Sursa articolului: Odaily星球日报

Acest articol provine din: Deep Value Memetics

Compilat｜Odaily星球日报（@OdailyChina）

Traducător｜Azuma（@azuma_eth）

Rezumat al punctelor cheie

În această raportare, discutăm despre peisajul de dezvoltare al principalelor cadre din domeniul Crypto & AI. Vom analiza cele patru cadre principale curente - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), examinând 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%, având o valoare de piață de aproximativ 900 de milioane de dolari la momentul scrierii originii, având o valoare de aproximativ 1.4 miliarde de dolari la momentul publicării) va continua să domine cota de piață. Valoarea Eliza se află în avantajul său de a fi prima și în adoptarea accelerată a dezvoltatorilor, 193 de contribuabili pe GitHub, 1800 de fork-uri și peste 6000 de stele dovedind acest lucru, făcându-l unul dintre cele mai populare biblioteci software de pe GitHub.

  • G.A.M.E (cu o cotă de piață de aproximativ 20%, având o valoare de piață de aproximativ 300 de milioane de dolari la momentul scrierii originii, având o valoare de aproximativ 257 de milioane de dolari la momentul publicării) a avut până acum o dezvoltare foarte bună și experimentează, de asemenea, o adoptare rapidă, așa cum a anunțat anterior Virtuals Protocol, cu peste 200 de proiecte construite pe baza G.A.M.E, având peste 150.000 de solicitări zilnice și o rată de creștere săptămânală de peste 200%. G.A.M.E va continua să beneficieze de explozia VIRTUAL și ar putea deveni unul dintre cei mai mari câștigători din acest ecosistem.

  • Rig (cu o cotă de piață de aproximativ 15%, având o valoare de piață de aproximativ 160 de milioane de dolari la momentul scrierii originii, având o valoare de aproximativ 279 de milioane de dolari la momentul publicării) are un design modular foarte atractiv și ușor de operat, având potențialul de a deveni dominant în ecosistemul Solana (RUST).

  • Zerepy (cu o cotă de piață de aproximativ 5%, având o valoare de piață de aproximativ 300 de milioane de dolari la momentul scrierii originii, având o valoare de aproximativ 424 de milioane de dolari la momentul publicării) este o aplicație mai nișată, specifică unei comunități entuziaste ZEREBRO, iar recent colaborarea cu comunitatea ai16z poate genera anumite sinergii.

În statistica de mai sus, „cota de piață” a fost calculată luând în considerare capitalizarea de piață, istoricul de dezvoltare și lățimea pieței terminale a sistemului de operare de bază.

Credem că cadrele AI vor deveni sectorul cu cea mai rapidă creștere în acest ciclu, având o valoare totală de aproximativ 1,7 miliarde de dolari, care va crește cu ușurință la 20 de miliarde de dolari, comparativ cu evaluarea de vârf de 2021 pentru Layer1, acest număr ar putea părea în continuare conservator - atunci multe proiecte individuale aveau evaluări de peste 20 de miliarde de dolari. Deși cadrele menționate servesc piețe finale diferite (lanț/ecosistem), având în vedere că credem că acest sector va crește în ansamblu, o abordare ponderată în funcție de capitalizarea de piață ar putea fi cea mai prudentă.

Cele patru cadre

La intersecția dintre AI și Crypto, au apărut câteva cadre menite să accelereze dezvoltarea AI, inclusiv 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 filozofii ale dezvoltării agentului.

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

Această raportare se va concentra mai întâi asupra ceea ce sunt aceste cadre, limbajele de programare pe care le folosesc, arhitecturile tehnologice, algoritmii și funcțiile unice cu potențial de utilizare. Apoi, vom compara fiecare cadru în funcție de ușurința de utilizare, scalabilitate, adaptabilitate și performanță, discutând avantajele și limitările lor.

Eliza

Eliza este un cadru open-source 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 de agenți inteligenți care pot interacționa cu oamenii pe mai multe platforme, menținând în același timp o personalitate și o cunoștință coerente.

Funcțiile cheie ale cadrului includ: suport pentru desfășurarea și gestionarea simultană a mai multor personalități unice AI prin arhitectura multi-agent; utilizarea unui cadru de fișiere de rol pentru a crea un sistem de roluri diversificate pentru agenți; oferirea funcțiilor de gestionare a memoriei pe termen lung și de context perceput printr-un sistem avansat de generare îmbunătățită a recuperării (RAG). În plus, cadrul Eliza oferă integrare fluidă pe platforme, fiind capabil să se conecteze fiabil la Discord, X și alte platforme sociale.

