Fonte: Deep Value Memetics
Compilado por｜Odaily星球日报（@OdailyChina）
Traduzido por｜Azuma（@azuma_eth）
Resumo dos pontos
Neste relatório, discutimos o panorama de desenvolvimento dos principais frameworks no campo de Crypto & IA. Vamos examinar os quatro principais frameworks atuais — Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO) — analisando suas diferenças tecnológicas e potencial de desenvolvimento.
Na última semana, realizamos uma análise e testes nos quatro principais frameworks, cujas conclusões são as seguintes.
Acreditamos que Eliza (com uma quota de mercado de aproximadamente 60%, com valor de mercado de cerca de 900 milhões de dólares quando o autor original escreveu, e cerca de 1,4 bilhões de dólares no momento da publicação) continuará a dominar a participação de mercado. O valor do Eliza reside em sua vantagem de primeiro movimento e na rápida adoção pelos desenvolvedores, como demonstrado pelos 193 contribuidores, 1800 forks e mais de 6000 estrelas no GitHub, tornando-o um dos repositórios de software mais populares no GitHub.
G.A.M.E (com uma quota de mercado de aproximadamente 20%, com valor de mercado de cerca de 300 milhões de dólares quando o autor original escreveu, e cerca de 257 milhões de dólares no momento da publicação) teve um desenvolvimento muito tranquilo até agora e está passando por uma rápida adoção, como anunciado anteriormente pelo Virtuals Protocol, com mais de 200 projetos já utilizando G.A.M.E, com mais de 150 mil solicitações diárias e uma taxa de crescimento semanal superior a 200%. O G.A.M.E continuará a se beneficiar da explosão do VIRTUAL e pode se tornar um dos maiores vencedores dentro desse ecossistema.
Rig (com uma quota de mercado de aproximadamente 15%, com valor de mercado de cerca de 160 milhões de dólares quando o autor original escreveu, e cerca de 279 milhões de dólares no momento da publicação) se destaca por seu design modular e facilidade de operação, com potencial para dominar no ecossistema Solana (RUST).
Zerepy (com uma quota de mercado de aproximadamente 5%, com valor de mercado de cerca de 300 milhões de dólares quando o autor original escreveu, e cerca de 424 milhões de dólares no momento da publicação) é uma aplicação mais nichada, específica para uma comunidade entusiástica da ZEREBRO, cuja recente colaboração com a comunidade ai16z pode gerar algum efeito de sinergia.
Na estatística acima, a 'quota de mercado' considera, de forma abrangente, o valor de mercado, o histórico de desenvolvimento e a abrangência do mercado de sistemas operacionais subjacentes.
Acreditamos que os frameworks de IA se tornarão o segmento de crescimento mais rápido neste ciclo, com um valor de mercado total de aproximadamente 1,7 bilhões de dólares que poderá facilmente crescer para 20 bilhões de dólares, um número que ainda pode ser conservador em comparação com a avaliação de 2021, quando muitos projetos individuais eram avaliados em mais de 20 bilhões de dólares. Embora os frameworks acima atendam a diferentes mercados finais (cadeia/ecossistemas), acreditamos que o segmento crescerá como um todo, e adotar uma abordagem ponderada em relação ao valor de mercado pode ser a mais prudente.
Quatro principais frameworks
Na interseção de IA e Crypto, surgiram vários frameworks destinados a acelerar o desenvolvimento de IA, incluindo Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) e ZerePy (ZEREBRO). Desde projetos comunitários de código aberto até soluções empresariais focadas em desempenho, cada framework atende a diferentes necessidades e filosofias de desenvolvimento de agentes.
Na tabela abaixo, listamos as tecnologias-chave, componentes e vantagens de cada framework.
Este relatório se concentrará primeiro no que são esses frameworks, as linguagens de programação que utilizam, suas arquiteturas técnicas, algoritmos e funcionalidades únicas com potenciais casos de uso. Em seguida, compararemos cada framework com base em usabilidade, escalabilidade, adaptabilidade e desempenho, discutindo suas vantagens e limitações.
