Оригінальний заголовок: Глибокий аналіз фреймворків: сектор, який ми вважаємо, може зрости до 20 млрд доларів і більше. Оригінальне джерело: Deep Value Memetics
Оригінальний переклад: Azuma, Odaily Зіркова щоденна газета
Основні моменти
У цьому звіті ми обговорюємо розвиток кількох основних фреймворків у сфері Crypto & AI. Ми розглянемо поточні чотири основні фреймворки — Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), аналізуючи їх технологічні відмінності та потенціал розвитку.
Протягом минулого тижня ми провели аналіз та тестування вищезазначених чотирьох фреймворків, короткий підсумок висновків представлений нижче.
· Ми вважаємо, що Eliza (частка ринку приблизно 60%, ринкова капіталізація під час написання статті близько 900 мільйонів доларів, станом на момент публікації ринкова капіталізація приблизно 1,4 мільярда доларів) продовжить домінувати на ринку. Цінність Eliza полягає в її перевагах першого виходу на ринок і прискореному прийнятті розробниками, що підтверджується 193 учасниками на Github, 1800 форками та понад 6000 зірками, що робить його однією з найпопулярніших бібліотек програмного забезпечення на GitHub.
· G.A.M.E (частка ринку приблизно 20%, ринкова капіталізація під час написання статті близько 300 мільйонів доларів, станом на момент публікації ринкова капіталізація приблизно 257 мільйонів доларів) до цього часу розвивається дуже успішно та проходить через швидке прийняття, як зазначено в попередніх анонсах протоколу Virtuals, проєктів, побудованих на G.A.M.E, вже більше 200, щоденні запити перевищують 150 тисяч, а тижневе зростання перевищує 200%. G.A.M.E продовжить отримувати вигоду від вибуху VIRTUAL і має потенціал стати одним з найбільших переможців у цій екосистемі.
· Rig (частка ринку приблизно 15%, ринкова капіталізація під час написання статті близько 160 мільйонів доларів, станом на момент публікації ринкова капіталізація приблизно 279 мільйонів доларів) має модульний дизайн, який дуже привабливий і простий у використанні, з перспективами зайняти домінуючу позицію в екосистемі Solana (RUST).
· Zerepy (частка ринку приблизно 5%, ринкова капіталізація під час написання статті близько 300 мільйонів доларів, станом на момент публікації ринкова капіталізація приблизно 424 мільйони доларів) є більш вузькоспеціалізованим застосунком, специфічним для запеклої спільноти ZEREBRO, яка нещодавно могла отримати деякий синергетичний ефект від співпраці зі спільнотою ai16z.
У вищезазначених статистичних даних «частка ринку» обраховується з урахуванням ринкової капіталізації, історії розробки та широти ринку базової операційної системи.
Ми вважаємо, що AI-фреймворки стануть найшвидше зростаючим сегментом у цьому циклі, загальна ринкова капіталізація якого близько 1,7 мільярда доларів може легко зрости до 20 мільярдів доларів, порівняно з оцінками Layer 1 під час піку в 2021 році, ця цифра може залишатися консервативною — тоді багато одиночних проєктів оцінилися понад 20 мільярдів доларів. Хоча вищезазначені фреймворки обслуговують різні кінцеві ринки (ланцюг/екосистема), ми вважаємо, що цей сегмент загалом зросте, тому метод з урахуванням ринкової капіталізації може бути найбільш обережним.
Чотири основні фреймворки
На перетині AI та Crypto з'явилося кілька фреймворків, спрямованих на прискорення розвитку AI, включаючи Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) та ZerePy (ZEREBRO). Від відкритих спільнот до корпоративних рішень, кожен фреймворк відповідає різним потребам та концепціям розробки агентів.
У таблиці нижче ми перерахували ключові технології, компоненти та переваги кожного фреймворку.
Цей звіт спочатку зосередиться на тому, що таке ці фреймворки, які мови програмування, технологічна архітектура, алгоритми та унікальні функції, що мають потенційні випадки використання. Потім ми порівняємо кожен фреймворк за критеріями зручності використання, масштабованості, адаптивності та продуктивності, обговорюючи їх переваги та обмеження.