În ceea ce privește comunicarea și funcțiile media ale agenților AI, Eliza este o alegere excelentă. În comunicare, cadru susține integrarea cu funcțiile canalelor vocale Discord, funcțiile X, Telegram, precum și accesul direct API pentru cazuri de utilizare personalizate. Pe de altă parte, funcțiile de procesare media ale cadrului s-au extins pentru a include citirea și analiza documentelor PDF, extragerea și rezumarea conținutului de 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 modelurilor open-source, inferența bazată pe cloud prin OpenAI și configurațiile implicite precum Nous Hermes Llama 3.1B, precum și integrarea Claude pentru a gestiona cereri complexe. Eliza adoptă o arhitectură modulară, având un sistem de acțiuni extins, suport pentru clienți personalizați și o API cuprinzătoare, asigurând astfel scalabilitate și adaptabilitate între aplicații.

Cazurile de utilizare ale Eliza acoperă mai multe domenii, cum ar fi asistentul AI legat de suportul clienților, gestionarea comunității, sarcini personale; de asemenea, poate servi ca creator automat de conținut, reprezentant de marcă și alte roluri de social media; poate funcționa ca lucrător de cunoștințe, jucând rolul de asistent de cercetare, analist de conținut și operator de documente; precum și roluri interactive sub formă de roboți de rol, tutori educaționali și agenți de vânzări.

Arhitectura Eliza se bazează pe un runtime pentru agenți care se integrează perfect cu sistemul de roluri (susținut de furnizorii de modele), managerul de memorie (conectat la baza de date) și sistemul de acțiune (conectat la clientul platformei). Funcțiile sale unice includ un sistem de pluginuri care permite extinderea modulară a funcționalităților, suport pentru interacțiuni multimodale, cum ar fi voce, text și media, precum și compatibilitate cu modele AI de vârf, cum ar fi Llama, GPT-4 și Claude. Cu un design multifuncțional 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, cunoscut ca „Cadru Generativ Autonom pentru Entități 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 abordare structurată pentru gestionarea comportamentului, deciziilor și proceselor de învățare ale agenților AI.

  • Componentele principale ale G.A.M.E sunt următoarele: în primul rând, „interfața de prompt pentru agenți” (Agent Prompting Interface) este punctul de intrare pentru dezvoltatori pentru a integra G.A.M.E în agenți pentru a obține comportamentul agenților.

  • „Sub-sistemul de percepție” inițiază sesiunea prin specificarea unor parametrii, cum ar fi ID-ul sesiunii, ID-ul agenților, utilizatorii și alte detalii relevante. Acesta asamblează mesajul de intrare într-un format adecvat pentru „motorul de planificare strategică”, servind ca mecanism de input senzorial pentru agenți, fie sub formă de dialog, fie de reacție. Aici, esența este „modulul de procesare a dialogului”, care se ocupă de mesajele și răspunsurile agenților și colaborează cu „sub-sistemul de percepție” pentru a interpreta și răspunde eficient inputului.

  • „Motorul de planificare strategică” colaborează cu „modulul de procesare a dialogului” și „operatorul de portofel on-chain”, generând răspunsuri și planuri. Acest motor funcționează pe două niveluri: ca un planificator de nivel înalt, creând strategii extinse în funcție de context sau obiective; ca un planificator de nivel inferior, transformând aceste strategii în politici executabile, subdivizându-le ulterior în planificatori de acțiune (pentru a specifica sarcini) și executori de planuri (pentru a executa sarcini).

  • 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 atribute pe termen lung, cum ar fi obiective, reflecții, experiențe și personalitate, toate acestea conturând comportamentul și procesul decizional al agenților. Cadrele 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, reflecțiile, personalitatea dinamică, contextul global și memoria de lucru a agenților, îmbunătățind deciziile și furnizând o bază pentru învățare.

  • Pentru a spori structura, „modulul de învățare” preia date din „sub-sistemul de percepție” pentru a genera cunoștințe generale, care sunt returnate în sistem pentru a optimiza interacțiunile viitoare. Dezvoltatorii pot introduce 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 interfața de prompt pentru agenți; „sub-sistemul de percepție” procesează inputul și îl redirecționează către „modulul de procesare a dialogului”, care gestionează logica interacțiunii; apoi, „motorul de planificare strategică” elaborează și execută planuri bazate pe aceste informații, folosind strategii avansate și planificare detaliată a acțiunilor.

