Acest articol provine de la: Deep Value Memetics

Compilat de｜Odaily Planet Daily（@OdailyChina）

Traducător｜Azuma（@azuma_eth）

Rezumatul punctelor cheie

În acest raport, discutăm despre evoluția principalelor cadre din domeniul Crypto & AI. Vom explora cele patru cadre principale actuale - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), analizând diferențele tehnologice și potențialul de dezvoltare.

În ultima săptămână, am efectuat analize și teste asupra celor patru cadre de mai sus, concluziile fiind rezumate mai jos.

  • Considerăm că Eliza (cota de piață de aproximativ 60%, evaluată la aproximativ 900 milioane de dolari la momentul redactării de către autor, evaluată la aproximativ 1,4 miliarde de dolari la momentul publicării) va continua să domine cota de piață. Valoarea Eliza se datorează avantajului său de primăvară și adoptării accelerate de către dezvoltatori, dovadă fiind cei 193 de contribuabili pe GitHub, 1800 de fork-uri și peste 6000 de stele, făcându-l unul dintre cele mai populare biblioteci software de pe GitHub.

  • G.A.M.E (cota de piață de aproximativ 20%, evaluată la aproximativ 300 milioane de dolari la momentul redactării de către autor, evaluată la aproximativ 257 milioane de dolari la momentul publicării) a avut până acum o dezvoltare foarte bună și se confruntă cu o adoptare rapidă, așa cum a anunțat anterior Protocolul Virtual, existând 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, având potențialul de a deveni unul dintre cei mai mari câștigători ai acestui ecosistem.

  • Rig (cota de piață de aproximativ 15%, evaluată la aproximativ 160 milioane de dolari la momentul redactării de către autor, evaluată la aproximativ 279 milioane de dolari la momentul publicării) are un design modular foarte atractiv și ușor de utilizat, având potențialul de a ocupa o poziție dominantă în ecosistemul Solana (RUST).

  • Zerepy (cota de piață de aproximativ 5%, evaluată la aproximativ 300 milioane de dolari la momentul redactării de către autor, evaluată la aproximativ 424 milioane de dolari la momentul publicării) este o aplicație mai de nișă, specifică unei comunități entuziaste ZEREBRO, colaborarea recentă cu comunitatea ai16z având potențialul de a produce anumite sinergii.

În statisticile de mai sus, „cota de piață” a fost calculată având în vedere valoarea de piață, istoricul de dezvoltare și amploarea pieței sistemului de operare de bază.

Credem că cadrele AI vor deveni sectorul cu cea mai rapidă creștere în acest ciclu, valoarea totală a sectorului, care este de aproximativ 1,7 miliarde de dolari, va crește cu ușurință la 20 de miliarde de dolari, comparativ cu evaluarea de 20 de miliarde de dolari atinsă în 2021 în vârful său, acest număr ar putea fi considerat încă conservator - atunci multe proiecte individuale au fost evaluate la peste 20 de miliarde de dolari. Deși cadrele de mai sus servesc diferite piețe terminale (lanțuri/ecosisteme), având în vedere că considerăm că acest sector va crește în ansamblu, adoptarea unei metode ponderate în funcție de capitalizarea de piață ar putea fi relativ cea mai prudentă.

Cele patru cadre principale

În intersecția AI și Crypto, au apărut mai multe cadre menite să accelereze dezvoltarea AI, incluzând Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). De la proiectele din comunitatea open-source până la soluțiile de întreprindere axate pe performanță, fiecare cadru răspunde unor nevoi și filozofii diferite în dezvoltarea agenților.

În tabelul de mai jos, am enumerat tehnologiile, componentele și avantajele cheie ale fiecărui cadru.

Acest raport se va concentra inițial asupra acestor cadre, asupra limbajelor de programare, arhitecturii tehnice, algoritmilor și a caracteristicilor unice cu aplicații potențiale pe care le folosesc. Apoi, vom compara fiecare cadru în funcție de ușurința de utilizare, scalabilitate, adaptabilitate și performanță, discutând în același timp avantajele și limitările lor.

