Autor: Deep Value Memetics, Traducción: Jinse Caijing xiaozou
En este artículo, exploraremos las perspectivas del marco Crypto X AI. Nos centraremos en los cuatro marcos principales actuales (ELIZA, GAME, ARC, ZEREPY) y sus diferencias técnicas respectivas.
1. Introducción
En la última semana, hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY. Nuestras conclusiones son las siguientes.
Creemos que AI16Z seguirá dominando. El valor de Eliza (con una participación de mercado de aproximadamente el 60% y un valor de mercado de más de mil millones de dólares) radica en su ventaja de ser pionera (efecto Lindy) y en su uso por un número creciente de desarrolladores; 193 contribuyentes, 1800 bifurcaciones y más de 6000 estrellas son datos que lo demuestran, convirtiéndolo en uno de los repositorios de código más populares en Github.
Hasta ahora, el desarrollo de GAME (con una participación de mercado de aproximadamente el 20% y un valor de mercado de aproximadamente 300 millones de dólares) ha sido muy exitoso, logrando una rápida adopción. Como acaba de anunciar VIRTUAL, la plataforma cuenta con más de 200 proyectos, 150,000 solicitudes diarias y una tasa de crecimiento semanal del 200%. GAME continuará beneficiándose del auge de VIRTUAL y se convertirá en uno de los mayores ganadores de su ecosistema.
Rig (ARC, con una participación de mercado de aproximadamente 15% y una capitalización de mercado de aproximadamente 160 millones de dólares) es muy llamativo, ya que su diseño modular es muy fácil de operar y puede dominar como un "pure-play" en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente 5%, y una capitalización de mercado de alrededor de 300 millones de dólares) es una aplicación relativamente nicho, dirigida al entusiasta de la comunidad ZEREBRO, y su reciente colaboración con la comunidad ai16z podría generar sinergias.
Hemos observado que nuestro cálculo de participación de mercado abarca la capitalización de mercado, los registros de desarrollo y el mercado de sistemas operativos subyacentes.
Creemos que, en este ciclo de mercado, el mercado de marcos segmentados será el área de más rápido crecimiento, con un valor total de mercado de 1,7 mil millones de dólares que podría fácilmente crecer a 20 mil millones de dólares, lo cual sigue siendo relativamente conservador en comparación con la valoración pico de L1 en 2021, cuando muchas valoraciones de L1 superaron los 20 mil millones de dólares. Aunque estos marcos sirven a diferentes mercados finales (cadena/ecosistema), creemos que dado que este campo está en una tendencia ascendente constante, el enfoque de capitalización de mercado ponderada podría ser el más prudente.
2、Cuatro grandes marcos
En la tabla a continuación, hemos enumerado las tecnologías clave, componentes y ventajas de los principales marcos.
(1) Resumen del marco
En la intersección de AI X Crypto, hay varios marcos que facilitan el desarrollo de la IA. SON ELIZA PARA AI16Z, RIG PARA ARC, ZEREBRO PARA ZEREPY Y VIRTUAL PARA GAME. Cada marco aborda diferentes necesidades y filosofías en el proceso de desarrollo de agentes de IA, desde proyectos comunitarios de código abierto hasta soluciones de nivel empresarial centradas en el rendimiento.
Este artículo primero presenta los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, cuáles son sus funciones únicas y cuáles son los posibles casos de uso de los marcos. Luego, comparamos cada marco en términos de usabilidad, escalabilidad, adaptabilidad y rendimiento, explorando sus respectivas ventajas y limitaciones.
ELIZA (desarrollado por ai16z)
Eliza es un marco de simulación de múltiples agentes de código abierto, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Está desarrollado en el lenguaje de programación TypeScript y proporciona una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.
Las funciones centrales de este marco incluyen una arquitectura multiagente que admite el despliegue y gestión simultáneos de múltiples personalidades de IA únicas, así como un sistema de roles que crea diferentes agentes utilizando un marco de archivos de roles, además de ofrecer funciones de gestión de memoria a largo plazo y consciente del contexto a través de un sistema de mejora de generación con recuperación avanzada (RAG). Además, el marco Eliza también proporciona una integración fluida de la plataforma, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
Cuando se trata de las capacidades de comunicación y medios de los agentes de IA, Eliza es una excelente opción. En términos de comunicación, el marco admite integraciones con la función de canal de voz de Discord, la función X, Telegram y el acceso directo a las API para casos de uso personalizados. Por otro lado, las capacidades de procesamiento de medios del marco se pueden ampliar a la lectura y el análisis de documentos PDF, la extracción y el resumen de contenido de enlaces, la transcripción de audio, el procesamiento de contenido de video, el análisis de imágenes y el resumen de conversaciones para manejar de manera eficiente una amplia gama de entradas y salidas de medios.