Datele provenite din „contextul global” și „biblioteca agenților” oferă informații pentru aceste procese, în timp ce 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 noile cunoștințe în sistem, îmbunătățind continuu comportamentul și interacțiunile agenților.

Rig

Rig este un cadru open-source bazat pe Rust, destinat să simplifice dezvoltarea aplicațiilor cu 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 componentele de bază „stratul de abstractizare a furnizorului”, „integrarea stocării vectoriale” și „sistemul agenților”, facilitând interacțiunea fără probleme cu LLM.

Publicul principal al Rig include dezvoltatorii care folosesc Rust pentru a construi aplicații AI/ML, iar publicul secundar include organizațiile care caută să integreze mai mulți furnizori de LLM și stocări vectoriale în aplicațiile lor Rust. Biblioteca folosește o structură bazată pe spații de lucru, conținând mai multe crates, realizând scalabilitate și gestionarea eficientă a proiectelor. Funcțiile principale ale Rig includ „stratul de abstractizare a furnizorului”, care standardizează API-urile utilizate pentru completarea și integrarea furnizorilor LLM printr-o gestionare consistentă a erorilor; componenta „integrarea stocării vectoriale” oferă o interfață abstractă pentru mai multe backend-uri și suportă căutarea similarității vectoriale; „sistemul agenților” simplifică interacțiunea LLM, susținând generarea îmbunătățită a recuperării (RAG) și integrarea instrumentelor. În plus, cadrul de integrare oferă capacități de procesare în loturi și operațiuni de integrare cu tipuri de siguranță.

Rig folosește mai multe 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; mecanismele interne de gestionare a erorilor ale cadrului îmbunătățesc capacitatea de recuperare în cazul eșecurilor de funcționare a furnizorului AI sau operațiunilor de bază de date; siguranța tipurilor previne erorile la compilare, îmbunătățind menținerea codului; procesele eficiente de serializare și deserializare ajută la gestionarea datelor în formate precum JSON, ceea ce este esențial pentru comunicația și stocarea serviciilor AI; logarea detaliată și instrumentele ajută suplimentar la depanarea și monitorizarea aplicațiilor.

Fluxul de lucru din Rig începe cu cererea inițiată de client, cererea trece prin „stratul de abstractizare a furnizorului”, interacționând cu modelul LLM corespunzător; apoi, datele sunt procesate de stratul de bază, agenții putând folosi uneltele sau accesa stocarea vectorială pentru context; generând și rafinând răspunsurile prin fluxuri de lucru complexe precum RAG, incluzând recuperarea documentelor și înțelegerea contextului, apoi sunt returnate clientului. Acest sistem integrează mai mulți furnizori de LLM și stocări vectoriale, adaptându-se la disponibilitatea modelului sau la variațiile de performanță.

Cazurile de utilizare ale Rig sunt variate, incluzând sistemele de răspuns la întrebări care recuperează documente relevante pentru a oferi răspunsuri precise, căutarea și recuperarea documentelor pentru descoperirea eficientă a conținutului, precum și chatboturi sau asistenți virtuali care oferă interacțiuni conștiente de context pentru servicii pentru clienți sau educație. De asemenea, susține generarea de conținut, fiind 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 desfășurării agenților pe X folosind OpenAI sau Anthropic LLM. ZerePy provine din versiunea modulară a backend-ului Zerebro, permițând dezvoltatorilor să lanseze agenți folosind funcții similare cu cele de bază Zerebro. Deși cadrul oferă o bază pentru desfășurarea agenților, pentru a produce output creativ, modelul trebuie să fie ajustat. ZerePy simplifică dezvoltarea și desfășurarea agenților AI personalizați, fiind deosebit de potrivit pentru crearea de conținut pe platformele sociale, promovând un ecosistem creativ AI destinat artelor și aplicațiilor descentralizate.

Cadrele sunt construite pe limbajul Python, accentuează autonomia agenților și se concentrează pe generarea de output creativ, în conformitate cu arhitectura și parteneriatele Eliza. Designul său modular permite integrarea sistemelor 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 modular de conectare pentru îmbunătățirea funcționalității.

