Ця стаття з: Deep Value Memetics

Переклад｜Odaily зірковий щоденник (@OdailyChina)

Перекладач｜Azuma (@azuma_eth)

Огляд основних моментів

У цьому звіті ми обговорили 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), проаналізуємо їхні технологічні відмінності та потенціал розвитку.

Протягом минулого тижня ми провели аналіз і тестування вищезгаданих чотирьох фреймворків, результати якого наведені нижче.

  • Ми вважаємо, що Eliza (частка ринку близько 60%, ринкова капіталізація близько 900 мільйонів доларів на момент написання, близько 1,4 мільярда доларів на момент публікації) продовжить домінувати на ринку. Цінність Eliza полягає в її перевагах першопрохідця та прискореному прийнятті розробниками, що підтверджується 193 учасниками на GitHub, 1800 форкованими репозиторіями та понад 6000 зірками, що робить її однією з найпопулярніших бібліотек програмного забезпечення на GitHub.

  • G.A.M.E (частка ринку близько 20%, ринкова капіталізація близько 300 мільйонів доларів на момент написання, близько 257 мільйонів доларів на момент публікації) до цього часу розвивається дуже успішно й переживає швидке прийняття, як зазначила раніше опублікована інформація Virtuals Protocol, вже понад 200 проектів використовують G.A.M.E для побудови, з щоденними запитами понад 150 тисяч, зростання більше 200% на тиждень. G.A.M.E продовжить вигідно використовувати сплеск VIRTUAL і може стати одним з найбільших переможців у цій екосистемі.

  • Rig (частка ринку близько 15%, ринкова капіталізація близько 160 мільйонів доларів на момент написання, близько 279 мільйонів доларів на момент публікації) має дуже привабливий та легкий у використанні модульний дизайн, що обіцяє зайняти домінуюче місце в екосистемі Solana (RUST).

  • Zerepy (частка ринку близько 5%, ринкова капіталізація близько 300 мільйонів доларів на момент написання, близько 424 мільйонів доларів на момент публікації) є більш нішевим додатком, специфічним для запального співтовариства ZEREBRO, і нещодавня співпраця з спільнотою ai16z може призвести до певного синергійного ефекту.

У наведеній статистиці "частка ринку" у способі розрахунку враховує ринкову капіталізацію, записи розробки та широту ринку базових операційних систем.

Ми віримо, що AI-фреймворки стануть найбільш швидкозростаючою частиною цього циклу, поточна загальна ринкова капіталізація близько 1,7 мільярда доларів може легко зрости до 20 мільярдів доларів, порівняно з оцінкою Layer1 на піку в 2021 році, ця цифра може бути все ще досить консервативною — тоді багато окремих проектів досягли оцінки понад 20 мільярдів доларів. Хоча зазначені фреймворки обслуговують різні кінцеві ринки (ланцюги/екосистеми), оскільки ми вважаємо, що цей сектор зросте в цілому, прийняття методу зваженої капіталізації може бути відносно найбільш обережним.

Чотири основних фреймворка

На перехресті AI та Crypto з'явилося кілька фреймворків, спрямованих на прискорення розвитку AI, серед яких Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Від проектів з відкритим вихідним кодом до корпоративних рішень, орієнтованих на продуктивність, кожен фреймворк задовольняє різні потреби та концепції розробки агентів.

У таблиці нижче ми перерахували ключові технології, компоненти та переваги кожного фреймворка.

Цей звіт спочатку зосередиться на тому, що таке ці фреймворки, які мови програмування, технологічні архітектури, алгоритми використовуються та які унікальні функції можуть мати потенційні випадки використання. Потім ми порівняємо кожен фреймворк на основі зручності використання, масштабованості, адаптивності та продуктивності, обговорюючи їхні переваги та обмеження.