Eliza
Eliza — це відкритий фреймворк з багатьма агентами, розроблений ai16z, призначений для створення, розгортання та управління автономними AI-агентами. Він розроблений на TypeScript як мова програмування, пропонуючи гнучку та масштабовану платформу для побудови інтелектуальних агентів, які можуть взаємодіяти з людьми на різних платформах, зберігаючи при цьому узгоджену особистість і знання.
Основні функції цього фреймворку включають: підтримку одночасного розгортання та управління кількома унікальними AI-особистостями в архітектурі з багатьма агентами; систему ролей для створення різноманітних агентів за допомогою фреймворку файлів ролей; управління пам'яттю з довготривалою пам'яттю та сприйнятливим контекстом через розвинутий генеративний підсилюючий пошук (RAG). Крім того, фреймворк Eliza забезпечує плавну інтеграцію з платформами, що дозволяє надійно підключатися до Discord, X та інших соціальних медіа.
У комунікаційних та медійних функціях AI-агентів Eliza є відмінним вибором. У плані комунікації цей фреймворк підтримує інтеграцію з голосовими каналами Discord, функціями X, Telegram, а також прямий доступ до API для налаштування випадків використання. З іншого боку, медійні функції цього фреймворку розширилися до читання та аналізу PDF-документів, витягування та узагальнення контенту з посилань, транскрипції аудіо, обробки відео, аналізу зображень та узагальнення діалогів, що забезпечує ефективне оброблення різних медійних вхідних та вихідних даних.
Eliza пропонує підтримку гнучких AI-моделей, дозволяючи локальне виведення з використанням відкритих моделей, через OpenAI та за замовчуванням конфігурації, такі як Nous Hermes Llama 3.1 B, для хмарного виведення, а також підтримує інтеграцію Claude для обробки складних запитів. Eliza має модульну архітектуру, з широкою системою дій, підтримкою користувацьких клієнтів і всебічним API, що забезпечує міждодатну масштабованість і адаптивність.
Випадки використання Eliza охоплюють кілька сфер, такі як AI-асистенти, пов'язані з підтримкою клієнтів, управлінням спільнотою, особистими завданнями; наприклад, автоматизовані творці контенту, представники брендів та інші ролі в соціальних медіа; вона також може виконувати роль знаннєвого працівника, виконуючи завдання асистента досліджень, аналітика контенту та обробника документів; а також взаємодіючі ролі у формі рольових роботів, навчальних менторів та представників.
Архітектура Eliza побудована навколо часу виконання агентів (agent runtime), який безперешкодно інтегрується з системою ролей (підтримується постачальниками моделей), менеджером пам'яті (підключеним до бази даних) та системою дій (з'єднаною з клієнтом платформи). Унікальні функції цього фреймворку включають систему плагінів, що дозволяє розширення модульних функцій, підтримку мультимодальної взаємодії, такої як голос, текст та медіа, а також сумісність з провідними AI-моделями, такими як Llama, GPT-4 та Claude. Завдяки своїй багатофункціональності та потужному дизайну Eliza стала потужним інструментом для розробки AI-додатків у різних сферах.
G.A.M.E
G.A.M.E розроблений офіційною командою Virtuals, що розшифровується як «Генеративна автономна мультимодальна сутність» (The Generative Autonomous Multimodal Entities Framework), цей фреймворк призначений для надання розробникам API та SDK, щоб вони могли експериментувати з AI-агентами. Цей фреймворк пропонує структурований підхід до управління поведінкою AI-агентів, прийняття рішень і процесами навчання.
· Основні компоненти G.A.M.E такі: по-перше, «інтерфейс запитів агентів» (Agent Prompting Interface) — це точка входу для розробників для інтеграції G.A.M.E в агентів для отримання поведінки агентів.
· «Система сприйняття» запускає сеанс, зазначаючи параметри, такі як ідентифікатор сеансу, ідентифікатор агента, користувача та інші відповідні деталі. Вона синтезує вхідні повідомлення в формат, придатний для «стратегічного планувального двигуна», виступаючи як відчуттєвий механізм для AI-агента, незалежно від того, чи у формі діалогу, чи реакції. Ключовим елементом тут є «модуль обробки діалогу», який відповідає за обробку повідомлень та відповідей від агентів і співпрацює з «системою сприйняття», ефективно інтерпретуючи та реагуючи на вхідні дані.