Eliza

Eliza este un cadru open-source dezvoltat de ai16z, destinat să creeze, implementeze și gestioneze agenți AI autonomi. Este construit pe TypeScript ca limbaj de programare, oferind o platformă flexibilă și scalabilă pentru construirea de agenți inteligenți care pot interacționa cu oamenii pe mai multe platforme, menținând în același timp o personalitate și cunoștințe consistente.

Funcțiile principale ale acestui cadru includ: suport pentru implementarea și gestionarea simultană a mai multor personalități AI unice în arhitectura multi-agent; un sistem de roluri pentru crearea de agenți diversificați folosind un cadru de fișiere de roluri; furnizarea funcționalităților de gestionare a memoriei pe termen lung și a contextului perceptibil prin intermediul unui sistem avansat de generare îmbunătățită prin recuperare (RAG). În plus, cadrul Eliza oferă o integrare fluidă a platformei, putând realiza conexiuni fiabile cu Discord, X și alte platforme de socializare.

În ceea ce privește funcționalitățile de comunicare și media ale agenților AI, Eliza este o alegere excelentă. În ceea ce privește comunicarea, acest cadru suportă integrarea cu funcțiile canalelor vocale Discord, funcțiile X, Telegram, precum și accesul API direct pentru cazuri de utilizare personalizate. Pe de altă parte, funcționalitățile de procesare a media ale acestui cadru s-au extins pentru a include citirea și analiza documentelor PDF, extragerea și rezumarea conținutului din linkuri, transcrierea audio, procesarea conținutului video, analiza imaginii și rezumarea dialogului, putând gestiona eficient o varietate de intrări și ieșiri media.

Eliza oferă suport flexibil pentru modele AI, permițând inferența locală prin utilizarea modelelor open-source și inferența bazată pe cloud prin configurații implicite de la OpenAI și Nous Hermes Llama 3.1B, susținând integrarea Claude pentru a gestiona interogări complexe. Eliza adoptă o arhitectură modulară, având un sistem extins de acțiuni, suport pentru clienți personalizați și un API complet, asigurând scalabilitate și adaptabilitate între aplicații.

Cazurile de utilizare ale Eliza acoperă multe domenii, inclusiv asistenți AI pentru suport clienți, gestionarea comunității, sarcini personale; de asemenea, poate funcționa ca un creator de conținut automatizat, reprezentant de marcă și roluri în social media; poate acționa ca un lucrător de cunoștințe, jucând roluri precum asistent de cercetare, analist de conținut și procesor de documente; precum și roluri interactive de robot de jocuri de rol, mentor educațional și agent de vânzări.

Arhitectura Eliza se bazează pe un runtime de agenți care se integrează fără probleme cu sistemul de roluri (susținut de furnizorii de modele), managerul de memorie (conectat la baza de date) și sistemul de acțiuni (legat de clientul platformei). Funcționalitățile unice ale acestui cadru includ un sistem de pluginuri care permite extinderea funcționalității modulare, suport pentru interacțiuni multimodale precum voce, text și media, și compatibilitate cu modele AI de vârf precum Llama, GPT-4 și Claude. Cu un design 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 a Virtuals, iar denumirea sa completă este „Cadru Generativ Autonom pentru Entități Multimodale” (The Generative Autonomous Multimodal Entities Framework), având drept scop să ofere dezvoltatorilor interfețe de programare a aplicațiilor (API) și kituri de dezvoltare software (SDK) pentru a experimenta cu agenți AI. Acest cadru oferă o modalitate structurată de gestionare a comportamentului, deciziilor și procesului de învățare al agenților AI.

  • Componentele centrale ale G.A.M.E sunt următoarele: în primul rând, „Interfața de sugestii a agenților” (Agent Prompting Interface) este punctul de intrare pentru dezvoltatori pentru a integra G.A.M.E în agenți pentru a obține comportamentele acestora.

  • „Subsistemul de percepție” inițiază sesiuni prin specificarea parametrilor precum ID-ul sesiunii, ID-ul agenților, 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 ca reacții. Inima acestui sistem este „modulul de procesare a dialogului”, responsabil pentru gestionarea mesajelor și răspunsurilor de la agenți și colaborând cu „subsistemul de percepție” pentru a interpreta și răspunde eficient la intrări.