Eliza

Eliza є відкритим фреймворком для симуляції багатих агентів, розробленим ai16z, який призначений для створення, розгортання та управління автономними AI-агентами. Він розроблений з використанням TypeScript як мови програмування, надаючи гнучку та масштабовану платформу для створення розумних агентів, які можуть взаємодіяти з людьми на кількох платформах, зберігаючи однакову особистість та знання.

Основні функції цього фреймворка включають: підтримку одночасного розгортання та управління кількома унікальними AI-особистостями в багатогранній архітектурі; створення різноманітного системи ролей агентів за допомогою системи файлів ролей; надання функцій управління пам'яттю з довгостроковою пам'яттю та сприйняттям контексту через просунуту систему підсиленого генерування (RAG). Крім того, фреймворк Eliza також забезпечує плавну інтеграцію платформ, надійно підключаючи Discord, X та інші соціальні медіа платформи.

У сфері комунікацій та медіа-функцій AI-агентів Eliza є відмінним вибором. У частині комунікацій цей фреймворк підтримує інтеграцію з функціями голосових каналів Discord, X, Telegram, а також прямий доступ до API для налаштування випадків використання. З іншого боку, медіа-обробка цього фреймворка розширилася до читання та аналізу PDF документів, вилучення та підсумовування контенту з посилань, транскрипції аудіо, обробки відеоконтенту, аналізу зображень та підсумовування діалогів, що дозволяє ефективно обробляти різні медіа-входи та виходи.

Eliza надає підтримку гнучких AI-моделей, дозволяючи локальне висновування з використанням відкритих моделей, а також висновування на основі хмари з використанням таких конфігурацій за замовчуванням, як OpenAI та Nous Hermes Llama 3.1B, а також підтримує інтеграцію Claude для обробки складних запитів. Eliza має модульну архітектуру, що забезпечує широкий спектр систем дій, підтримку настроювальних клієнтів та всебічний API, що забезпечує масштабованість і адаптивність між додатками.

Випадки використання Eliza охоплюють кілька областей, таких як AI-асистенти, пов'язані з підтримкою клієнтів, управлінням спільнот, особистими завданнями; автоматизовані творці контенту, представники брендів та інші ролі в соціальних медіа; також може виступати як знаннєвий працівник, виконуючи ролі асистента досліджень, аналітика контенту та обробника документів; а також у формі взаємодії, як рольові роботи, освітні наставники та агенти.

Архітектура Eliza побудована навколо часу виконання агента (agent runtime), який може безперешкодно інтегруватися з системою ролей (підтримується постачальниками моделей), менеджером пам'яті (підключеним до бази даних) і системою дій (зв'язаною з клієнтом платформи). Унікальні функції цього фреймворка включають систему плагінів, яка дозволяє модульне розширення функцій, підтримку мультимодальної взаємодії, такої як голосова, текстова та медіа, а також сумісність з провідними AI-моделями, такими як Llama, GPT-4 та Claude. Завдяки своїй універсальності та потужному дизайну Eliza стає потужним інструментом для розробки AI-додатків в різних сферах.

G.A.M.E

G.A.M.E розроблений офіційною командою Virtuals, повна назва "Генеративний автономний мультимодальний фреймворк (The Generative Autonomous Multimodal Entities Framework)". Цей фреймворк має на меті надати розробникам інтерфейс програмування додатків (API) та набір інструментів для розробки програмного забезпечення (SDK), щоб вони могли експериментувати з AI-агентами. Цей фреймворк надає структурований підхід до управління поведінкою AI-агентів, прийняттям рішень та навчальними процесами.

  • Основні компоненти G.A.M.E наведені нижче. По-перше, "інтерфейс підказок агента" (Agent Prompting Interface) є входом для розробників, щоб інтегрувати G.A.M.E в агента для отримання поведінки агента.

  • "Системи сприйняття" запускають сеанс, вказуючи такі параметри, як ID сеансу, ID агента, користувача та інші відповідні деталі. Він синтезує вхідні повідомлення у формат, придатний для "двигуна стратегічного планування", виступаючи в ролі механізму сенсорного вводу для AI-агента, незалежно від того, у формі діалогу чи реакцій. Основним тут є "модуль обробки діалогу", відповідальний за обробку повідомлень та відповідей від агента, що співпрацює з "системою сприйняття", ефективно тлумачачи та відповідаючи на вхідні дані.

