编译 ｜ Odaily


Punctele principale

În acest raport, discutăm despre tendințele de dezvoltare a mai multor cadre de referință din domeniul Crypto și AI. Vom examina cele patru cadre de referință principale — Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), analizând diferențele tehnologice și potențialul de dezvoltare.
 
În ultima săptămână, am analizat și testat cele patru cadre de mai sus, concluziile fiind următoarele.
 
·Considerăm că Eliza (cu o cotă de piață de aproximativ 60%, valoarea de piață a autorului original fiind de aproximativ 900 de milioane de dolari, iar valoarea de piață la momentul publicării fiind de aproximativ 1,4 miliarde de dolari) va continua să domine cota de piață. Valoarea Eliza constă în avantajul său de primă intrare și adoptarea accelerată de către dezvoltatori; cei 193 de colaboratori de pe Github, cele 1800 de fork-uri și peste 6000 de stele demonstrează acest lucru, făcându-l una dintre cele mai populare biblioteci software de pe Github.
 
·G.A.M.E (cu o cotă de piață de aproximativ 20%, valoarea de piață a autorului original fiind de aproximativ 300 de milioane de dolari, iar valoarea de piață la momentul publicării fiind de aproximativ 257 de milioane de dolari) a avut până acum o dezvoltare foarte bună și experimentează o adoptare rapidă, așa cum a anunțat Virtuals Protocol, există deja peste 200 de proiecte construite pe baza G.A.M.E, cu un număr zilnic de cereri de peste 150.000 și o rată de creștere săptămânală de peste 200%. G.A.M.E va continua să beneficieze de explozia VIRTUAL și are potențialul de a deveni unul dintre cei mai mari câștigători din acest ecosistem.
 
·Rig (cu o cotă de piață de aproximativ 15%, valoarea de piață a autorului original fiind de aproximativ 160 de milioane de dolari, iar valoarea de piață la momentul publicării fiind de aproximativ 279 de milioane de dolari) are un design modular foarte atrăgător și ușor de operat, având potentialul de a ocupa o poziție dominantă în ecosistemul Solana (RUST).
 
·Zerepy (cu o cotă de piață de aproximativ 5%, valoarea de piață a autorului original fiind de aproximativ 300 de milioane de dolari, iar valoarea de piață la momentul publicării fiind de aproximativ 424 de milioane de dolari) este o aplicație mai de nișă, specifică unei comunități fervente ZEREBRO, iar colaborarea recentă cu comunitatea ai16z ar putea genera sinergii.
 
În statisticile de mai sus, „cota de piață” a fost calculată luând în considerare valoarea de piață, istoricul de dezvoltare și amploarea pieței terminalelor de sistem de operare de bază.
 
Credem că cadrele AI vor deveni sectorul cu cea mai rapidă creștere în acest ciclu, iar valoarea de piață totală a sectorului de aproximativ 1,7 miliarde de dolari va crește cu ușurință la 20 de miliarde de dolari; comparativ cu evaluarea Layer 1 din vârful din 2021, acest număr ar putea fi în continuare relativ conservator — atunci, multe proiecte individuale au avut evaluări ce au depășit 20 de miliarde de dolari. Deși cadrele de mai sus servesc piețe terminale diferite (chain/ecosisteme), având în vedere că considerăm că acest sector va crește în ansamblu, adoptarea unei metode ponderate în funcție de valoarea de piață ar putea fi relativ cea mai prudentă.

Cele patru cadre
 
La intersecția AI și Crypto, au apărut mai multe cadre destinate accelerării dezvoltării AI, printre care Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). De la proiecte din comunitatea open-source la soluții de afaceri axate pe performanță, fiecare cadru răspunde diferitelor nevoi și concepte de dezvoltare a agenților.
 
În tabelul de mai jos, am enumerat tehnologiile cheie, componentele și avantajele fiecărui cadru.