  • „Motorul de planificare strategică” colaborează cu „modulul de procesare a dialogului” și „operatorul portofelului on-chain” pentru a genera răspunsuri și planuri. Acest motor funcționează pe două niveluri: ca planificator de înaltă nivel, creând strategii ample pe baza contextului sau obiectivelor; ca strategie de nivel inferior, transformând aceste strategii în politici executabile, ulterior detaliate în planificatori de acțiuni (pentru a specifica sarcini) și executori de planuri (pentru a duce la îndeplinire sarcinile).

  • Un component separat, dar esențial, este „contextul global”, care face referire la mediu, informații despre lume și starea jocului, oferind contextul necesar pentru deciziile agenților. În plus, „biblioteca agenților” este utilizată pentru a stoca atributele pe termen lung, cum ar fi obiectivele, reflecțiile, experiențele și personalitatea, care formează comportamentul și procesul decizional al agenților. Acest cadru utilizează „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 planurile curente; în contrast, procesorul de memorie pe termen lung extrage informații esențiale pe baza importanței, recenței și relevanței. Această memorie stochează cunoștințe despre experiențele agenților, reflecții, personalitate dinamică, context global și memorie de lucru pentru a îmbunătăți deciziile și a oferi o bază pentru învățare.

  • Pentru a îmbunătăți structura, „modulul de învățare” extrage date din „subsistemul de percepție” pentru a genera cunoștințe generale, care sunt reintroduse în sistem pentru a optimiza interacțiunile viitoare. Dezvoltatorii pot oferi feedback prin interfață cu privire la acțiuni, starea jocului și datele senzoriale, pentru a spori învățarea agenților AI și a îmbunătăți capacitățile de planificare și decizie.

Fluxul de lucru începe cu interacțiunea dezvoltatorului prin intermediul interfeței de sugestii a agenților; „subsistemul de percepție” gestionează intrările și le redirecționează către „modulul de procesare a dialogului”, care gestionează logica interacțiunii; apoi, „motorul de planificare strategică” elaborează și execută planuri pe baza acestor informații, folosind strategii de înaltă nivel și planificare detaliată a acțiunilor.

Datele din „contextul global” și „biblioteca agenților” oferă informații pentru aceste procese, în timp ce memoria de lucru urmărește sarcinile în timp real. 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 să simplifice dezvoltarea aplicațiilor de modele lingvistice mari (LLM). Oferă o interfață unificată pentru interacțiunea cu mai mulți furnizori LLM (cum ar fi OpenAI și Anthropic) și sprijină diverse stocări vectoriale, inclusiv MongoDB și Neo4j. Arhitectura modulară a acestui cadru include componentele esențiale „stratul de abstracție a furnizorului”, „integrarea stocării vectoriale” și „sistemul de agenți”, facilitând interacțiunea fără întreruperi a LLM.

Publicul principal al Rig include dezvoltatorii care construiesc aplicații AI/ML folosind Rust, în timp ce publicul secundar include organizațiile care caută să integreze mai mulți furnizori LLM și stocări vectoriale în aplicațiile lor Rust. Biblioteca este organizată folosind o structură bazată pe spațiul de lucru, conținând mai multe crates, realizând scalabilitate și gestionarea eficientă a proiectelor. Funcțiile principale ale Rig includ „stratul de abstracție a furnizorului”, care normalizează API-urile utilizate pentru completarea și încorporarea furnizorilor LLM printr-o gestionare consistentă a erorilor; componenta de „integrare a stocării vectoriale” oferă o interfață abstractă pentru mai multe backend-uri și suportă căutarea similarității vectoriale; „sistemul de agenți” simplifică interacțiunea LLM, sprijinind generarea îmbunătățită prin recuperare (RAG) și integrarea instrumentelor. În plus, cadrul de încorporare oferă capacități de procesare în lot și operațiuni de încorporare sigure din punct de vedere al tipurilor.

Rig utilizează multiple avantaje tehnologice pentru a asigura fiabilitatea și performanța. Operațiile asincrone folosesc runtime-ul asincron Rust pentru a gestiona eficient un număr mare de cereri concurente; mecanismul înnăscut de gestionare a erorilor din cadrul îmbunătățește capacitatea de recuperare în fața defecțiunilor furnizorilor de inteligență artificială sau a operațiunilor de bază de date; siguranța tipurilor împiedică erorile la compilare, îmbunătățind astfel întreținerea codului; procesele de serializare și deserializare eficiente ajută la gestionarea datelor în formate precum JSON, esențiale pentru comunicarea și stocarea serviciilor de inteligență artificială; jurnalizarea detaliată și tablourile de bord ajută, de asemenea, la depanarea și monitorizarea aplicațiilor.

