli agenti AI, come giochi o mondi virtuali.

Comunità: comunità innovativa, ma ancora in fase di definizione del proprio posizionamento nella competizione.

3. Andamento dei dati delle stelle su GitHub

L'immagine sopra mostra i dati di attenzione delle stelle su GitHub da quando questi framework sono stati rilasciati. È interessante notare che le stelle di GitHub sono indicatori di interesse comunitario, popolarità del progetto e valore percepito del progetto.

ELIZA (linea rossa):

Un aumento dal basso livello di luglio fino a un significativo aumento del numero di star a fine novembre (giungendo a 61.000 stelle) indica un rapido aumento dell'interesse, attirando l'attenzione degli sviluppatori. Questa crescita esponenziale suggerisce che ELIZA ha guadagnato una grande attrattiva grazie alle sue funzionalità, aggiornamenti e partecipazione della comunità. La sua popolarità supera di gran lunga quella di altri concorrenti, indicando un forte supporto della comunità e una più ampia applicabilità o interesse nella comunità di intelligenza artificiale.

RIG (linea blu):

Rig è il framework più storico tra i quattro, con un numero di stelle moderato ma in costante crescita, che potrebbe aumentare significativamente nel prossimo mese. Ha raggiunto 1700 stelle, ma continua a salire. Sviluppo continuo, aggiornamenti e un numero crescente di utenti sono le ragioni per cui l'interesse degli utenti continua ad accumularsi. Questo potrebbe riflettere che gli utenti del framework sono di nicchia o che devono ancora accumulare reputazione.

ZEREPY (linea gialla):

ZerePy è stato appena lanciato e ha già accumulato 181 stelle. È importante sottolineare che ZerePy ha bisogno di ulteriori sviluppi per migliorare la sua visibilità e il tasso di adozione. La collaborazione con AI16Z potrebbe attrarre più contributori di codice.

GAME (linea verde):

Questo progetto ha il numero di stelle più basso, ed è importante notare che questo framework può essere direttamente applicato agli agenti nell'ecosistema virtuale tramite API, eliminando così la necessità di visibilità su GitHub. Tuttavia, questo framework è stato reso pubblico solo un mese fa, e oltre 200 progetti stanno utilizzando GAME per costruire.

4. Motivazioni rialziste per il framework

La versione V2 di Eliza integrerà il pacchetto di agenti Coinbase. Tutti i progetti che utilizzano Eliza supporteranno in futuro TEE nativo, consentendo agli agenti di operare in un ambiente sicuro. Una funzionalità in arrivo per Eliza è il registro dei plugin (Plugin Registry), che permetterà agli sviluppatori di registrare e integrare plugin senza soluzione di continuità.

Inoltre, Eliza V2 supporterà l'automazione della messaggistica anonima cross-platform. Il white paper sull'economia dei token è programmato per essere rilasciato il 1 gennaio 2025, e ci si aspetta che avrà un impatto positivo sul token AI16Z sottostante al framework Eliza. AI16Z prevede di continuare a migliorare l'utilità del framework e attrarre talenti di alta qualità; gli sforzi dei suoi principali contributori hanno già dimostrato di avere tale capacità.

Il framework GAME offre integrazione senza codice per gli agenti, consentendo l'uso simultaneo di GAME ed ELIZA in un singolo progetto, servendo ciascuno scopi specifici. Questo approccio è promettente per attrarre costruttori che si concentrano sulla logica aziendale piuttosto che sulla complessità tecnica. Anche se il framework è stato reso pubblico solo per circa 30 giorni, ha già fatto progressi significativi con il supporto degli sforzi del team per attrarre più contributori. Ci si aspetta che tutti i progetti lanciati su VIRTUAL utilizzeranno GAME.

Rig, rappresentato dal token ARC, ha un potenziale enorme, anche se il suo framework è ancora in una fase di crescita iniziale e il piano per promuovere l'adozione dei progetti è stato lanciato solo pochi giorni fa. Tuttavia, ci si aspetta che i progetti di alta qualità che adottano ARC emergeranno rapidamente, simile al volano Virtual, ma con un focus su Solana. Il team è ottimista riguardo alla collaborazione con Solana, paragonando la relazione tra ARC e Solana a quella tra Virtual e Base. È interessante notare che il team non solo incoraggia nuovi progetti a utilizzare Rig per il lancio, ma anche a migliorare il framework Rig stesso.

Zerepy è un framework appena lanciato che, grazie alla sua relazione con Eliza, sta guadagnando sempre più attenzione. Questo framework ha attratto i contributori di Eliza, che stanno attivamente lavorando per migliorarlo. Sostenuto dai fan di ZEREBRO, ha un seguito appassionato e offre nuove opportunità per gli sviluppatori Python, che in precedenza non avevano una rappresentanza nella competizione per l'infrastruttura dell'intelligenza artificiale. Questo framework avrà un ruolo importante nel campo della creatività AI.