Acest raport se va concentra inițial asupra a ceea ce sunt aceste cadre, limbajele de programare, arhitecturile tehnologice, algoritmii și funcțiile unice cu cazuri de utilizare potențiale pe care le utilizează. Apoi, vom compara fiecare cadru pe baza ușurinței de utilizare, scalabilității, adaptabilității și performanței, discutând avantajele și limitările acestora.
 
Eliza

Eliza este un cadru open-source de simulare multi-agent dezvoltat de ai16z, destinat creării, desfășurării și gestionării agenților AI autonomi. Este dezvoltat în TypeScript ca limbaj de programare, oferind o platformă flexibilă și scalabilă pentru construirea agenților inteligenți, capabili să interacționeze cu oamenii pe mai multe platforme, păstrând în același timp o personalitate și cunoștințe consistente.
 
Funcțiile de bază ale acestui cadru includ: suport pentru desfășurarea și gestionarea simultană a mai multor personalități AI unice în arhitectura multi-agent; utilizarea unui sistem de roluri creat printr-un cadru de fișiere de roluri pentru a crea un sistem de roluri diversificat pentru agenți; furnizarea de funcții de gestionare a memoriei printr-un sistem avansat de îmbunătățire a generării (RAG), care oferă memorie pe termen lung și context perceput. În plus, cadrul Eliza oferă integrare fluidă pe platformă, permițând conectarea fiabilă la Discord, X și alte platforme de social media.
 
În ceea ce privește funcțiile de comunicare și media ale agenților AI, Eliza este o alegere excelentă. În ceea ce privește comunicarea, acest cadru sprijină integrarea cu funcțiile de canal de voce de pe Discord, funcțiile X, Telegram și accesul direct API pentru cazuri personalizate. Pe de altă parte, funcțiile de procesare media ale cadrului s-au extins pentru a include citirea și analizarea documentelor PDF, extragerea și rezumarea conținutului din linkuri, transcrierea audio, procesarea conținutului video, analiza imaginilor și rezumarea conversațiilor, putând gestiona eficient diverse intrări și ieșiri media.
 
Eliza oferă suport flexibil pentru modele AI, permițând inferența locală prin utilizarea modelelor open-source, inferența bazată pe cloud prin configurații implicite precum OpenAI și Nous Hermes Llama 3.1 B, și suport pentru integrarea cu Claude pentru tratarea interogărilor complexe. Eliza adoptă o arhitectură modulară, având un sistem extins de acțiuni, suport pentru clienți personalizați și o API cuprinzătoare, asigurând scalabilitatea și adaptabilitatea între aplicații.
 
Cazurile de utilizare ale Eliza acoperă mai multe domenii, cum ar fi asistenți AI pentru suportul clienților, gestionarea comunității, sarcini personale; de asemenea, poate funcționa ca un creator automat de conținut, reprezentant de marcă etc. în roluri de social media; de asemenea, poate acționa ca un lucrător de cunoștințe, îndeplinind roluri precum asistent de cercetare, analist de conținut și procesator de documente; și roluri interactive în forme precum roboți de joc de rol, mentori educaționali și agenți de distracție.
 
Arhitectura Eliza se bazează pe un runtime pentru agenți, care poate integra fără probleme un sistem de roluri (susținut de furnizorii de modele), un manager de memorie (conectat la baza de date) și un sistem de acțiuni (conectat la clienții platformei). Funcțiile unice ale acestui cadru includ un sistem de pluginuri care permite extinderea modulară a funcționalităților, suport pentru interacțiuni multimodale, cum ar fi vocea, textul și media, precum și compatibilitatea cu modele AI de top, cum ar fi Llama, GPT-4 și Claude. Cu designul său versatil și puternic, Eliza devine un instrument puternic pentru dezvoltarea aplicațiilor AI în diverse domenii.
 
G.A.M.E
 
G.A.M.E este dezvoltat de echipa oficială Virtuals, denumirea completă fiind „Cadru Generativ de Entități Autonome Multimodale” (The Generative Autonomous Multimodal Entities Framework), destinat să ofere dezvoltatorilor interfețe API și kituri de dezvoltare software (SDK) pentru a experimenta cu agenți AI. Acest cadru oferă o metodă structurată de gestionare a comportamentului, deciziilor și procesului de învățare al agenților AI.
 