Fluxul de lucru din Rig începe cu clientul care inițiază o cerere, cererea trece prin „stratul de abstracție a furnizorului”, interacționând cu modelul LLM corespunzător; apoi, datele sunt procesate de stratul central, agenții putând utiliza instrumente sau accesa stocarea vectorială pentru a obține context; prin fluxuri de lucru complexe precum RAG, se generează și se îmbunătățesc răspunsurile, incluzând recuperarea documentelor și înțelegerea contextului, care sunt apoi returnate clientului. Acest sistem integrează mai mulți furnizori LLM și stocări vectoriale, adaptându-se disponibilității sau variațiilor de performanță a modelului.

Cazurile de utilizare ale Rig sunt variate, incluzând sisteme de răspuns la întrebări care răspund cu exactitate prin recuperarea documentelor relevante, căutarea și recuperarea documentelor pentru descoperirea eficientă a conținutului, precum și interacțiuni conștiente de context pentru servicii pentru clienți sau educație prin chatboți sau asistenți virtuali. De asemenea, suportă generarea de conținut, capabil să creeze 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 implementării agenților folosind OpenAI sau Anthropic LLM pe X. ZerePy provine din versiunea modulară a backend-ului Zerebro, permițând dezvoltatorilor să utilizeze funcționalități similare cu cele ale Zerebro. Deși cadrul oferă o bază pentru implementarea agenților, pentru a obține rezultate creative, modelele trebuie să fie ajustate. ZerePy simplifică dezvoltarea și implementarea agenților AI personalizați, fiind deosebit de potrivit pentru crearea de conținut pe platformele sociale, promovând un ecosistem creativ AI orientat spre artă și aplicații descentralizate.

Acest cadru a fost construit folosind limbajul Python, punând accent pe autonomia agenților și pe generarea de producție creativă, în conformitate cu arhitectura și parteneriatele Eliza. Designul său modular sprijină integrarea sistemului de memorie, facilitând implementarea agenților pe platformele sociale. Funcțiile sale principale includ o interfață de linie de comandă pentru gestionarea agenților, integrarea cu X, suport pentru OpenAI și Anthropic LLM, precum și un sistem modular de conectare pentru îmbunătățiri.

Cazurile de utilizare ZerePy acoperă automatizarea rețelelor sociale, utilizatorii putând implementa agenți AI pentru postare, răspuns, apreciere și redistribuire, sporind astfel implicarea pe platformă. În plus, este de asemenea 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.

Comparare orizontală

În opinia noastră, fiecare dintre cadrele de mai sus oferă o abordare unică în dezvoltarea AI, adresându-se unor nevoi și medii specifice, ceea ce face ca dezbaterea să nu se mai concentreze doar pe dacă aceste cadre sunt concurenți, ci pe fiecare cadru în parte, dacă poate oferi utilitate și valoare unice.

  • Eliza se remarcă prin interfața sa prietenoasă pentru utilizatori, fiind deosebit de potrivită pentru dezvoltatorii familiarizați cu JavaScript și Node.js. Documentația sa cuprinzătoare ajută la configurarea agenților AI pe diverse platforme, deși setul său bogat de funcționalități poate prezenta o curbă de învățare moderată, dar datorită utilizării TypeScript, Eliza este foarte potrivită pentru construirea agenților încorporati în rețea, deoarece majoritatea infrastructurii front-end a web-ului este construită cu TypeScript. Cadrul este cunoscut pentru arhitectura sa multi-agent, capabil să implementeze agenți AI cu personalități variate pe platforme precum Discord, X și Telegram. Sistemul său avansat RAG pentru gestionarea memoriei face ca acesta să fie deosebit de adecvat pentru construirea asistenților AI pentru suport clienți sau aplicații pe rețele sociale. Deși oferă flexibilitate, un suport comunitar puternic și o performanță constantă pe mai multe platforme, se află totuși în stadiu 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 nivel tehnic mai scăzut în domeniul jocurilor. Totuși, se concentrează pe dezvoltarea jocurilor și integrarea blockchain-ului, iar pentru cei fără experiență relevantă, curba de învățare poate fi destul de abruptă. Se remarcă în generarea de conținut programatic și comportamentul NPC-urilor, dar este, de asemenea, limitată de domeniul său de specializare și de complexitatea suplimentară existentă în integrarea blockchain-ului.