  • "Двигун стратегічного планування" працює у співпраці з "модулем обробки діалогу" та "оператором гаманця в мережі", генеруючи відповіді та плани. Цей двигун працює на двох рівнях: як високий планувальник, створюючи широкі стратегії на основі контексту або цілей; як низький рівень стратегій, перетворюючи ці стратегії на виконувані політики, які далі деталізуються у планувальниках дій (для конкретизації завдань) та виконавцях планів (для виконання завдань).

  • Окремим, але ключовим компонентом є "світовий контекст", який посилається на середовище, інформацію про світ і стан гри, надаючи необхідний контекст для рішень агента. Крім того, "бібліотека агентів" використовується для зберігання довгострокових атрибутів, таких як цілі, рефлексії, досвід та особистість, які разом формують поведінку агента та процес прийняття рішень. Ця структура використовує "короткочасну робочу пам'ять" та "процесор довгострокової пам'яті" — короткочасна пам'ять зберігає релевантну інформацію про попередні дії, результати та поточні плани; натомість довгостроковий процесор пам'яті витягує ключову інформацію на основі важливості, нещодавності та релевантності. Ця пам'ять зберігає знання про досвід агента, рефлексії, динамічну особистість, світовий контекст та робочу пам'ять для покращення прийняття рішень і надання основи для навчання.

  • Для поліпшення макета "модуль навчання" отримує дані з "системи сприйняття" для генерації загальних знань, які зворотно відправляються у систему для оптимізації майбутніх взаємодій. Розробники можуть вводити зворотний зв'язок про дії, стан гри та сенсорні дані через інтерфейс, щоб покращити навчання AI-агента та підвищити його можливості в плануванні та прийнятті рішень.

Робочий процес починається з взаємодії розробника через інтерфейс підказок агента; "система сприйняття" обробляє введення та пересилає його "модулю обробки діалогу", який управляє логікою взаємодії; тоді "двигун стратегічного планування" формує та виконує плани на основі цієї інформації за допомогою високих стратегій та детального планування дій.

Дані з "світового контексту" та "бібліотеки агентів" надають інформацію для цих процесів, тоді як робоча пам'ять відстежує миттєві завдання. Водночас "процесор довгострокової пам'яті" зберігає та витягує знання з плином часу. "Модуль навчання" аналізує результати та інтегрує нові знання в систему, що дозволяє безперервно вдосконалювати поведінку та взаємодію агентів.

Rig

Rig є відкритим фреймворком на основі Rust, призначеним для спрощення розробки застосувань великих мовних моделей (LLM). Він надає єдиний інтерфейс для взаємодії з кількома постачальниками LLM (такими як OpenAI та Anthropic) і підтримує різні векторні сховища, включаючи MongoDB та Neo4j. Модульна архітектура цього фреймворка має такі основні компоненти, як "абстрактний рівень постачальника", "інтеграція векторного сховища" та "система агентів", що сприяє безперешкодній взаємодії з LLM.

Основна аудиторія Rig включає розробників, які використовують Rust для створення AI/ML-додатків, а вторинна аудиторія включає організації, які прагнуть інтегрувати кілька постачальників LLM та векторних сховищ у своїх додатках на Rust. Репозиторій організовано за принципом робочої області, що містить кілька crates, що забезпечують масштабованість та ефективне управління проектами. Основні функції Rig включають "абстрактний рівень постачальника" (Provider Abstraction Layer), який стандартизує API, що використовується для завершення та вбудовування постачальників LLM, через послідовну обробку помилок; компонент "інтеграції векторного сховища" надає абстрактний інтерфейс для кількох бекендів і підтримує пошук подібності векторів; система "агентів" спрощує взаємодію з LLM, підтримуючи підсилене генерування (RAG) та інтеграцію інструментів. Крім того, вбудована структура забезпечує можливості пакетної обробки та безпечні операції вбудовування.