Eliza
Eliza é um framework de simulação multi-agente de código aberto desenvolvido pela ai16z, destinado a criar, implantar e gerenciar agentes de IA autônomos. Ele é desenvolvido em TypeScript, oferecendo uma plataforma flexível e escalável para construir agentes inteligentes que podem interagir com humanos em várias plataformas, mantendo uma personalidade e conhecimento consistentes.
As funcionalidades principais do framework incluem: suporte para implantar e gerenciar múltiplas personalidades de IA únicas em uma arquitetura multi-agente; um sistema de papéis para criar agentes diversificados usando arquivos de papéis; e gerenciamento de memória com memória de longo prazo e contexto perceptível, utilizando um avançado sistema de geração de recuperação (RAG). Além disso, o framework Eliza fornece integração fluida na plataforma, permitindo conexões confiáveis com Discord, X e outras plataformas de mídia social.
No que diz respeito à comunicação e funcionalidades de mídia do agente de IA, Eliza é uma excelente escolha. Em termos de comunicação, o framework suporta integração com funções de canal de voz do Discord, X, Telegram, além de acesso direto à API para casos de uso personalizados. Por outro lado, as funcionalidades de processamento de mídia do framework foram ampliadas para leitura e análise de documentos PDF, extração e resumo de conteúdo de links, transcrição de áudio, processamento de conteúdo de vídeo, análise de imagens e resumo de diálogos, sendo capaz de lidar efetivamente com várias entradas e saídas de mídia.
Eliza oferece suporte flexível a modelos de IA, permitindo inferência local utilizando modelos de código aberto, inferência em nuvem com configurações padrão como OpenAI e Nous Hermes Llama 3.1B, além de suportar a integração do Claude para lidar com consultas complexas. Eliza adota uma arquitetura modular, com um extenso sistema de ações, suporte a clientes personalizados e uma API abrangente, garantindo escalabilidade e adaptabilidade entre aplicações.
Os casos de uso do Eliza abrangem várias áreas, como assistentes de IA relacionados a suporte ao cliente, gerenciamento de comunidade e tarefas pessoais; criadores automáticos de conteúdo, representantes de marca e outros papéis em mídias sociais; pode atuar como trabalhadores do conhecimento, desempenhando papéis como assistentes de pesquisa, analistas de conteúdo e manipuladores de documentos; além de robôs de interpretação, mentores educacionais e representantes de intermediação, entre outros papéis interativos.
A arquitetura do Eliza é construída em torno de um runtime de agentes, que se integra perfeitamente ao sistema de papéis (suportado por provedores de modelos), gerenciador de memória (conectado a bancos de dados) e sistema de ações (conectado a clientes de plataformas). As funcionalidades exclusivas do framework incluem um sistema de plugins que permite a extensão modular, suporte a interações multimodais como voz, texto e mídia, além de compatibilidade com modelos de IA líderes como Llama, GPT-4 e Claude. Com seu design multifuncional e poderoso, Eliza se torna uma ferramenta poderosa para o desenvolvimento de aplicações de IA em diversos campos.
G.A.M.E
G.A.M.E, desenvolvido pela equipe oficial do Virtuals, significa 'Framework de Entidades Multimodais Autônomas Generativas' (The Generative Autonomous Multimodal Entities Framework), e visa fornecer APIs e SDKs para desenvolvedores experimentarem com agentes de IA. O framework oferece uma abordagem estruturada para gerenciar o comportamento, decisões e processos de aprendizagem dos agentes de IA.
Os componentes principais do G.A.M.E são os seguintes: primeiro, a 'Interface de Sugestão do Agente' é a entrada para os desenvolvedores integrarem o G.A.M.E aos agentes para obter o comportamento do agente.
O 'subsistema de percepção' inicia a sessão especificando parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes. Ele compõe as mensagens recebidas em um formato adequado para o 'motor de planejamento estratégico', atuando como o mecanismo de entrada sensorial do agente de IA, seja na forma de diálogo ou de reações. O núcleo aqui é o 'módulo de processamento de diálogo', que lida com mensagens e respostas do agente, colaborando com o 'subsistema de percepção' para interpretar e responder efetivamente às entradas.