  • Rig, datorită utilizării limbajului Rust, poate fi mai puțin prietenos pentru utilizatori din cauza complexității acestuia, ceea ce reprezintă o provocare considerabilă în procesul de învățare, dar pentru cei care stăpânesc programarea de sistem, poate oferi interacțiuni intuitive. Comparativ cu TypeScript, Rust este cunoscut pentru performanța și siguranța sa în gestionarea memoriei. Are verificări stricte la compilare și abstractizări fără costuri, esențiale pentru rularea algoritmilor de inteligență artificială complexi. Eficiența și caracteristicile de control scăzut ale acestui limbaj îl fac o alegere ideală pentru aplicații de AI intensive în resurse. Cadrul adoptă un design modular și scalabil, oferind soluții de înaltă performanță, foarte potrivite pentru aplicațiile de afaceri. Cu toate acestea, pentru dezvoltatorii care nu sunt familiarizați cu limbajul Rust, utilizarea acestuia va aduce o curbă de învățare abruptă.

  • ZerePy utilizează limbajul Python, oferind o utilizabilitate mai mare pentru sarcinile de AI creative. Pentru dezvoltatorii Python, în special cei cu background în AI/ML, curba de învățare este mai scăzută, iar datorită popularității ZEREBRO, există un suport comunitar puternic. ZerePy excelează în aplicații creative AI, cum ar fi NFT-urile, și se poziționează ca un instrument puternic în domeniul mediilor digitale și al artei. Deși se remarcă în ceea ce privește creativitatea, domeniul său de aplicare este relativ îngust în comparație cu alte cadre.

În ceea ce privește scalabilitatea, comparația celor patru cadre este următoarea.

  • Eliza a realizat progrese semnificative după actualizarea versiunii V2, introducând un flux de mesaje unificat și un cadru central scalabil, realizând gestionarea eficientă între platforme. Totuși, fără optimizare, gestionarea acestei interacțiuni multi-platformă ar putea aduce provocări de scalabilitate.

  • G.A.M.E excelează în procesarea în timp real necesară în jocuri, iar scalabilitatea sa poate fi gestionată prin algoritmi eficienți și un sistem distribuit blockchain potențial, deși poate fi restricționată de anumite motoare de joc sau rețele blockchain.

  • Cadrele Rig pot profita de avantajele de performanță ale Rust pentru a obține o scalabilitate mai bună, fiind concepute pentru aplicații cu un volum mare de date, ceea ce ar putea fi deosebit de eficient pentru implementările la nivel de întreprindere, deși acest lucru ar putea însemna că pentru a obține o scalabilitate reală sunt necesare setări complexe.

  • Scalabilitatea ZerePy este orientată spre producția creativă și beneficiază de suportul contribuțiilor comunității, dar accentul său poate limita aplicarea sa în medii mai largi de inteligență artificială, scalabilitatea sa fiind pusă la încercare mai degrabă de diversitatea sarcinilor creative decât de numărul de utilizatori.

În ceea ce privește aplicabilitatea, Eliza își păstrează un avans considerabil datorită sistemului său de pluginuri și a compatibilității între platforme, urmată de G.A.M.E în mediul de jocuri și Rig în gestionarea sarcinilor AI complexe. ZerePy a demonstrat o adaptabilitate ridicată în domeniul creativ, dar este mai puțin potrivit în domeniul aplicațiilor AI mai largi.

În ceea ce privește performanța, rezultatele testelor pentru cele patru cadre sunt următoarele.

  • Eliza este optimizată pentru interacțiuni rapide pe rețele sociale, dar performanța sa în gestionarea unor sarcini de calcul mai complexe poate varia.

  • G.A.M.E se concentrează pe interacțiuni în timp real cu performanță ridicată în scenariile de joc, putând folosi procese decizionale eficiente și potențial blockchain pentru operațiuni descentralizate AI.