Rig використовує кілька технологічних переваг для забезпечення надійності та продуктивності. Асинхронні операції використовують асинхронний виконувальний час Rust для ефективної обробки великої кількості одночасних запитів; вбудований механізм обробки помилок цього фреймворка підвищує здатність відновлюватися від збоїв постачальника AI або бази даних; безпека типів запобігає помилкам на етапі компіляції, що підвищує підтримуваність коду; ефективний процес серіалізації та десеріалізації допомагає обробляти дані формату JSON та інших, що є критично важливим для комунікації та зберігання AI-сервісів; детальне ведення журналу та моніторинг додатків сприяють налагодженню та контролю.

Робочий процес у Rig починається з ініціювання запиту клієнтом, запит проходить через "абстрактний рівень постачальника", взаємодіючи з відповідною моделлю LLM; потім дані обробляються основним рівнем, де агент може використовувати інструменти або отримувати доступ до векторного сховища для отримання контексту; за допомогою складних робочих процесів, таких 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, що дозволяє адаптуватися до змін у доступності моделей або продуктивності.

Випадки використання Rig різноманітні, включаючи системи відповідей на запитання, що використовують відповідні документи для надання точних відповідей, пошук і відновлення документів для ефективного виявлення контенту, а також чат-боти або віртуальні помічники, що забезпечують контекстуально обізнану взаємодію для обслуговування клієнтів або освіти. Він також підтримує генерацію контенту, здатний створювати текст та інші матеріали на основі вивчених моделей, є багатофункціональним інструментом для розробників та організацій.

ZerePy

ZerePy це відкритий фреймворк, написаний на Python, призначений для розгортання агентів за допомогою OpenAI або Anthropic LLM на X. ZerePy походить від модульної версії бекенду Zerebro, що дозволяє розробникам запускати агентів з функціоналом, подібним до основних можливостей Zerebro. Хоча цей фреймворк забезпечує основу для розгортання агентів, для отримання творчих результатів потрібно додаткове налаштування моделі. ZerePy спрощує розробку та розгортання персоналізованих AI-агентів, особливо підходить для створення контенту в соціальних мережах, сприяючи AI-креативній екосистемі, орієнтованій на мистецтво та децентралізовані застосунки.

Цей фреймворк побудований з використанням мови Python, акцентуючи увагу на автономії агентів, зосереджуючись на генерації творчих виходів, що відповідає архітектурі Eliza + партнерським зв'язкам. Його модульний дизайн підтримує інтеграцію систем пам'яті, спрощуючи розгортання агентів на соціальних платформах. Основні функції включають командний рядок для управління агентами, інтеграцію з X, підтримку OpenAI та Anthropic LLM, а також модульну систему підключень для розширення функцій.

Випадки використання ZerePy охоплюють автоматизацію соціальних медіа, користувачі можуть розгортати AI-агентів для публікацій, відповідей, лайків та репостів, підвищуючи 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 контентних платформ на основі блокчейна.

Горизонтальне порівняння

На нашу думку, кожен з вищезгаданих фреймворків пропонує унікальний підхід до розвитку AI, задовольняючи специфічні потреби та середовища, що робить аргументацію не лише про те, чи є ці фреймворки конкурентами, а про те, чи може кожен з них запропонувати унікальну корисність та цінність.

  • Eliza вирізняється своїм зручним інтерфейсом, особливо підходячи для розробників, знайомих з середовищем JavaScript та Node.js. Її всебічна документація допомагає налаштувати AI-агенти на різних платформах, хоча її багатий набір функцій може створити помірну криву навчання, але завдяки використанню TypeScript Eliza ідеально підходить для створення агентів, що вбудовуються в мережу, оскільки більшість інфраструктури переднього плану вебу створюється за допомогою TypeScript. Цей фреймворк відомий своєю архітектурою з багатьма агентами, що дозволяє розгортати різноманітних AI-агентів на платформах, таких як Discord, X та Telegram. Його просунута система RAG використовується для управління пам'яттю, що робить її особливо корисною для створення AI-асистентів для підтримки клієнтів або соціальних медіа-додатків. Хоча вона забезпечує гнучкість, потужну підтримку спільноти та послідовну міжплатформенну продуктивність, вона все ще перебуває на ранніх стадіях, що може створити виклики для розробників у навчанні.