O 'motor de planejamento estratégico' trabalha em conjunto com o 'módulo de processamento de diálogo' e o 'operador de carteira em blockchain' para gerar respostas e planos. O motor opera em dois níveis: como planejador de alto nível, criando estratégias abrangentes com base no contexto ou nos objetivos; e como planejador de baixo nível, transformando essas estratégias em políticas executáveis, que são ainda subdivididas em planejadores de ação (para especificar tarefas) e executores de plano (para executar tarefas).
Um componente separado, mas crucial, é o 'contexto global', que refere-se ao ambiente, informações do mundo e estado do jogo, fornecendo o contexto necessário para a tomada de decisões do agente. Além disso, a 'biblioteca de agentes' armazena atributos de longo prazo, como metas, reflexões, experiências e personalidades, que moldam coletivamente o comportamento e processo de decisão do agente. O framework utiliza 'memória de trabalho de curto prazo' e 'processador de memória de longo prazo' — a memória de curto prazo retém informações relevantes sobre ações anteriores, resultados e planos atuais; em contraste, o processador de memória de longo prazo extrai informações-chave com base em critérios como importância, atualidade e relevância. Essa memória armazena conhecimento sobre as experiências do agente, reflexões, personalidades dinâmicas, contexto global e memória de trabalho para aprimorar a tomada de decisões e fornecer uma base para o aprendizado.
Para aumentar a estrutura, o 'módulo de aprendizado' obtém dados do 'subsistema de percepção' para gerar conhecimento geral, que é retroalimentado no sistema para otimizar interações futuras. Os desenvolvedores podem fornecer feedback sobre ações, estado do jogo e dados sensoriais por meio de uma interface para aprimorar o aprendizado do agente de IA e aumentar suas capacidades de planejamento e decisão.
O fluxo de trabalho começa com a interação do desenvolvedor através da interface de sugestão do agente; o 'subsistema de percepção' processa a entrada e a encaminha para o 'módulo de processamento de diálogo', que gerencia a lógica de interação; então, o 'motor de planejamento estratégico' formula e executa planos com base nessas informações, utilizando estratégias de alto nível e planejamento detalhado de ações.
Os dados provenientes do 'contexto global' e da 'biblioteca de agentes' fornecem informações para esses processos, enquanto a memória de trabalho rastreia tarefas em tempo real. Ao mesmo tempo, o 'processador de memória de longo prazo' armazena e recupera conhecimento ao longo do tempo. O 'módulo de aprendizado' analisa resultados e integra novos conhecimentos no sistema, permitindo que o comportamento e as interações do agente sejam continuamente aprimorados.
Rig
Rig é um framework de código aberto baseado em Rust, projetado para simplificar o desenvolvimento de aplicações de modelos de linguagem de grande escala (LLM). Ele fornece uma interface unificada para interagir com vários provedores LLM (como OpenAI e Anthropic) e suporta vários armazenamentos vetoriais, incluindo MongoDB e Neo4j. A arquitetura modular do framework possui componentes centrais como 'camada de abstração de provedores', 'integração de armazenamento vetorial' e 'sistema de agentes', facilitando a interação sem costura com LLM.
O público-alvo principal do Rig inclui desenvolvedores que constroem aplicações de IA/ML usando Rust, enquanto o público secundário abrange organizações que buscam integrar múltiplos provedores LLM e armazenamento vetorial em suas aplicações em Rust. O repositório é organizado em uma estrutura baseada em espaço de trabalho, contendo múltiplos crates, o que proporciona escalabilidade e gerenciamento eficiente de projetos. As principais funcionalidades do Rig incluem a 'camada de abstração de provedores', que padroniza as APIs usadas para concluir e embutir provedores LLM com um tratamento de erros consistente; o componente de 'integração de armazenamento vetorial', que fornece uma interface abstrata para múltiplos backends e suporta busca de similaridade vetorial; e o 'sistema de agentes', que simplifica a interação com LLMs, suportando geração aprimorada de recuperação (RAG) e integração de ferramentas. Além disso, o framework de embeddings oferece capacidade de processamento em lote e operações de embedding seguras em tipos.