·Componentele cheie ale G.A.M.E sunt următoarele: mai întâi, „Interfața de Inducție a Agenților” (Agent Prompting Interface) este punctul de intrare pentru dezvoltatori pentru a integra G.A.M.E în agenți pentru a obține comportamentul agenților.
 
·„Subsystemul de Percepție” inițiază sesiunea prin specificarea parametrilor, cum ar fi ID-ul sesiunii, ID-ul agentului, utilizatorul și alte detalii relevante. Acesta sintetizează mesajele primite într-un format adecvat pentru „Motorul de Planificare Strategică”, acționând ca un mecanism de intrare senzorial pentru agenții AI, fie sub formă de dialog, fie de reacție. Aici, nucleul este „Modulul de Procesare a Dialogului”, responsabil cu gestionarea mesajelor și răspunsurilor de la agenți și colaborând cu „Subsystemul de Percepție” pentru a interpreta și răspunde eficient la intrări.
 
·„Motorul de Planificare Strategică” colaborează cu „Modulul de Procesare a Dialogului” și „Operatorul de Portofel On-Chain” pentru a genera răspunsuri și planuri. Acest motor operează la două niveluri: ca planificator de nivel înalt, creând strategii ample în funcție de context sau obiective; și ca strategie de nivel inferior, transformând aceste strategii în politici executabile, care sunt ulterior detaliate în planificatorul de acțiuni (pentru specificarea sarcinilor) și executorul de planuri (pentru executarea sarcinilor).
 
·O componentă separată, dar esențială este „Contextul Lumei”, care se referă la mediu, informații despre lume și starea jocului, oferind contextul necesar pentru deciziile agenților. În plus, „Biblioteca Agenților” este utilizată pentru a stoca proprietăți pe termen lung, cum ar fi obiective, reflecții, experiențe și personalitate, care contribuie la formarea comportamentului și procesului decizional al agenților. Acest cadru folosește „memoria de lucru pe termen scurt” și „procesorul de memorie pe termen lung” — memoria pe termen scurt păstrează informații relevante despre acțiunile anterioare, rezultate și planul actual; în contrast, procesorul de memorie pe termen lung extrage informații cheie în funcție de importanță, recență și relevanță. Această memorie stochează cunoștințe despre experiențele agenților, reflecții, personalitate dinamică, contextul lumii și cunoștințele de lucru, pentru a îmbunătăți deciziile și a oferi o bază pentru învățare.
 
·Pentru a îmbunătăți structura, „Modulul de Învățare” obține date din „Subsystemul de Percepție” pentru a genera cunoștințe generale, care sunt returnate sistemului pentru a optimiza interacțiunile viitoare. Dezvoltatorii pot introduce feedback prin interfață privind acțiunile, starea jocului și datele senzoriale, pentru a îmbunătăți învățarea agenților AI și a spori capacitatea lor de planificare și decizie.
 
Fluxul de lucru începe cu interacțiunea dezvoltatorului prin interfața de inducție a agenților; „Subsystemul de Percepție” procesează intrarea și o redirecționează către „Modulul de Procesare a Dialogului”, care gestionează logica interacțiunii; apoi, „Motorul de Planificare Strategică” elaborează și execută planuri bazate pe aceste informații, utilizând strategii avansate și planificare detaliată a acțiunilor.
 
Datele din „Contextul Lumii” și „Biblioteca Agenților” oferă informații pentru aceste procese, iar memoria de lucru urmărește sarcinile imediate. În același timp, „procesorul de memorie pe termen lung” stochează și recuperează cunoștințe în timp. „Modulul de Învățare” analizează rezultatele și integrează cunoștințele noi în sistem, îmbunătățind continuu comportamentul și interacțiunile agenților.
 