  • G.A.M.E спеціально розроблений для розробників ігор, надаючи інтерфейс з низьким або безкодовим програмуванням через API, що спрощує доступ для користувачів з нижчим рівнем технічних знань у сфері ігор. Однак він зосереджений на розробці ігор і інтеграції блокчейнів, тому для тих, хто не має відповідного досвіду, крива навчання може бути досить крутою. Він виділяється у генерації програмного контенту та поведінці NPC, але також обмежений своєю вузькою спеціалізацією та додатковою складністю, пов'язаною з інтеграцією блокчейнів.

  • Rig, завдяки використанню мови Rust, може бути менш дружнім до користувачів через складність цієї мови, що створює великі виклики для навчання, але для тих, хто добре володіє системним програмуванням, він може запропонувати інтуїтивну взаємодію. У порівнянні з TypeScript, сама мова Rust відома своєю продуктивністю та безпекою пам'яті. Вона має строгі перевірки на етапі компіляції та нульову вартість абстракцій, що необхідно для виконання складних алгоритмів штучного інтелекту. Висока ефективність мови та низький рівень контролю роблять її ідеальним вибором для ресурсомістких AI-додатків. Ця структура має модульний та масштабований дизайн, що дозволяє надавати високопродуктивні рішення, що робить її ідеальною для бізнес-додатків. Однак для розробників, які не знайомі з мовою Rust, навчання може бути крутою.

  • ZerePy використовує мову Python, надаючи вищу доступність для творчих завдань AI. Для розробників на Python, особливо тих, хто має досвід у AI/ML, крива навчання є нижчою, а завдяки популярності ZEREBRO доступна потужна підтримка спільноти. ZerePy чудово справляється з творчими AI-додатками, такими як NFT, і позиціонує себе як потужний інструмент у сфері цифрових медіа та мистецтва. Хоча він показує відмінні результати в творчому напрямку, його діапазон застосування відносно вузький у порівнянні з іншими структурами.

У плані масштабованості чотири фреймворки мають таке порівняння.

  • Eliza після оновлення версії V2 досягла значного прогресу, запровадивши єдину лінію повідомлень і масштабовану основну архітектуру для ефективного управління між платформами. Однак без оптимізації управління такою багатоплатформенною взаємодією може становити виклики для масштабованості.

  • G.A.M.E спеціалізується на реальному обробленні, необхідному для ігор, його масштабованість може бути керована ефективними алгоритмами та потенційними дистрибутивними системами блокчейн, хоча вона може бути обмежена специфічними ігровими рушіями або мережами блокчейн.

  • Фреймворк Rig може використовувати переваги продуктивності Rust для покращення масштабованості, будучи спроектованим для високих об'ємів обробки, що може бути особливо ефективним для корпоративних розгортань, однак це може означати, що для досягнення справжньої масштабованості можуть знадобитися складні налаштування.

  • Масштабованість ZerePy зосереджена на творчих виходах і підтримується внесками спільноти, але акцент цього фреймворка може обмежити його застосування в більш широкому середовищі AI, його масштабованість може бути піддана випробуванню різноманіттям творчих завдань, а не кількістю користувачів.

У плані застосування Eliza з її системою плагінів і крос-платформенною сумісністю значно випереджає, за нею йдуть G.A.M.E у ігровому середовищі та Rig, що обробляє складні AI-завдання. ZerePy демонструє високу адаптивність у творчій сфері, але менш підходить для більш широкого спектру AI-додатків.