Rig utiliza várias vantagens tecnológicas para garantir confiabilidade e desempenho. A operação assíncrona aproveita o runtime assíncrono do Rust para lidar eficientemente com um grande número de solicitações simultâneas; o mecanismo de tratamento de erros inerente ao framework melhora a capacidade de recuperação em caso de falhas de provedores de IA ou operações de banco de dados; a segurança de tipos previne erros em tempo de compilação, aumentando a manutenibilidade do código; processos eficientes de serialização e desserialização ajudam a lidar com dados em formatos como JSON, que são vitais para a comunicação e armazenamento de serviços de IA; registros e painéis detalhados ajudam ainda mais na depuração e monitoramento das aplicações.
O fluxo de trabalho no Rig começa com o cliente iniciando uma solicitação, que passa pela 'camada de abstração de provedores', interagindo com o respectivo modelo LLM; em seguida, os dados são processados pela camada central, e o agente pode usar ferramentas ou acessar armazenamento vetorial na camada central para obter contexto; respostas são geradas e aprimoradas através de fluxos de trabalho complexos como RAG, que incluem recuperação de documentos e compreensão de contexto, antes de serem retornadas ao cliente. O sistema integra vários provedores LLM e armazenamento vetorial, adaptando-se a mudanças na disponibilidade ou desempenho dos modelos.
Os casos de uso do Rig são variados, incluindo sistemas de perguntas e respostas que buscam documentos relevantes para fornecer respostas precisas, busca e recuperação de documentos para descoberta de conteúdo eficiente, bem como chatbots ou assistentes virtuais que oferecem interações contextualmente conscientes para atendimento ao cliente ou educação. Ele também suporta geração de conteúdo, capaz de criar textos e outros materiais com base em padrões aprendidos, tornando-se uma ferramenta multifuncional para desenvolvedores e organizações.
ZerePy
ZerePy é um framework de código aberto escrito em Python, destinado a implantar agentes em X utilizando LLMs da OpenAI ou da Anthropic. ZerePy é derivado da versão modular do backend do Zerebro, permitindo que os desenvolvedores iniciem agentes com funcionalidades semelhantes às do núcleo do Zerebro. Embora o framework forneça a base para a implantação de agentes, o modelo deve ser ajustado para gerar saídas criativas. ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, sendo especialmente adequado para a criação de conteúdo em plataformas sociais, promovendo um ecossistema criativo de IA voltado para a arte e aplicações descentralizadas.
Este framework é construído em Python, enfatizando a autonomia dos agentes e focando na geração de saídas criativas, alinhando-se à arquitetura + parcerias do Eliza. Seu design modular suporta a integração de sistemas de memória, facilitando a implantação de agentes em plataformas sociais. Suas principais funcionalidades incluem uma interface de linha de comando para gerenciamento de agentes, integração com X, suporte a LLMs da OpenAI e Anthropic, e um sistema de conexão modular para funcionalidades aprimoradas.
Os casos de uso do ZerePy abrangem automação de mídia social, permitindo que os usuários implantem agentes de IA para postar, responder, curtir e compartilhar, aumentando assim o envolvimento na plataforma. Além disso, também é aplicável à criação de conteúdo em áreas como música, anotações e NFTs, sendo uma ferramenta importante para arte digital e plataformas de conteúdo baseadas em blockchain.
Comparação horizontal
Em nossa visão, cada um dos frameworks acima oferece uma abordagem única para o desenvolvimento de IA, atendendo a necessidades e ambientes específicos, o que faz com que a discussão não se limite a se esses frameworks são concorrentes, mas sim se cada framework oferece utilidade e valor exclusivos.