  • Rig, bazat pe Rust, oferă o performanță excelentă pentru sarcini computaționale, fiind potrivit pentru aplicații de afaceri unde eficiența computațională este crucială.

  • Performanța ZerePy este orientată spre crearea de conținut creativ, indicatorii săi fiind centrali pe eficiența și calitatea generării de conținut, fiind posibil mai puțin universali în afara domeniului creativ.

Analizând avantajele și dezavantajele de mai sus, Eliza oferă o flexibilitate și o scalabilitate mai bună, sistemul său de pluginuri și configurarea rolurilor îi conferă o adaptabilitate puternică, facilitând interacțiunile sociale AI între platforme; G.A.M.E oferă capacități unice de interacțiune în timp real în scenariile de joc și prin integrarea blockchain-ului oferă o participare AI inovatoare; avantajul Rig constă în performanța și scalabilitatea sa, fiind potrivit pentru sarcini AI la nivel de întreprindere, punând accent pe simplitatea și modularitatea codului pentru a asigura dezvoltarea sănătoasă pe termen lung a proiectului; Zerepy excelează în cultivarea creativității, aflându-se în fruntea aplicațiilor AI în arta digitală, fiind sprijinit de un model de dezvoltare comunitar dinamic.

În concluzie, fiecare cadru are limitările sale. Eliza se află încă în stadiu incipient, având probleme de stabilitate potențiale, iar curba de învățare pentru dezvoltatorii noi este lungă; G.A.M.E poate fi limitat în aplicabilitatea sa mai largă din cauza concentrației sale pe nișe, iar introducerea blockchain-ului adaugă complexitate; curba de învățare Rig este și mai abruptă din cauza complexității limbajului Rust, ceea ce ar putea descuraja unii dezvoltatori; ZerePy poate fi restricționat în aplicațiile sale în alte domenii ale inteligenței artificiale din cauza focalizării sale înguste pe producția creativă.

Compararea principalelor elemente

Rig (ARC)

  • Limbaj: Rust, punând accent pe siguranță și performanță.

  • Caz de utilizare: Concentrare pe eficiență și scalabilitate, fiind alegerea ideală pentru aplicațiile AI la nivel de întreprindere.

  • Comunitate: Contribuțiile comunității sunt mai puțin drivente, concentrându-se mai mult pe dezvoltatorii tehnici.

Eliza (AI16Z)

  • Limbaj: TypeScript, punând accent pe flexibilitatea Web3 și implicarea comunității.

  • Caz de utilizare: Proiectat special pentru interacțiuni sociale, DAO-uri și tranzacții, punând un accent deosebit pe sistemele multi-agent.

  • Comunitate: Foarte orientată spre comunitate, având legături extinse cu GitHub.

ZerePy (ZEREBRO):

  • Limbaj: Python, mai ușor de acceptat de o comunitate mai largă de dezvoltatori AI.

  • Caz de utilizare: Potrivit pentru automatizarea rețelelor sociale și sarcini de agenți AI mai simple.

  • Comunitate: Relativ nouă, dar având în vedere popularitatea Python și suportul contribuabililor ai16z, se așteaptă să crească.

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

  • Punct de interes: Agenți AI autonomi și adaptivi, capabili să evolueze în funcție de interacțiunile din mediul virtual.

  • Caz de utilizare: Cel mai potrivit pentru scenarii în care agenții trebuie să învețe și să se adapteze, cum ar fi jocurile sau lumile virtuale.

  • Comunitate: Inovatoare, dar încă în competiție pentru a-și determina poziția.

Creșterea datelor de pe Github

Graficul de mai sus arată variația numărului de stele pe GitHub de la lansarea acestor cadre. În general, stelele de pe GitHub pot servi ca indicatori ai interesului comunității, popularității proiectului și valorii percepute a proiectului.

  • Eliza (linie roșie): Graficul arată o creștere semnificativă și constantă a numărului de stele pentru acest cadru, pornind de la o bază scăzută din iulie, crescând exponențial începând din noiembrie, atingând acum 6100 de stele. Acest lucru arată că interesul pentru acest cadru a crescut rapid, atrăgând atenția dezvoltatorilor. Creșterea exponențială indică faptul că Eliza a câștigat o atracție uriașă datorită funcționalităților, actualizărilor și implicării comunității, popularitatea sa depășind cu mult pe cea a altor produse, ceea ce indică un sprijin puternic din partea comunității, având o aplicabilitate sau un interes mai larg în comunitatea de inteligență artificială.