У продуктивності результати тестування чотирьох фреймворків наведені нижче.

  • Eliza оптимізована для швидкої взаємодії в соціальних медіа, але її продуктивність може варіюватися під час роботи з більш складними обчислювальними завданнями.

  • G.A.M.E зосереджений на високопродуктивній реальній взаємодії в ігрових сценах, використовуючи ефективні процеси прийняття рішень і потенційні дистрибуції AI через блокчейн.

  • Rig, оснований на Rust, може запропонувати відмінну продуктивність для високопродуктивних обчислювальних завдань, що робить його підходящим для корпоративних застосувань, де критично важлива продуктивність обчислень.

  • Продуктивність ZerePy зосереджена на створенні творчого контенту, його показники зосереджуються на ефективності та якості генерації контенту, можливо, не так універсальні за межами творчої сфери.

Виходячи з узагальненого аналізу вищеописаних переваг та недоліків, Eliza пропонує вищу гнучкість і масштабованість, система плагінів та налаштування ролей надають їй сильну адаптивність, що сприяє міжплатформенній соціальній взаємодії AI; G.A.M.E може забезпечити унікальні можливості реального часу в ігрових сценах та новаторське AI-участя завдяки інтеграції блокчейн; перевага Rig полягає в його продуктивності та масштабованості, що робить його ідеальним для завдань AI корпоративного рівня, та акцентує увагу на простоті коду та модульності для забезпечення довгострокового здорового розвитку проекту; Zerepy спеціалізується на розвитку творчих здібностей, займаючи провідні позиції у застосуванні AI в цифровому мистецтві, та отримує підтримку активного розвитку спільноти.

Загалом, кожен фреймворк має свої обмеження. Eliza все ще перебуває на ранніх стадіях, має потенційні проблеми з стабільністю, а крива навчання для нових розробників є досить крутою; вузька спеціалізація G.A.M.E може обмежити його більш широке застосування, а інтеграція блокчейнів також може підвищити складність; крива навчання Rig є ще крутішою через складність мови Rust, що може відштовхнути деяких розробників; вузька увага Zerepy на творчих виходах може обмежити його застосування в інших сферах AI.

Основні порівняльні пункти

Rig (ARC)

  • Мова: Rust, акцент на безпеці та продуктивності.

  • Випадок використання: зосереджений на ефективності та масштабованості, є ідеальним вибором для корпоративних AI-додатків.

  • Спільнота: спільнота менш активна, більше зосереджена на технічних розробках.

Eliza (AI16Z)

  • Мова: TypeScript, акцентуючи увагу на гнучкості Web3 та участі спільноти.

  • Випадок використання: спеціально розроблений для соціальної взаємодії, DAO та транзакцій, особливо підкреслюючи систему багатьох агентів.

  • Спільнота: високоактивна, з широкими зв'язками з GitHub.

ZerePy (ZEREBRO):

  • Мова: Python, легше сприймається більш широкою групою розробників AI.

  • Випадок використання: підходить для автоматизації соціальних медіа та простих завдань AI-агентів.

  • Спільнота: відносно нова, але завдяки популярності Python та підтримці учасників ai16z, має перспективи для 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 ситуацій, де агенти повинні навчатися та адаптуватися, таких як ігри або віртуальні світи.

  • Спільнота: інноваційна, але все ще визначає своє місце у конкуренції.

Дані про зростання GitHub

Вищезгадана діаграма показує зміни в кількості зірок на GitHub з моменту запуску цих фреймворків. Загалом, зірки GitHub можуть слугувати показником інтересу спільноти, популярності проекту та сприйнятої цінності проекту.

  • Eliza (червона лінія): діаграма демонструє значне і стабільне зростання кількості зірок цього фреймворка, починаючи з низької бази в липні, у листопаді вона різко зросла, досягнувши 6100 зірок. Це вказує на різке зростання інтересу до цього фреймворка, що привертає увагу розробників. Експоненціальне зростання свідчить про те, що Eliza отримала величезну привабливість завдяки своїм функціям, оновленням та участі спільноти, її популярність значно перевищує інші продукти, що свідчить про підтримку спільноти, має більш широкий спектр застосування або інтерес у спільноті AI.