Eliza se destaca por sua interface amigável, especialmente para desenvolvedores familiarizados com JavaScript e Node.js. Sua documentação abrangente ajuda a configurar agentes de IA em várias plataformas, embora sua rica gama de funcionalidades possa apresentar uma curva de aprendizado moderada; devido ao uso do TypeScript, Eliza é particularmente adequada para construir agentes integrados na web, já que a maioria da infraestrutura de front-end na web é construída com TypeScript. O framework é conhecido por sua arquitetura multi-agente, capaz de implantar agentes de IA com personalidades diversificadas em plataformas como Discord, X e Telegram. Seu avançado sistema RAG para gerenciamento de memória torna-o especialmente adequado para construir assistentes de IA em suporte ao cliente ou aplicações de mídias sociais. Embora ofereça flexibilidade, forte suporte da comunidade e desempenho consistente entre plataformas, ainda está em estágios iniciais, o que pode apresentar uma curva de aprendizado para os desenvolvedores.
G.A.M.E foi projetado para desenvolvedores de jogos, oferecendo uma interface de baixo código ou sem código através de uma API, facilitando o acesso para usuários com habilidades técnicas mais baixas na área de jogos. No entanto, ele se concentra no desenvolvimento de jogos e na integração com blockchain, o que pode apresentar uma curva de aprendizado acentuada para aqueles sem experiência relevante. O desempenho é notável na geração de conteúdo programático e no comportamento de NPCs, mas também é limitado por seu nicho e pela complexidade adicional associada à integração com blockchain.
Rig, devido ao uso da linguagem Rust, pode ser menos amigável para os usuários por causa da complexidade dessa linguagem, representando um grande desafio para o aprendizado. No entanto, para aqueles que são proficientes em programação de sistemas, ele pode oferecer interações intuitivas. Comparado ao TypeScript, Rust é conhecido por seu desempenho e segurança de memória. Ele possui verificações rigorosas em tempo de compilação e abstrações de custo zero, que são necessárias para a execução de algoritmos complexos de inteligência artificial. A eficiência e o baixo nível de controle da linguagem tornam-na uma escolha ideal para aplicações de IA que exigem muitos recursos. O framework adota um design modular e escalável, fornecendo soluções de alto desempenho, sendo muito adequado para aplicações empresariais. Contudo, o uso de Rust pode trazer uma curva de aprendizado acentuada para desenvolvedores não familiarizados com a linguagem.
ZerePy utiliza a linguagem Python, oferecendo maior acessibilidade para tarefas criativas de IA. Para desenvolvedores Python, especialmente aqueles com experiência em IA/ML, a curva de aprendizado é baixa, e também conta com forte suporte da comunidade devido à popularidade do ZEREBRO. ZerePy se destaca em aplicações criativas de IA, como NFTs, e se posiciona como uma ferramenta poderosa nos campos da mídia digital e da arte. Embora se destaque em criatividade, seu alcance é relativamente limitado em comparação com outros frameworks.
Em termos de escalabilidade, a comparação entre os quatro principais frameworks é a seguinte.
Eliza avançou significativamente após a atualização da versão V2, introduzindo uma linha de mensagem unificada e um framework central escalável, permitindo uma gestão eficiente entre plataformas. Contudo, sem otimização, gerenciar essa interação multi-plataforma pode trazer desafios em termos de escalabilidade.
G.A.M.E é habilidoso em processamento em tempo real necessário em jogos, e sua escalabilidade pode ser gerida através de algoritmos eficientes e potenciais sistemas distribuídos de blockchain, embora possa ser restringido por motores de jogo específicos ou redes de blockchain.
O framework Rig pode aproveitar as vantagens de desempenho do Rust para alcançar melhor escalabilidade, projetado desde o início para aplicações de alto throughput, o que pode ser especialmente eficaz para implantações em nível empresarial, embora isso possa significar que a implementação de verdadeira escalabilidade requer configurações complexas.
A escalabilidade do ZerePy é voltada para saídas criativas e é apoiada por contribuições da comunidade, mas o foco do framework pode limitar sua aplicabilidade em um contexto mais amplo de IA, e sua escalabilidade pode ser testada pela diversidade de tarefas criativas, em vez do volume de usuários.
Em termos de aplicabilidade, Eliza está muito à frente devido ao seu sistema de plugins e compatibilidade multiplataforma, seguida por G.A.M.E no ambiente de jogos e Rig na execução de tarefas complexas de IA. ZerePy demonstrou alta adaptabilidade no campo criativo, mas é menos aplicável em um contexto mais amplo de aplicações de IA.