Rig
 
Rig este un cadru open-source bazat pe Rust, destinat simplificării dezvoltării aplicațiilor pentru modele lingvistice mari (LLM). Oferă o interfață unificată pentru interacțiunea cu mai mulți furnizori de LLM (cum ar fi OpenAI și Anthropic) și suportă diverse stocări vectoriale, inclusiv MongoDB și Neo4j. Arhitectura modulară a acestui cadru include componente cheie precum „Stratul de Abstractizare a Furnizorilor”, „Integrarea Stocării Vectoriale” și „Sistemul de Agenți”, facilitând interacțiunea fără probleme a LLM.
 
Publicul principal al Rig include dezvoltatori care construiesc aplicații AI/ML folosind Rust, iar publicul secundar include organizații care caută să integreze mai mulți furnizori de LLM și stocare vectorială în aplicațiile lor Rust. Biblioteca este organizată pe o structură bazată pe spații de lucru, conținând mai multe crates, realizând scalabilitate și management eficient al proiectelor. Funcțiile principale ale Rig includ „Stratul de Abstractizare a Furnizorilor”, care standardizează API-urile utilizate pentru completarea și încorporarea furnizorilor de LLM printr-o gestionare consistentă a erorilor; componenta „Integrarea Stocării Vectoriale” oferă o interfață abstractă pentru multiple backend-uri și suport pentru căutarea similitudinii vectoriale; iar „Sistemul de Agenți” simplifică interacțiunile LLM, sprijinind generarea îmbunătățită a căutării (RAG) și integrarea de instrumente. În plus, cadrul de încorporare oferă capacități de procesare în lot și operații de încorporare sigure din punct de vedere al tipurilor.
 
Rig utilizează mai multe avantaje tehnologice pentru a asigura fiabilitate și performanță. Operațiunile asincrone folosesc runtime-ul asincron Rust pentru a gestiona eficient un număr mare de cereri concurente; mecanismul înnăscut de gestionare a erorilor al acestui cadru îmbunătățește capacitatea de recuperare de la eșecurile furnizorilor de AI sau ale operațiunilor de bază de date; siguranța tipului previne erorile în timpul compilării, sporind întreținerea codului; fluxurile de serializare și deserializare eficiente ajută la gestionarea datelor în formate precum JSON, esențiale pentru comunicarea și stocarea serviciilor AI; înregistrarea detaliată și tabloul de bord ajută în continuare la depanarea și monitorizarea aplicațiilor.
 
Fluxul de lucru din Rig începe cu clientul care inițiază o cerere, cererea circulând prin „Stratul de Abstractizare a Furnizorilor”, interacționând cu modelul LLM corespunzător; apoi, datele sunt procesate de stratul central, agenții putând utiliza instrumente în stratul central sau accesa stocarea vectorială pentru a obține context; prin intermediul fluxurilor de lucru complexe, cum ar fi RAG, se generează și se îmbunătățesc răspunsurile, incluzând recuperarea documentelor și înțelegerea contextului, apoi acestea sunt returnate clientului. Acest sistem integrează mai mulți furnizori de LLM și stocare vectorială, adaptându-se la disponibilitatea modelului sau la variațiile de performanță.
 
Cazurile de utilizare ale Rig sunt variate, incluzând recuperarea documentelor relevante pentru a oferi răspunsuri precise în sistemele de răspuns la întrebări, căutarea și recuperarea documentelor pentru descoperirea eficientă a conținutului, precum și chatbots sau asistenți virtuali care oferă interacțiuni conștiente de context pentru servicii pentru clienți sau educație. De asemenea, sprijină generarea de conținut, având capacitatea de a crea texte și alte materiale pe baza modelelor învățate, fiind un instrument versatil pentru dezvoltatori și organizații.
 
ZerePy

ZerePy este un cadru open-source scris în Python, destinat desfășurării agenților pe X, utilizând LLM-urile OpenAI sau Anthropic. ZerePy provine dintr-o versiune modulară a backend-ului Zerebro, permițând dezvoltatorilor să pornească agenți cu funcționalități similare celor de bază ale Zerebro. Deși acest cadru oferă baza pentru desfășurarea agenților, modelele trebuie să fie ajustate pentru a genera rezultate creative. ZerePy simplifică dezvoltarea și desfășurarea agenților AI personalizați, fiind în special potrivit pentru crearea de conținut pe platformele sociale, promovând un ecosistem creativ AI cu accent pe artă și aplicații descentralizate.
 