Cazurile de utilizare ale ZerePy acoperă automatizarea rețelelor sociale, permițând utilizatorilor să desfășoare agenți AI pentru a publica, răspunde, aprecia și redistribui, sporind astfel angajamentul 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.

Comparație orizontală

Din perspectiva noastră, fiecare cadru menționat mai sus oferă o abordare unică pentru dezvoltarea AI, răspunzând unor nevoi și medii specifice, ceea ce face ca dezbaterea să nu se mai limiteze la întrebarea dacă aceste cadre sunt concurente, ci să se concentreze pe întrebarea dacă fiecare cadru poate oferi o utilitate și o valoare unică.

  • Eliza se remarcă prin interfața sa prietenoasă cu utilizatorul, fiind deosebit de potrivită pentru dezvoltatorii familiarizați cu mediile JavaScript și Node.js. Documentația sa cuprinzătoare ajută la configurarea 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 încorporati în rețea, deoarece cea mai mare parte a infrastructurii front-end web este construită cu TypeScript. Cadrele sunt cunoscute pentru arhitectura sa multi-agent, capabilă să desfășoare agenți AI diversificați pe platforme precum Discord, X și Telegram. Sistemul său avansat RAG este utilizat pentru gestionarea memoriei, făcându-l deosebit de potrivit pentru construirea asistenților AI pentru suportul clienților sau aplicațiile de social media. Deși oferă flexibilitate, un suport puternic al comunității și o performanță consistentă pe multiple platforme, se află încă în stadiul incipient, ceea ce poate constitui o curbă de învățare pentru dezvoltatori.

  • G.A.M.E este proiectat special pentru dezvoltatorii de jocuri, oferind o interfață low-code sau no-code prin API, facilitând accesul utilizatorilor cu abilități tehnice reduse în domeniul jocurilor. Totuși, se concentrează pe dezvoltarea jocurilor și integrarea blockchain, iar pentru cei fără experiență relevantă, curba de învățare poate fi mai abruptă. Excelează în generarea de conținut programatic și comportamentul NPC, dar este limitat de domeniul său de specializare și complexitatea suplimentară asociată cu integrarea blockchain.

  • Rig, datorită utilizării limbajului Rust, poate fi mai puțin prietenos cu utilizatorii din cauza complexității acestui limbaj, ceea ce reprezintă o provocare semnificativă în învățare, dar poate oferi interacțiuni intuitive pentru cei care sunt familiarizați cu programarea de sistem. Comparativ cu TypeScript, Rust este cunoscut pentru performanța și siguranța sa în gestionarea memoriei. Are verificări stricte la compilare și o abstractizare fără costuri, esențială pentru rularea algoritmilor AI complexi. Caracteristicile sale eficiente și cu un control scăzut îl fac o alegere ideală pentru aplicațiile AI intensive în resurse. Cadrele adoptă un design modular și scalabil, oferind soluții de înaltă performanță, fiind foarte potrivite pentru aplicații de afaceri. Totuși, utilizarea Rust poate aduce o curbă de învățare abruptă pentru dezvoltatorii care nu sunt familiarizați cu acest limbaj.

  • ZerePy utilizează limbajul Python, oferind o disponibilitate mai mare pentru sarcinile AI creative. Pentru dezvoltatorii Python, în special cei cu experiență în AI/ML, curba de învățare este mai scurtă, iar datorită popularității ZEREBRO, se bucură de un suport comunitar puternic. ZerePy excelează în aplicațiile AI creative, cum ar fi NFT-urile, și se poziționează ca un instrument puternic în domeniul mediilor digitale și artei. Deși performează excelent în domeniul creativ, aria sa de aplicare este relativ îngustă comparativ 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 de bază extensibil, realizând o gestionare eficientă pe multiple platforme. Totuși, fără optimizare, gestionarea acestei interacțiuni pe mai multe platforme poate aduce provocări în ceea ce privește scalabilitatea.

  • G.A.M.E excellează în procesarea în timp real necesară jocurilor, iar scalabilitatea sa poate fi gestionată prin algoritmi eficienți și sisteme distribuite blockchain potențiale, deși poate fi limitată de restricțiile specifice ale motorului de joc sau rețelei blockchain.

  • Cadrele Rig pot profita de avantajele de performanță ale Rust pentru a obține o scalabilitate mai bună, fiind proiectate nativ pentru aplicații cu un volum mare de date, ceea ce poate fi deosebit de eficient pentru desfășurarea la nivel de enterprise, deși acest lucru poate însemna că pentru a realiza o scalabilitate reală este nevoie de setări complexe.