Em termos de desempenho, os resultados dos testes dos quatro principais frameworks são os seguintes.
Eliza é otimizada para interações rápidas em mídias sociais, mas seu desempenho ao lidar com tarefas computacionais mais complexas pode variar.
G.A.M.E se concentra em interações de alto desempenho em cenários de jogos, aproveitando processos de decisão eficientes e operações de IA descentralizadas com potencial de blockchain.
Rig, baseado em Rust, pode oferecer desempenho excepcional para tarefas de computação de alto desempenho, adequado para aplicações empresariais onde a eficiência computacional é crítica.
O desempenho do ZerePy é voltado para a criação de conteúdo criativo, com métricas centradas na eficiência e qualidade da geração de conteúdo, podendo ser menos geral fora do campo criativo.
Com base na análise abrangente das vantagens e desvantagens mencionadas, Eliza oferece melhor flexibilidade e escalabilidade, enquanto o sistema de plugins e a configuração de papéis proporcionam alta adaptabilidade, favorável à interação social de IA multiplataforma; G.A.M.E pode oferecer interações em tempo real únicas em cenários de jogos e introduzir novas participações de IA por meio da integração com blockchain; a vantagem do Rig reside em seu desempenho e escalabilidade, adequado para tarefas de IA em nível empresarial, com foco na simplicidade e modularidade do código para garantir o desenvolvimento saudável a longo prazo do projeto; Zerepy é especialista em fomentar a criatividade, destacando-se em aplicações de IA na arte digital, suportado por um modelo de desenvolvimento comunitário vibrante.
Em resumo, cada framework tem suas limitações. Eliza ainda está em estágios iniciais, apresentando potenciais problemas de estabilidade e uma curva de aprendizado longa para novos desenvolvedores; o foco nichado do G.A.M.E pode restringir suas aplicações mais amplas, e a introdução de blockchain pode aumentar a complexidade; a curva de aprendizado do Rig é acentuada devido à complexidade da linguagem Rust, o que pode desestimular alguns desenvolvedores; o foco restrito da Zerepy em saídas criativas pode limitar sua aplicabilidade em outros campos de IA.
Análise dos principais itens de comparação
Rig (ARC)
Linguagem: Rust, com foco em segurança e desempenho.
Caso de uso: Focado em eficiência e escalabilidade, sendo uma escolha ideal para aplicações de IA em nível empresarial.
Comunidade: Menos impulsionada pela comunidade, mais voltada para desenvolvedores técnicos.
Eliza (AI16Z)
Linguagem: TypeScript, enfatizando a flexibilidade e o envolvimento da comunidade no Web3.
Caso de uso: Projetado especificamente para interação social, DAOs e transações, com ênfase especial em sistemas multi-agente.
Comunidade: Altamente impulsionada pela comunidade, com amplas conexões no GitHub.
ZerePy (ZEREBRO):
Linguagem: Python, mais facilmente aceito por um público mais amplo de desenvolvedores de IA.
Caso de uso: Adequado para automação de mídia social e tarefas de agentes de IA mais simples.
Comunidade: Relativamente nova, mas com potencial de crescimento devido à popularidade do Python e ao suporte de contribuidores da ai16z.
G.A.M.E (VIRTUAL, GMAE):
Destaque: Agente de IA autônomo e adaptativo que pode evoluir com base nas interações no ambiente virtual.
Caso de uso: Mais adequado para cenários onde o agente precisa aprender e se adaptar, como em jogos ou mundos virtuais.
Comunidade: Inovadora, mas ainda buscando seu posicionamento em meio à concorrência.
Crescimento de dados do Github
O gráfico acima mostra a variação no número de estrelas no GitHub desde o lançamento desses frameworks. Em geral, as estrelas no GitHub podem ser um indicador do interesse da comunidade, popularidade do projeto e valor percebido do projeto.