Acest cadru este construit în limbajul Python, punând accent pe autonomia agenților și pe generarea de rezultate creative, aliniindu-se arhitecturii și parteneriatelor Eliza. Designul său modular susține integrarea sistemului de memorie, facilitând desfășurarea agenților pe platformele sociale. Funcțiile sale principale includ o interfață de linie de comandă pentru gestionarea agenților, integrarea cu X, suport pentru LLM-urile OpenAI și Anthropic, precum și un sistem de conectare modular pentru îmbunătățiri.
 
Cazurile de utilizare ale ZerePy includ automatizarea pe rețelele sociale, utilizatorii putând desfășura agenți AI pentru publicare, răspunsuri, like-uri și redistribuiri, crescând astfel implicarea pe platformă. De asemenea, este potrivit pentru crearea de conținut în domenii precum muzica, notițele și NFT-urile, fiind un instrument important pentru arta digitală și platformele de conținut bazate pe blockchain.

Compararea orizontală

Din punctul nostru de vedere, fiecare dintre cadrele menționate mai sus oferă o abordare unică pentru dezvoltarea AI, răspunzând unor nevoi și medii specifice, ceea ce face ca dezbaterea să nu mai fie limitată la faptul dacă aceste cadre sunt concurente între ele, ci să se concentreze pe fiecare cadru și dacă poate oferi utilitate și valoare unică.
 
·Eliza se remarcă prin interfața sa prietenoasă pentru utilizator, în special pentru dezvoltatorii familiarizați cu mediile JavaScript și Node.js. Documentația sa cuprinzătoare ajută la setarea agenților AI pe diverse platforme, deși setul său bogat de funcții poate prezenta o curbă de învățare moderată, datorită utilizării TypeScript, Eliza este foarte potrivită pentru construirea agenților în rețelele integrate, deoarece cea mai mare parte a infrastructurii de rețea front-end este construită cu TypeScript. Acest cadru este cunoscut pentru arhitectura sa multi-agent, capabilă să desfășoare agenți AI cu personalități diverse pe platforme precum Discord, X și Telegram. Sistemul său avansat RAG pentru gestionarea memoriei îl face deosebit de potrivit pentru construirea asistenților AI de tip suport pentru clienți sau aplicații de social media. Deși oferă flexibilitate, suport puternic din comunitate și performanță consistentă pe multiple platforme, se află încă în stadiul incipient, ceea ce poate prezenta o curbă de învățare pentru dezvoltatori.
 
·G.A.M.E este conceput special pentru dezvoltatorii de jocuri, oferind o interfață de cod redus sau fără cod prin API, facilitând accesul utilizatorilor cu un nivel tehnologic mai scăzut din domeniul jocurilor. Totuși, se concentrează pe dezvoltarea de jocuri și integrarea blockchain, ceea ce poate face ca pentru cei fără experiență relevantă, curba de învățare să fie destul de abruptă. Se descurcă excelent în generarea de conținut programatic și comportamentele NPC, dar este limitat de nișa sa și de complexitatea suplimentară asociată cu integrarea blockchain.
 
·Rig, având la bază limbajul Rust, poate fi mai puțin prietenos pentru utilizatori din cauza complexității acestui limbaj, ceea ce reprezintă o mare provocare pentru învățare, dar pentru cei care stăpânesc programarea la sistem, poate oferi interacțiuni intuitive. Comparativ cu TypeScript, Rust este cunoscut pentru performanța și siguranța sa în gestionarea memoriei. Acesta are verificări stricte la compilare și abstractizare fără costuri, esențiale pentru rularea algoritmilor AI complexi. Caracteristicile sale eficiente și de control scăzut îl fac o alegere ideală pentru aplicațiile AI consumatoare de resurse. Acest cadru adoptă un design modular și scalabil, oferind soluții de înaltă performanță, fiind foarte potrivit pentru aplicațiile de afaceri. Totuși, pentru dezvoltatorii care nu sunt familiarizați cu limbajul Rust, utilizarea sa poate prezenta o curbă de învățare abruptă.
 