· «Стратегічний планувальний двигун» працює в тандемі з «модулем обробки діалогу» та «оператором гаманця на ланцюзі», генеруючи відповіді та плани. Цей двигун працює на двох рівнях: як високий планувальник, створюючи широкі стратегії на основі контексту або цілей; як низький планувальник, перетворюючи ці стратегії на виконувані політики, далі деталізуючись на планувальник дій (для визначення завдань) та виконавець планів (для виконання завдань).
· Окремим, але ключовим компонентом є «світовий контекст», який посилається на навколишнє середовище, інформацію про світ та стан гри, забезпечуючи необхідний контекст для рішень агентів. Крім того, «бібліотека агентів» використовується для зберігання довгострокових атрибутів, таких як цілі, рефлексії, досвід і особистість, які разом формують поведінку та процес прийняття рішень агентів. Цей фреймворк використовує «короткочасну робочу пам'ять» та «довгостроковий процесор пам'яті» — короткочасна пам'ять зберігає актуальну інформацію про попередні дії, результати та поточні плани; порівняно, довгостроковий процесор пам'яті витягує ключову інформацію за критеріями значущості, недавності та релевантності. Ця пам'ять зберігає знання про досвід агентів, рефлексії, динамічну особистість, світовий контекст та знання робочої пам'яті для підвищення рішень та забезпечення основи для навчання.
· Для збільшення структури «модуль навчання» отримує дані з «системи сприйняття», щоб генерувати загальні знання, які зворотно подаються в систему для оптимізації майбутніх взаємодій. Розробники можуть вводити зворотний зв'язок через інтерфейс щодо дій, стану гри та сенсорних даних, щоб покращити навчання AI-агентів та підвищити їхні можливості планування та прийняття рішень.
Робочий процес починається з взаємодії розробника через інтерфейс запитів агентів; «система сприйняття» обробляє вхідні дані та передає їх до «модуля обробки діалогу», який керує логікою взаємодії; потім «стратегічний планувальний двигун» формує та виконує плани на основі цієї інформації, використовуючи високі стратегії та детальне планування дій.
Дані з «світового контексту» та «бібліотеки агентів» надають інформацію для цих процесів, а слідкування за робочою пам'яттю відстежує миттєві завдання. Водночас «довгостроковий процесор пам'яті» зберігає та витягує знання з плином часу. «Модуль навчання» аналізує результати та інтегрує нові знання в систему, що дозволяє поведінці та взаємодії агентів постійно вдосконалюватися.
Rig
Rig — це відкритий фреймворк на базі Rust, призначений для спрощення розробки додатків на основі великих мов моделей (LLM). Він забезпечує єдиний інтерфейс для взаємодії з кількома постачальниками LLM (такими як OpenAI та Anthropic) і підтримує різні векторні сховища, зокрема MongoDB та Neo 4j. Модульна архітектура цього фреймворку містить основні компоненти, такі як «абстрактний шар постачальника», «інтеграція векторного сховища» та «система агентів», що сприяють безперешкодній взаємодії з LLM.
Основною аудиторією Rig є розробники, які використовують Rust для створення AI/ML-додатків, вторинною аудиторією є організації, які прагнуть інтегрувати кілька постачальників LLM та векторних сховищ у свої Rust-додатки. Репозиторій організовано на основі структури робочої області, що містить кілька crates, що забезпечують масштабованість та ефективне управління проєктами. Основні функції Rig включають «абстрактний шар постачальника» (Provider Abstraction Layer), цей шар стандартизує API, які використовуються для завершення та інтеграції постачальників LLM, через послідовну обробку помилок; компонент «інтеграції векторного сховища» надає абстрактний інтерфейс для кількох бекендів і підтримує пошук векторної подібності; «система агентів» спрощує взаємодію з LLM, підтримуючи генерацію підсилюючого пошуку (RAG) та інтеграцію інструментів. Крім того, вбудований фреймворк забезпечує можливості пакетної обробки та типобезпечні операції вбудовування.