  • Scalabilitatea ZerePy este orientată spre output creativ și sprijinită de contribuțiile comunității, dar focalizarea cadrului ar putea limita aplicațiile sale în medii mai largi de inteligență artificială, iar scalabilitatea sa ar putea fi pusă la încercare de diversitatea sarcinilor creative mai degrabă decât de cantitatea de utilizatori.

În ceea ce privește aplicabilitatea, Eliza domină cu mult prin sistemul său de pluginuri și compatibilitatea sa pe multiple platforme, urmată de G.A.M.E în medii de joc și Rig în sarcinile AI complexe. ZerePy arată o adaptabilitate ridicată în domeniul creativ, dar nu este foarte aplicabil în domeniul mai larg al AI.

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

  • Eliza este optimizată pentru interacțiuni rapide pe rețelele sociale, dar performanța sa poate varia în funcție de sarcinile de calcul mai complexe.

  • G.A.M.E se concentrează pe interacțiuni în timp real de înaltă performanță în scenariile de joc, putând profita de procesele de decizie eficiente și de posibilitățile de blockchain pentru operațiuni descentralizate AI.

  • Rig, bazat pe Rust, poate oferi performanțe excelente pentru sarcini de calcul de înaltă performanță, fiind potrivit pentru aplicațiile de afaceri unde eficiența calculului este esențială.

  • Performanța ZerePy este orientată spre crearea de conținut creativ, iar indicatorii săi se concentrează pe eficiența și calitatea generării de conținut, ceea ce poate fi mai puțin universal în afara domeniului creativ.

Analizând avantajele și dezavantajele menționate, Eliza oferă o flexibilitate și scalabilitate mai bună, sistemul său de pluginuri și configurarea rolurilor îi conferă o adaptabilitate mare, favorizând interacțiunile AI sociale pe multiple platforme; G.A.M.E poate oferi o capacitate unică de interacțiune în timp real în scenariile de joc și oferă o participare inovatoare prin integrarea blockchain; avantajul Rig constă în performanța și scalabilitatea sa, fiind potrivit pentru sarcinile AI de nivel enterprise, punând accent pe codul concis și modular pentru a asigura dezvoltarea sănătoasă pe termen lung a proiectelor; Zerepy excelează în cultivarea creativității, având un avans în aplicațiile AI din arta digitală, sprijinit de un model de dezvoltare comunitară vibrant.

În concluzie, fiecare cadru are limitările sale. Eliza este încă în stadiul incipient, având probleme potențiale de stabilitate, iar curba de învățare pentru dezvoltatorii noi este lungă; G.A.M.E, cu focalizarea sa pe nișă, poate limita aplicațiile sale mai largi, introducerea blockchain-ului adăugând complexitate; curba de învățare a Rig este și mai abruptă datorită complexității limbajului Rust, ceea ce poate face ca unii dezvoltatori să renunțe; Zerepy, cu o concentrare îngustă pe outputul creativ, poate limita aplicațiile sale în alte domenii ale inteligenței artificiale.

Compararea principalelor aspecte

Rig (ARC)

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

  • Caz de utilizare: Concentrat pe eficiență și scalabilitate, fiind o alegere ideală pentru aplicațiile AI de nivel enterprise.

  • Comunitate: Comunitatea este mai puțin condusă de utilizatori, axându-se mai mult pe dezvoltatorii tehnici.

Eliza (AI16Z)

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

  • Caz de utilizare: Proiectat special pentru interacțiuni sociale, DAO și tranzacții, accentuând în mod special sistemele multi-agent.

  • Comunitate: Foarte axată pe 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 AI mai simple.

  • Comunitate: Relativ nouă, dar având potențial de creștere datorită popularității Python și sprijinului contribuabililor ai16z.

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

  • Punct central: Agenți AI autonomi și adaptivi, capabili să evolueze în funcție de interacțiunile din medii virtuale.

  • 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 curs de stabilire a unei poziții concurențiale.

Creșterea datelor Github

Graficul de mai sus ilustrează schimbările în datele de stele de pe GitHub pentru aceste cadre din momentul lansării lor. În general, stelele de pe GitHub pot fi considerate un indicator al interesului comunității, popularității proiectului și valorii percepute a acestuia.