·ZerePy utilizează limbajul Python, oferind o utilizabilitate mai mare pentru sarcinile AI creative. Pentru dezvoltatorii Python, în special cei cu un fond AI/ML, curba de învățare este mai redusă, iar datorită popularității ZEREBRO se poate beneficia de un suport comunitar puternic. ZerePy se descurcă excelent în aplicațiile AI creative, precum NFT-uri, și se poziționează ca un instrument puternic în domeniul media digitale și artei. Deși se descurcă bine în creativitate, aria sa de aplicare este relativ îngustă comparativ cu alte cadre.
 
În ceea ce privește scalabilitatea, compararea celor patru cadre este următoarea.
 
·Eliza a făcut progrese semnificative după actualizarea versiunii V2, introducând o linie de mesaje unificată și un cadru central scalabil, realizând management eficient pe multiple platforme. Totuși, fără optimizare, gestionarea acestei interacțiuni pe mai multe platforme poate genera provocări în ceea ce privește scalabilitatea.
 
·G.A.M.E excelează în procesarea în timp real necesară în jocuri, iar scalabilitatea sa poate fi gestionată prin algoritmi eficienți și potențiale sisteme distribuite blockchain, însă poate fi constrânsă de motorul de jocuri specific sau de restricțiile rețelelor blockchain.
 
·Cadrul Rig poate profita de avantajele de performanță ale Rust pentru a realiza o scalabilitate mai bună, fiind nativ proiectat pentru aplicații cu un volum mare de procesare, ceea ce poate fi deosebit de eficient pentru desfășurări la nivel de întreprindere, deși acest lucru poate implica configurări complexe pentru a realiza scalabilitate reală.
 
·ZerePy are scalabilitate axată pe producția creativă, susținută de contribuțiile comunității, însă accentul acestui cadru poate limita aplicabilitatea sa în medii AI mai largi, iar scalabilitatea sa poate fi testată de diversitatea sarcinilor creative, mai degrabă decât de numărul de utilizatori.
 
În ceea ce privește aplicabilitatea, Eliza, datorită sistemului său de pluginuri și compatibilității între platforme, conduce detașat, urmată de G.A.M.E în medii de jocuri și Rig în tratarea sarcinilor AI complexe. ZerePy a demonstrat o adaptabilitate ridicată în domeniul creativ, dar este mai puțin aplicabil în domeniile AI mai largi.
 
În ceea ce privește performanța, rezultatele testelor celor patru cadre sunt următoarele.
 
·Eliza este optimizată pentru interacțiuni rapide pe rețele sociale, dar performanța sa poate varia atunci când se ocupă de sarcini de calcul mai complexe.
 
·G.A.M.E se concentrează pe interacțiuni în timp real de mare performanță în scenariile de joc, folosind procese decizionale eficiente și posibilități de AI descentralizate prin blockchain.
 
·Rig, bazat pe Rust, poate oferi o performanță excelentă pentru sarcini de calcul intensive, fiind potrivit pentru aplicațiile de afaceri în care eficiența calculului este esențială.
 
·Performanța ZerePy este axată pe crearea de conținut creativ, cu indicatori centrati pe eficiența și calitatea generării de conținut, putând fi mai puțin generalizabil în afara domeniului creativ.
 