Rig використовує кілька технологічних переваг для забезпечення надійності та продуктивності. Асинхронні операції використовують асинхронний час виконання Rust для ефективної обробки великої кількості одночасних запитів; вбудований механізм обробки помилок фреймворку підвищує здатність до відновлення після збоїв у постачальників AI або операцій бази даних; типова безпека запобігає помилкам на етапі компіляції, що підвищує підтримуваність коду; ефективні процеси серіалізації та десеріалізації допомагають обробляти дані у форматі JSON та інших форматах, що є критично важливим для зв'язку та зберігання AI-сервісів; детальне ведення журналів та моніторинг додатків також сприяє налагодженню та моніторингу.
Робочий процес у Rig починається зі запиту, ініційованого клієнтом, запит проходить через «абстрактний шар постачальника» та взаємодіє з відповідною моделлю LLM; потім дані обробляються основним шаром, агент може використовувати інструменти в основному шарі або отримувати доступ до векторного сховища для отримання контексту; через складні робочі процеси, такі як RAG, генеруються та вдосконалюються відповіді, включаючи пошук документів та розуміння контексту, перш ніж повернутися до клієнта. Ця система інтегрує кілька постачальників LLM та векторних сховищ, адаптуючись до змін у доступності моделей або продуктивності.
Випадки використання Rig різноманітні, включаючи системи запитань та відповідей, які використовують релевантну документацію для надання точних відповідей, пошук документів для ефективного виявлення контенту, а також чат-боти чи віртуальних асистентів для забезпечення контекстуально усвідомленої взаємодії для обслуговування клієнтів або освіти. Він також підтримує генерацію контенту, здатний створювати тексти та інші матеріали відповідно до вивчених шаблонів, ставши багатофункціональним інструментом для розробників та організацій.
ZerePy
ZerePy — це відкритий фреймворк, написаний на Python, призначений для розгортання агентів на X з використанням LLM OpenAI або Anthropic. ZerePy походить із модульної версії бекенду Zerebro, що дозволяє розробникам запускати агентів з функціями, подібними до основних функцій Zerebro. Хоча цей фреймворк забезпечує основи для розгортання агентів, щоб досягти творчих результатів, моделі потрібно налаштувати. ZerePy спрощує розробку та розгортання персоналізованих AI-агентів, особливо для створення контенту на соціальних платформах, сприяючи створенню екосистеми AI-креативності з метою мистецтва та децентралізованих додатків.
Цей фреймворк побудований на мові Python, акцентуючи увагу на автономії агентів, зосереджуючи увагу на генерації творчих виходів, що узгоджується з архітектурою Eliza + партнерськими відносинами. Його модульний дизайн підтримує інтеграцію систем пам'яті, що полегшує розгортання агентів на соціальних платформах. Основні функції включають командний рядок для управління агентами, інтеграцію з X, підтримку LLM OpenAI та Anthropic, а також модульну систему підключення для покращення функцій.
Випадки використання ZerePy охоплюють автоматизацію соціальних медіа, користувачі можуть розгортати AI-агентів для публікації, відповідей, лайків і репостів, що підвищує залученість на платформі. Крім того, він підходить для створення контенту в таких сферах, як музика, нотатки та NFT, що робить його важливим інструментом для цифрового мистецтва та платформ контенту на основі блокчейну.
Горизонтальне порівняння
На нашу думку, кожен з вищезазначених фреймворків забезпечує унікальний підхід до розробки AI, задовольняючи специфічні потреби та середовища, що робить суперечку не лише про те, чи є ці фреймворки конкурентами, а й про те, чи може кожен з них забезпечити унікальну корисність та цінність.