  • Eliza (linia roșie): Graficul arată o creștere semnificativă și stabilă a numărului de stele pentru acest cadru, începând de la o bază scăzută în iulie, cu o explozie în a doua jumătate a lunii noiembrie, ajungând acum la 6100 stele. Acest lucru sugerează o creștere rapidă a interesului în jurul acestui cadru, atrăgând atenția dezvoltatorilor. Creșterea exponențială indică faptul că Eliza a câștigat un mare atractiv datorită funcțiilor sale, actualizărilor și participării comunității, popularitatea sa depășind cu mult alte produse, ceea ce sugerează că a primit un sprijin considerabil din partea comunității, având o aplicabilitate sau interes mai larg în comunitatea AI.

  • Rig (linia albastră): Rig este cel mai „vârstnic” cadru dintre cele patru, cu o creștere mică, dar stabilă a numărului de stele, care a crescut semnificativ în ultima lună. Numărul total de stele a ajuns la 1700, dar se află în continuare pe o traiectorie ascendentă. Acumularea stabilă a atenției se datorează dezvoltării continue, actualizărilor și creșterii constante a bazei utilizatorilor. Acest lucru ar putea reflecta faptul că Rig este un cadru care își acumulează încă reputația.

  • ZerePy (linia galbenă): ZerePy a fost lansat cu câteva zile în urmă, iar numărul de stele a crescut la 181. Este important de menționat că ZerePy necesită mai multă dezvoltare pentru a-și crește vizibilitatea și rata de adoptare, iar colaborarea cu ai16z ar putea atrage mai mulți contribuabili în codul său.

  • G.A.M.E (linia verde): Numărul de stele pentru acest cadru este mic, dar este demn de menționat că acesta poate fi aplicat direct în ecosistemul Virtual prin API pentru agenți, fără a necesita publicarea pe Github. Cu toate acestea, deși acest cadru a fost deschis pentru constructori acum mai bine de o lună, deja există peste 200 de proiecte care utilizează G.A.M.E pentru construcție.

Așteptările de upgrade pentru cadrele AI

Versiunea 2.0 a Eliza va include integrarea cu pachetul de instrumente Coinbase pentru agenți. Toate proiectele care utilizează Eliza vor beneficia de suport pentru viitoarele TEE (medii de execuție de încredere), permițând agenților să opereze într-un mediu sigur. Registrul de pluginuri este o caracteristică pe care Eliza o va lansa curând, permițând dezvoltatorilor să înregistreze și să integreze pluginuri fără probleme.

În plus, Eliza 2.0 va suporta mesageria anonimă automatizată pe multiple platforme. Se așteaptă ca whitepaper-ul Tokenomics care va fi lansat pe 1 ianuarie 2025 să aibă un impact pozitiv asupra tokenului AI16Z care susține cadrul Eliza. ai16z plănuiește să continue să îmbunătățească utilitatea acestui cadru și să atragă talente de înaltă calitate prin eforturile contribuabililor săi principali.

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 este de așteptat să atragă constructori care se concentrează pe logica de afaceri mai degrabă decât pe complexitatea tehnică. Deși cadrul a fost deschis publicului de peste 30 de zile, sub eforturile echipei de a atrage sprijinul mai multor contribuabili, cadrul a realizat progrese semnificative. Se așteaptă ca fiecare proiect lansat pe VirtuaI să adopte G.A.M.E.

Cadrele Rig, susținute de tokenul ARC, au un potențial semnificativ, deși creșterea cadrului este în stadiul incipient, proiectele contractate pentru adoptarea Rig fiind abia lansate câteva zile. Totuși, se așteaptă ca proiectele de înaltă calitate asociate cu ARC să apară în curând, similar cu efectul de flywheel al Virtual, dar concentrându-se pe Solana. Echipa Rig este optimistă cu privire la colaborarea cu Solana, poziționând ARC ca fiind echivalentul Virtual al Solana. Este important de menționat că echipa nu numai că stimulează utilizarea Rig pentru proiectele noi, dar și încurajează dezvoltatorii să îmbunătățească cadrul Rig în sine.

Zerepy este un cadru nou lansat, care câștigă multă atenție datorită colaborării cu ai16z (cadru Eliza), atrăgând contribuabili din 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 aveau loc în domeniul infrastructurii AI competitiv. Se estimează că acest cadru va juca un rol important în domeniul creativ al AI.