Combinând analiza avantajelor și dezavantajelor, Eliza oferă o flexibilitate și scalabilitate mai bună, sistemul său de pluginuri și configurațiile rolurilor oferindu-i o adaptabilitate puternică, favorizând interacțiunile sociale AI pe platforme multiple; G.A.M.E oferă o capacitate unică de interacțiune în timp real în scenarii de joc și introduce participarea AI inovatoare prin integrarea blockchain; avantajul Rig constă în performanța și scalabilitatea sa, fiind potrivit pentru sarcini AI la nivel de întreprindere, concentrându-se pe simplitatea și modularitatea codului pentru a asigura dezvoltarea pe termen lung a proiectelor; Zerepy excelează în cultivarea creativității, având un avantaj de lider în aplicațiile AI din arta digitală, susținut de un model de dezvoltare dinamic bazat pe comunitate.
 
În concluzie, fiecare cadru are limitele sale. Eliza este încă în stadiul incipient, având probleme potențiale de stabilitate, iar curba de învățare pentru dezvoltatorii noi este destul de lungă; G.A.M.E se concentrează pe nișe, ceea ce poate limita aplicabilitatea sa mai largă, iar introducerea blockchain-ului poate adăuga complexitate; curba de învățare pentru Rig este și mai abruptă din cauza complexității limbajului Rust, ceea ce poate descuraja unii dezvoltatori; Zerepy se concentrează prea mult pe producția creativă, ceea ce poate limita aplicabilitatea sa în alte domenii AI.

Compararea elementelor cheie
 
Rig (ARC)
 
Limbaj: Rust, axat pe siguranță și performanță.
 
Cazuri de utilizare: axat pe eficiență și scalabilitate, fiind alegerea ideală pentru aplicațiile AI la nivel de întreprindere.
 
Comunitate: Implicare comunitară redusă, axată mai mult pe dezvoltatori tehnici.
 
Eliza (AI16Z)
 
Limbaj: TypeScript, punând accent pe flexibilitatea Web3 și participarea comunității.
 
Cazuri de utilizare: proiectat special pentru interacțiuni sociale, DAO-uri și tranzacții, punând accent pe sistemul multi-agent.
 
Comunitate: Foarte implicată în comunitate, cu conexiuni extinse cu GitHub.
 
ZerePy (ZEREBRO):
 
Limbaj: Python, mai accesibil pentru o gamă mai largă de dezvoltatori AI.
 
Cazuri de utilizare: potrivit pentru automatizarea pe rețele sociale și sarcini mai simple de agenți AI.
 
Comunitate: Relativ nouă, dar având potențial de creștere datorită popularității Python și sprijinului colaboratorilor ai16z.
 
G.A.M.E (VIRTUAL, GMAE):
 
Accent: Agenți AI autonomi și adaptivi, capabili să evolueze în funcție de interacțiunile din medii virtuale.
 
Cazuri de utilizare: cele mai potrivite pentru scenarii în care agenții trebuie să învețe și să se adapteze, cum ar fi jocurile sau lumile virtuale.
 
Comunitate: Inovatoare, dar încă în curs de stabilire a poziției sale în competiție.
 
Creșterea datelor Github
 


Graficele de mai sus ilustrează variațiile numărului de stele pe GitHub pentru aceste cadre de la lansarea lor. În general, stelele GitHub pot servi ca indicatori ai interesului comunității, popularității proiectului și valorii percepute a acestuia.
 
·Eliza (linia roșie): Graficele arată o creștere semnificativă și stabilă a numărului de stele pentru acest cadru, începând de la o bază scăzută în iulie, având o explozie în jurul sfârșitului lui noiembrie, ajungând acum la 6100 de stele. Aceasta indică un interes rapid în jurul acestui cadru, atrăgând atenția dezvoltatorilor. Creșterea exponențială sugerează că Eliza a câștigat o atracție enormă datorită funcțiilor sale, actualizărilor și implicării comunității, popularitatea sa depășind cu mult alte produse, ceea ce sugerează un suport puternic din partea comunității și o aplicabilitate sau interes mai larg în comunitatea AI.
 
·Rig (linia albastră): Rig este cel mai „vârstnic” dintre cele patru cadre, având o creștere moderată a stelelor, dar stabilă, cu o creștere semnificativă în ultima lună. Numărul său total de stele a ajuns la 1700, dar rămâne pe o traiectorie ascendentă. Acumularea stabilă a atenției se datorează dezvoltării continue, actualizărilor și creșterii continue a bazei de utilizatori. Acest lucru ar putea reflecta că Rig este un cadru care își construiește în continuare reputația.
 