  • Rig (синя лінія): Rig є найстарішим з чотирьох фреймворків, його зірки зростають незначно, але стабільно, останнім часом спостерігається помітне зростання. Загальна кількість зірок досягла 1700, але вона все ще в тренді зростання. Стабільне накопичення уваги обумовлене постійною розробкою, оновленнями та зростаючою базою користувачів. Це може свідчити про те, що Rig все ще накопичує репутацію.

  • ZerePy (жовта лінія): ZerePy був запущений кілька днів тому, і кількість зірок зросла до 181. Потрібно підкреслити, що ZerePy потребує більше розробок для підвищення своєї видимості та рівня прийняття, а співпраця з ai16z може залучити більше учасників до його кодової бази.

  • G.A.M.E (зелена лінія): кількість зірок цього фреймворка є невеликою, але варто зазначити, що він може бути безпосередньо застосований до агентів у екосистемі Virtual через API, тому немає необхідності публікувати його на GitHub. Однак, хоча цей фреймворк став доступним для творців лише місяць тому, наразі вже більше 200 проектів використовують G.A.M.E для розробки.

Очікування оновлень AI-фреймворків

Версія 2.0 Eliza включатиме інтеграцію з пакетом інструментів Coinbase для агентів. Усі проекти, що використовують Eliza, отримають підтримку для майбутнього нативного TEE (достовірного середовища виконання), що дозволить агентам працювати в безпечному середовищі. Центр реєстрації плагінів (Plugin Registry) є запланованою функцією Eliza, що дозволяє розробникам безперешкодно реєструвати та інтегрувати плагіни.

Крім того, Eliza 2.0 підтримуватиме автоматизовану анонімну міжплатформену передачу повідомлень. Очікується, що у білому папері з токеноміки, запланованому на 1 січня 2025 року, буде позитивний вплив на токени AI16Z, які підтримують фреймворк Eliza. ai16z планує продовжувати покращувати корисність цього фреймворка та залучати висококваліфіковані кадри, спираючись на зусилля основних учасників.

Фреймворк G.A.M.E пропонує безкодові інтеграції для агентів, що дозволяє одночасно використовувати G.A.M.E та Eliza в одному проекті, кожен з яких обслуговує специфічні випадки використання. Цей підхід, ймовірно, залучить творців, які зосереджені на бізнес-логіці, а не на технічній складності. Хоча цей фреймворк став доступний лише протягом останніх 30 днів, під натиском команди на залучення більше учасників він уже досяг значного прогресу. Очікується, що в кожному проекті, що запуститься на VirtuaI, буде використовуватися G.A.M.E.

Фреймворк Rig, підтримуваний токенами ARC, має значний потенціал, хоча його розвиток ще на ранніх стадіях, а контракти проекту, що просувають прийняття Rig, лише кілька днів в ефірі. Проте очікується, що незабаром з'являться якісні проекти, що використовують ARC, подібно до віртуального маховика, але зосереджуючись на Solana. Команда Rig оптимістично налаштована на співпрацю з Solana, позиціонуючи ARC як віртуальне рішення для Solana. Варто зазначити, що команда не лише стимулює нові проекти, запущені за допомогою Rig, але також заохочує розробників поліпшити сам фреймворк Rig.

Zerepy є новим фреймворком, який отримує велику увагу завдяки співпраці з ai16z (фреймворком Eliza), цей фреймворк залучив учасників з Eliza, які активно працюють над його вдосконаленням. Zerepy користується запальним підтримкою спільноти ZEREBRO і відкриває нові можливості для розробників на Python, які раніше не мали можливостей у конкурентному середовищі AI-інфраструктури. Очікується, що цей фреймворк зіграє важливу роль у творчих аспектах AI.