· Eliza виділяється своїм зручним інтерфейсом, особливо підходить для розробників, знайомих з JavaScript та Node.js. Її всебічна документація допомагає налаштувати AI-агентів на різних платформах, хоча її багатий набір функцій може мати помірну криву навчання, але завдяки використанню TypeScript, Eliza дуже підходить для створення агентів, вбудованих у веб, оскільки більшість фронтенд-інфраструктури вебу побудовано на TypeScript. Цей фреймворк відомий своєю архітектурою з багатьма агентами, здатними розгортати різноманітні AI-особистості на платформах, таких як Discord, X та Telegram. Його розвинута система RAG використовується для управління пам'яттю, що робить його особливо підходящим для створення AI-асистентів для підтримки клієнтів або соціальних медіа. Хоча він пропонує гнучкість, потужну підтримку спільноти та стабільну продуктивність на різних платформах, він все ще перебуває на ранніх стадіях і може створювати криву навчання для розробників.
· G.A.M.E спеціально розроблений для розробників ігор, пропонуючи низькокодовий або безкодовий інтерфейс через API, що полегшує доступ для тих користувачів, які мають нижчий рівень технічних знань у ігровій сфері. Проте він зосереджується на розробці ігор та інтеграції блокчейну, що може створити круту криву навчання для тих, хто не має відповідного досвіду. Він демонструє відмінні результати в програмному генеруванні контенту та поведінці NPC, але також страждає від обмежень у своїй спеціалізації та додаткової складності при інтеграції блокчейну.
· Rig може бути менш дружнім до користувачів через використання мови Rust, що створює значні виклики для навчання, але для тих, хто добре володіє системним програмуванням, він може запропонувати інтуїтивно зрозуміле взаємодію. У порівнянні з TypeScript, Rust відомий своєю продуктивністю та безпекою пам'яті. Він має сувору перевірку на етапі компіляції та нульову вартість абстракції, що необхідно для виконання складних алгоритмів штучного інтелекту. Висока ефективність та низький контроль цієї мови роблять її ідеальним вибором для ресурсомістких AI-додатків. Цей фреймворк має модульний та масштабований дизайн, здатний запропонувати високопродуктивні рішення, що є дуже підходящим для корпоративних застосувань. Проте для розробників, незнайомих з мовою Rust, використання Rust може створити крутому криву навчання.
· ZerePy використовує мову Python, забезпечуючи вищу доступність для творчих AI-завдань. Для розробників Python, особливо тих, хто має досвід у AI/ML, крива навчання є нижчою, і завдяки популярності ZEREBRO існує сильна підтримка спільноти. ZerePy демонструє видатну продуктивність у творчих AI-застосуваннях, таких як NFT, цей фреймворк також позиціонує себе як потужний інструмент у сфері цифрових медіа та мистецтв. Хоча він показує відмінні результати в креативності, його застосування в порівнянні з іншими фреймворками є відносно вузьким.
У плані масштабованості порівняння чотирьох фреймворків наведено нижче.
· Eliza суттєво покращилася після оновлення до версії V2, впровадивши єдину лінію повідомлень та масштабований основний фреймворк для ефективного управління між платформами. Проте, без оптимізації, управління такою багатоплатформеною взаємодією може створити виклики для масштабованості.
· G.A.M.E спеціалізується на обробці реального часу, необхідного для ігор, і його масштабованість може бути керована ефективними алгоритмами та потенційними дистрибутивними системами блокчейну, хоча може підпадати під обмеження конкретних ігрових двигунів або мереж блокчейну.
· Фреймворк Rig може використовувати переваги продуктивності Rust для досягнення кращої масштабованості, будучи спочатку розробленим для додатків з високим пропуском, що може бути особливо ефективним для корпоративного розгортання, хоча це може означати, що для досягнення справжньої масштабованості знадобиться складна настройка.
· Масштабованість ZerePy зосереджена на творчих виходах і підтримується внесками спільноти, але акцент цього фреймворку може обмежити його застосування в більш широкому середовищі AI, його масштабованість може бути піддана випробуванням різноманітності творчих завдань, а не кількості користувачів.
У плані застосовності Eliza завдяки своїй системі плагінів і міжплатформеній сумісності значно випереджає, за нею йдуть G.A.M.E в ігровому середовищі та Rig для обробки складних AI-завдань. ZerePy проявляє високу адаптивність у творчій сфері, але менш підходить для більш широких AI-застосувань.
Результати тестування чотирьох основних фреймворків такі.