·ZerePy (linia galbenă): ZerePy a fost lansat acum câteva zile, numărul de stele crescând la 181. Este important de subliniat că ZerePy are nevoie de mai multă dezvoltare pentru a-și îmbunătăți vizibilitatea și rata de adoptare, colaborarea cu ai16z având potențialul de a atrage mai mulți colaboratori pentru a contribui la codul său.
 
·G.A.M.E (linia verde): Numărul de stele pentru acest cadru este scăzut, dar este demn de menționat că acest cadru poate fi aplicat direct agenților din ecosistemul Virtual prin intermediul API-ului, fără a necesita publicarea pe GitHub. Totuși, deși acest cadru a fost disponibil public pentru constructori cu doar puțin mai mult de o lună în urmă, există deja peste 200 de proiecte care utilizează G.A.M.E pentru construcții.
 
Așteptările de actualizare pentru cadrele AI

Versiunea 2.0 a Eliza va include integrarea cu pachetul de instrumente pentru agenți Coinbase. Toate proiectele care utilizează Eliza vor beneficia de suport pentru viitorul TEE (mediu de execuție de încredere), permițând agenților să funcționeze într-un mediu sigur. Registrul de pluginuri va fi o caracteristică pe care Eliza o va lansa în curând, permițând dezvoltatorilor să se înregistreze și să integreze pluginuri fără probleme.
 
În plus, Eliza 2.0 va sprijini transmiterea automată de mesaje anonime pe mai multe platforme. Așteptat să fie lansat pe 1 ianuarie 2025, white paper-ul Tokenomics (în care au fost publicate propuneri relevante) va avea un impact pozitiv asupra token-ului AI16Z care susține cadrul Eliza. ai16z intenționează să continue să îmbunătățească utilitatea acestui cadru și să valorifice eforturile principalelor sale colaboratori pentru a atrage talente de înaltă calitate.
 
Cadrele G.A.M.E oferă integrare fără cod pentru agenți, permițând utilizarea simultană a G.A.M.E și Eliza în cadrul aceluiași proiect, fiecare servind cazuri de utilizare specifice. Această abordare se așteaptă să atragă constructorii care se concentrează pe logica de afaceri mai degrabă decât pe complexitatea tehnică. Deși cadrul a fost disponibil public de doar 30 de zile, cu eforturile echipei de a atrage mai mulți colaboratori, a înregistrat progrese semnificative. Se așteaptă ca fiecare proiect lansat pe VirtuaI să adopte G.A.M.E.
 
Cadrul Rig, condus de tokenul ARC, are un potențial semnificativ, deși creșterea cadrului său se află într-o etapă incipientă, iar planurile contractuale pentru a stimula adoptarea Rig au fost lansate de doar câteva zile. Totuși, se așteaptă ca în curând să apară proiecte de înaltă calitate asociate cu ARC, asemănătoare cu efectul de flywheel al Virtual, dar axate pe Solana. Echipa Rig este optimistă în ceea ce privește colaborarea cu Solana, poziționând ARC ca Virtual al Solana. Este demn de menționat că echipa nu doar că stimulează utilizarea Rig pentru noile proiecte lansate, ci și încurajează dezvoltatorii să îmbunătățească cadrul Rig în sine.
 
Zerepy este un cadru nou lansat, care câștigă o multime de atenție datorită colaborării cu ai16z (cadrul Eliza), atrăgând colaboratori din Eliza care lucrează activ pentru a îmbunătăți cadrul. Zerepy se bucură de un suport entuziast din partea comunității ZEREBRO și deschide noi oportunități pentru dezvoltatorii Python care anterior nu aveau spațiu de manevră în domeniul infrastructurii AI competitive. Se așteaptă ca acest cadru să joace un rol important în aspectele creative ale AI.