  • Rig (linie albastră): Rig este cel mai „vechi” dintre cele patru cadre, având o creștere moderată, dar stabilă a stelelor, care a crescut semnificativ în ultima lună. Numărul total de stele a ajuns la 1700, dar este încă pe o traiectorie ascendentă. Acumularea stabilă a interesului se datorează dezvoltării continue, actualizărilor și creșterii constante a bazei de utilizatori. Acest lucru ar putea reflecta faptul că Rig este un cadru care continuă să își construiască reputația.

  • ZerePy (linie galbenă): ZerePy a fost lansat cu câteva zile în urmă, numărul stelelor crescând la 181. Este important de subliniat că ZerePy are nevoie de mai multă dezvoltare pentru a-și îmbunătăți vizibilitatea și rata de adoptare, iar colaborarea cu ai16z ar putea atrage mai mulți contribuabili să participe la biblioteca sa de cod.

  • G.A.M.E (linie verde): Numărul de stele pentru acest cadru este mic, dar este demn de remarcat că acest cadru poate fi aplicat direct agenților din ecosistemul Virtual prin API, astfel că nu este necesară publicarea pe GitHub. Cu toate acestea, deși acest cadru a fost disponibil pentru dezvoltatori de doar o lună, există deja peste 200 de proiecte care folosesc G.A.M.E pentru a construi.

Așteptările privind actualizarea cadrelor AI

Versiunea 2.0 a Eliza va include integrarea cu pachetul de instrumente pentru agenți Coinbase. Toate proiectele care utilizează Eliza vor beneficia de suportul pentru viitorul TEE (mediu de execuție de încredere) nativ, permițând agenților să funcționeze într-un mediu sigur. Registrul de pluginuri este o caracteristică care va fi disponibilă în curând pentru Eliza, permițând dezvoltatorilor să înregistreze și să integreze pluginuri fără probleme.

În plus, Eliza 2.0 va suporta mesaje automate anonime între platforme. Se așteaptă ca white paper-ul Tokenomics, programat pentru lansare pe 1 ianuarie 2025, să aibă un impact pozitiv asupra tokenului AI16Z care susține cadrul Eliza. ai16z intenționează să continue să îmbunătățească utilitatea acestui cadru și să beneficieze de eforturile depuse de contribuabilii săi principali, atrăgând 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 într-un singur proiect, fiecare servind cazuri de utilizare specifice. Această abordare se așteaptă să atragă constructori care se concentrează pe logica de afaceri în loc de complexitatea tehnică. Deși cadrul a fost disponibil public de doar 30 de zile, cu efortul echipei de a atrage mai mulți contribuabili, cadrul a realizat progrese semnificative. Se așteaptă ca fiecare proiect lansat pe VirtuaI să adopte G.A.M.E.

Cadrul Rig, alimentat de tokenul ARC, are un potențial semnificativ, deși creșterea sa este în stadii incipiente, iar planurile de contracte pentru adoptarea Rig au fost lansate de doar câteva zile. Totuși, se așteaptă ca în curând să apară proiecte de înaltă calitate asociate cu ARC, similare cu volanul Virtual, dar concentrate pe Solana. Echipa Rig este optimistă în privința colaborării cu Solana, poziționând ARC ca un Virtual pentru Solana. Este demn de menționat că echipa nu doar că stimulează utilizarea Rig pentru noi proiecte, ci și încurajează dezvoltatorii să îmbunătățească cadrul Rig în sine.

Zerepy este un cadru nou lansat, care, datorită colaborării cu ai16z (cadre Eliza), câștigă o mare atenție, atrăgând contribuabili din cadrul Eliza care lucrează activ pentru îmbunătățirea acestui cadru. Zerepy beneficiază de un suport entuziast din partea comunității ZEREBRO și deschide noi oportunități pentru dezvoltatorii Python care anterior nu au avut un spațiu de exprimare în domeniul competitiv al infrastructurii AI. Se așteaptă ca acest cadru să joace un rol important în domeniul creativ al AI.