Eliza (linha vermelha): O gráfico mostra um crescimento significativo e uma tendência estável no número de estrelas desse framework, começando de uma base baixa em julho e começando a disparar no final de novembro, alcançando agora 6100 estrelas. Isso indica um rápido aumento do interesse em torno desse framework, atraindo a atenção dos desenvolvedores. O crescimento exponencial sugere que Eliza ganhou grande atração devido a suas funcionalidades, atualizações e envolvimento da comunidade, sua popularidade superando em muito a de outros produtos, indicando um forte suporte da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de IA.
Rig (linha azul): Rig é o framework mais 'antigo' entre os quatro, com um crescimento de estrelas moderado, mas estável, e um aumento significativo no último mês. O total de estrelas alcançou 1700, mas continua em trajetória ascendente. O acúmulo estável de atenção se deve ao desenvolvimento contínuo, atualizações e crescimento da base de usuários. Isso pode refletir que o Rig ainda está acumulando reputação.
ZerePy (linha amarela): ZerePy foi lançado há poucos dias e já aumentou para 181 estrelas. É importante ressaltar que o ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e taxa de adoção, e a colaboração com a ai16z pode atrair mais contribuidores para seu repositório de código.
G.A.M.E (linha verde): O número de estrelas deste framework é baixo, mas é notável que ele pode ser aplicado diretamente aos agentes no ecossistema Virtual através da API, portanto, não é necessário publicar no GitHub. No entanto, embora o framework tenha sido disponibilizado publicamente apenas há um mês, já existem mais de 200 projetos utilizando G.A.M.E para construção.
Expectativa de atualização dos frameworks de IA
A versão 2.0 do Eliza incluirá integração com o pacote de ferramentas de agentes da Coinbase. Todos os projetos utilizando Eliza terão suporte para o futuro TEE (Ambiente de Execução Confiável) nativo, permitindo que os agentes operem em um ambiente seguro. O registro de plugins (Plugin Registry) é uma funcionalidade que será lançada em breve, permitindo que desenvolvedores registrem e integrem plugins de forma fluida.
Além disso, a versão 2.0 do Eliza suportará mensagens anônimas automatizadas entre plataformas. O white paper sobre Tokenomics, previsto para ser lançado em 1º de janeiro de 2025, terá um impacto positivo nas tokens AI16Z que sustentam o framework Eliza. A ai16z planeja continuar aprimorando a utilidade do framework e aproveitar os esforços de seus principais contribuidores para trazer talentos altamente qualificados.
O framework G.A.M.E fornece integração sem código para agentes, permitindo que G.A.M.E e Eliza sejam usados simultaneamente em um único projeto, servindo cada um a casos de uso específicos. Essa abordagem deve atrair construtores que se concentram na lógica de negócios em vez de complexidade técnica. Embora o framework tenha estado disponível publicamente por apenas mais de 30 dias, com o esforço da equipe para atrair mais suporte de contribuidores, o framework já fez progressos substanciais. Espera-se que cada projeto lançado no VirtuaI adote G.A.M.E.
O framework Rig, impulsionado pelo token ARC, tem um potencial significativo, embora seu crescimento esteja em estágios iniciais e os contratos de projetos que impulsionam a adoção do Rig tenham sido lançados há apenas alguns dias. No entanto, espera-se que projetos de alta qualidade apareçam em breve junto com o ARC, semelhante ao ciclo de Virtual, mas com foco em Solana. A equipe do Rig mantém uma visão otimista sobre a colaboração com Solana, posicionando o ARC como o Virtual de Solana. É importante notar que a equipe não apenas incentiva novos projetos lançados com o Rig, mas também incentiva os desenvolvedores a aprimorar o framework Rig em si.
Zerepy é um framework recém-lançado, que está ganhando muita atenção devido à sua colaboração com a ai16z (framework Eliza), atraindo contribuidores de Eliza que estão trabalhando ativamente para melhorar o framework. Zerepy desfruta de forte apoio da comunidade ZEREBRO, abrindo novas oportunidades para desenvolvedores de Python que anteriormente não tinham espaço para se destacar no competitivo campo de infraestrutura de IA. Espera-se que o framework desempenhe um papel importante nas aplicações criativas de IA.