· Eliza оптимізована для швидкої взаємодії в соціальних медіа, але її продуктивність може відрізнятися при виконанні більш складних обчислювальних завдань.
· G.A.M.E зосереджується на високопродуктивній взаємодії в ігрових сценах, здатний використовувати ефективні процеси прийняття рішень та можливі дистрибутивні системи блокчейну для децентралізованих AI-операцій.
· Rig, оснований на Rust, може забезпечити відмінну продуктивність для завдань високопродуктивних обчислень, підходить для корпоративних застосунків, в яких критично важлива обчислювальна ефективність.
· Продуктивність ZerePy зосереджена на створенні творчого контенту, його показники зосереджені на ефективності та якості генерації контенту, і, можливо, не є універсальними за межами творчої сфери.
Поєднуючи вищезазначені переваги та недоліки, Eliza пропонує кращу гнучкість і масштабованість, система плагінів та конфігурація ролей надають їй високу адаптивність, що сприяє міжплатформеній соціальній взаємодії AI; G.A.M.E може запропонувати унікальні можливості для реальної взаємодії в ігрових сценах та новаторське AI-участя через інтеграцію блокчейну; перевага Rig полягає в його продуктивності та масштабованості, що робить його підходящим для корпоративних AI-завдань, з акцентом на простоту коду та модульність для забезпечення довгострокового здорового розвитку проєкту; Zerepy є експертом у розвитку творчих здібностей, займаючи провідні позиції в AI-застосуваннях цифрового мистецтва, і має підтримку активної спільноти, що керує розробкою.
В загальному, кожен фреймворк має свої обмеження. Eliza все ще на ранніх стадіях, має потенційні проблеми зі стабільністю, довга крива навчання для нових розробників; вузька спрямованість G.A.M.E може обмежувати його більш широке застосування, впровадження блокчейну також може додати складності; крива навчання Rig є більш крутою через складність мови Rust, що може відштовхнути деяких розробників; вузька увага Zerepy на творчих виходах може обмежити його застосування в інших сферах штучного інтелекту.
Основні порівняння
Rig (ARC)
· Мова: Rust, зосереджена на безпеці та продуктивності.
· Випадок використання: акцент на ефективності та масштабованості, ідеально підходить для корпоративних AI-додатків.
· Спільнота: менш орієнтована на спільноту, більше уваги приділяється технічним розробникам.
Eliza (AI16Z)
· Мова: TypeScript, акцент на гнучкості веб3 та участі спільноти.
· Випадок використання: спеціально розроблений для соціальної взаємодії, DAO та торгівлі, з особливим акцентом на системах з багатьма агентами.
· Спільнота: високо активна, підтримується спільнотою, має широкі зв'язки з GitHub.
ZerePy (ZEREBRO):
· Мова: Python, легше сприймається більшою кількістю розробників AI.
· Випадок використання: підходить для автоматизації соціальних медіа та простіших завдань з AI-агентами.
· Спільнота: відносно нова, але з огляду на популярність Python та підтримку учасників ai16z, має перспективи зростання.
G.A.M.E (VIRTUAL, GMAE):
· Основна увага: автономні, адаптивні AI-агенти, які можуть еволюціонувати на основі взаємодії у віртуальному середовищі.
· Випадок використання: найкраще підходить для сценаріїв, у яких агенти повинні навчатися та адаптуватися, таких як ігри або віртуальні світи.
· Спільнота: інноваційна, але все ще визначає своє місце у конкурентному середовищі.
Дані зростання GitHub
Вищезазначений графік показує зміни кількості зірок на GitHub для цих фреймворків з моменту їх випуску. Загалом, зірки на GitHub можуть слугувати показником інтересу спільноти, популярності проєкту та сприйманої цінності проєкту.
· Eliza (червона лінія): графік демонструє значне зростання кількості зірок фреймворку та стабільну тенденцію, починаючи з низької бази в липні, яка почала різко зростати з кінця листопада, досягнувши тепер 6100 зірок. Це свідчить про швидке зростання інтересу до цього фреймворку, привертаючи увагу розробників. Експоненціальне зростання вказує на те, що Eliza отримала величезну привабливість завдяки своїй функціональності, оновленням та участі спільноти, її популярність значно перевищує популярність інших продуктів, що свідчить про сильну підтримку спільноти та більш широкий інтерес до неї в спільноті штучного інтелекту.
· Rig (синя лінія): Rig — це найстаріший з чотирьох фреймворків, його зірки зростають незначно, але стабільно, останній місяць спостерігається помітне зростання. Загальна кількість його зірок досягла 1700, але все ще на зростаючій траєкторії. Стабільне накопичення уваги стало можливим завдяки постійній розробці, оновленням та зростаючій базі користувачів. Це може свідчити про те, що Rig все ще накопичує репутацію.
· ZerePy (жовта лінія): ZerePy нещодавно запустили, кількість зірок вже зросла до 181. Слід підкреслити, що ZerePy потребує більше розробок, щоб підвищити свою видимість та рівень прийняття, співпраця з ai16z може залучити більше учасників до його кодової бази.
· G.A.M.E (зелена лінія): кількість зірок цього фреймворку невелика, але варто зазначити, що цей фреймворк можна безпосередньо застосовувати до агентів в екосистемі Virtual через API, тому немає необхідності публікувати його на GitHub. Проте, хоча цей фреймворк був відкритий лише трохи більше місяця тому, вже більше 200 проєктів використовують G.A.M.E для своїх розробок.
Очікування оновлення AI-фреймворків
Версія Eliza 2.0 включатиме інтеграцію з пакетом інструментів агентів Coinbase. Усі проєкти, що використовують Eliza, отримають підтримку майбутнього рідного TEE (надійного середовища виконання), що дозволить агентам працювати в безпечному середовищі. Реєстр плагінів (Plugin Registry) — це функція, яка незабаром з'явиться у Eliza, дозволяючи розробникам безперешкодно реєструвати та інтегрувати плагіни.
Крім того, Eliza 2.0 підтримуватиме автоматизоване анонімне міжплатформне обмін повідомленнями. Очікується, що Токеноміка, яка буде опублікована 1 січня 2025 року (пов'язані пропозиції вже опубліковані), матиме позитивний вплив на токен AI16Z, що підтримує фреймворк Eliza. Ai16z планує продовжити зміцнення практичності цього фреймворку та залучити висококваліфікованих фахівців, завдяки зусиллям своїх основних учасників.
Фреймворк G.A.M.E пропонує безкодову інтеграцію для агентів, що дозволяє одночасно використовувати G.A.M.E та Eliza в одному проєкті, кожен із яких обслуговує специфічні випадки використання. Цей підхід, як очікується, приверне увагу будівельників, які зосереджуються на бізнес-логіці, а не на технічних складностях. Хоча цей фреймворк був відкритий лише 30 днів, за підтримки команди, яка намагалася залучити більше учасників, фреймворк досяг істотного прогресу. Очікується, що кожен проєкт, запущений на VirtuaI, використовуватиме G.A.M.E.
Фреймворк Rig, підтримуваний токеном ARC, має значний потенціал, хоча ріст його фреймворку знаходиться на ранніх стадіях, проєктний контракт, що просуває прийняття Rig, також запущений лише кілька днів тому. Однак очікується, що незабаром з’являться високоякісні проєкти, що співпрацюють з ARC, подібно до Virtual Flywheel, але з акцентом на Solana. Команда Rig оптимістично налаштована щодо співпраці з Solana, позиціонуючи ARC як Virtual для Solana. Варто зазначити, що команда не лише мотивує нові проєкти, що запускаються з використанням Rig, але й заохочує розробників покращувати сам фреймворк Rig.
Zerepy — це новий фреймворк, який отримує багато уваги завдяки співпраці з ai16z (фреймворк Eliza); цей фреймворк приваблює учасників, які активно працюють над його вдосконаленням. Zerepy має запеклу підтримку спільноти ZEREBRO і відкриває нові можливості для Python-розробників, які раніше не мали можливостей у конкурентному середовищі AI. Очікується, що цей фреймворк відіграє важливу роль у креативній сфері AI.
Посилання на оригінал