El marco Eliza proporciona soporte flexible para modelos de IA a través de la inferencia local para modelos de código abierto, la inferencia en la nube para OpenAI y configuraciones predeterminadas como Nous Hermes Llama 3.1B, e integra soporte para que Claude maneje tareas complejas. La arquitectura modular de Eliza con una amplia gama de sistemas operativos, soporte al cliente personalizado y API integrales garantiza la escalabilidad y la adaptabilidad entre aplicaciones.
Los casos de uso de Eliza abarcan múltiples campos, como: asistentes de IA para atención al cliente, revisión de comunidades y tareas personales, así como creadores de contenido automático, robots interactivos y representantes de marcas en roles de redes sociales. También puede actuar como un trabajador del conocimiento, desempeñando roles como asistente de investigación, analista de contenido y procesador de documentos, y apoyando formas de roles interactivos como robots de juego de roles, tutores educativos y agentes.
La arquitectura de Eliza se construye en torno a un tiempo de ejecución de agente (agent runtime), que se integra sin problemas con su sistema de roles (respaldado por proveedores de modelos), el gestor de memoria (conectado a la base de datos) y el sistema operativo (enlace con el cliente de la plataforma). Las características únicas de este marco incluyen un sistema de plugins que soporta la expansión funcional modular, interacciones multimodales que incluyen voz, texto y medios, y es compatible con modelos de IA líderes (como Llama, GPT-4 y Claude). Con su diseño versátil y potente, Eliza se destaca como una poderosa herramienta para el desarrollo de aplicaciones de IA en múltiples dominios.
G.A.M.E (desarrollado por Virtuals Protocol)
El marco de entidades multimodales autónomas generativas (G.A.M.E) tiene como objetivo proporcionar a los desarrolladores acceso a API y SDK para experimentos con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y el proceso de aprendizaje de los agentes de IA.
Sus componentes principales son los siguientes: primero, la Interfaz de Sugerencias de Agente (Agent Prompting Interface) es el punto de entrada para que los desarrolladores integren GAME en el agente y accedan al comportamiento del agente. El Subsistema de Percepción (Perception Subsystem) inicia la sesión mediante parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes.
Combina la información entrante en un formato adecuado para el motor de planificación estratégica (Strategic Planning Engine) que actúa como un mecanismo de entrada sensorial para el agente de IA, ya sea en forma de diálogo o reacción. Su núcleo es el módulo de procesamiento de diálogos, que se encarga de gestionar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder eficazmente a la entrada.
El motor de planificación estratégica funciona junto con el módulo de procesamiento de conversaciones y los operadores de billeteras en cadena para generar respuestas y planes. El motor funciona en dos niveles: como un planificador de alto nivel para crear una estrategia amplia basada en el contexto o los objetivos; Estas políticas se convierten en políticas accionables como políticas de bajo nivel, que a su vez se dividen en planificadores de acciones para tareas especificadas y ejecutores de programación para realizar tareas.
Otro componente independiente pero importante es el World Context (Contexto Mundial), que hace referencia al entorno, la información global y el estado del juego, proporcionando el contexto necesario para las decisiones del agente. Además, el Agent Repository (Repositorio de Agentes) se utiliza para almacenar atributos a largo plazo, como objetivos, reflexiones, experiencias y personalidad, que en conjunto moldean el comportamiento y el proceso de toma de decisiones del agente.
Este marco utiliza procesadores de memoria de trabajo a corto y a largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos previos, resultados y planes actuales. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, actualidad y relevancia. La memoria a largo plazo almacena conocimientos sobre la experiencia del agente, la reflexión, la personalidad dinámica, el contexto mundial y la memoria de trabajo para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
El módulo de aprendizaje utiliza datos del subsistema de percepción para generar conocimientos generales, los cuales se retroalimentan al sistema para mejorar interacciones futuras. Los desarrolladores pueden introducir a través de la interfaz comentarios sobre acciones, estados del juego y datos sensoriales para mejorar la capacidad de aprendizaje del agente de IA, aumentando su capacidad de planificación y toma de decisiones.
El flujo de trabajo comienza con los desarrolladores interactuando a través de la interfaz de indicaciones del agente. La entrada es procesada por el subsistema de percepción y se reenvía al módulo de procesamiento de diálogos, que se encarga de gestionar la lógica de interacción. Luego, el motor de planificación estratégica elabora y ejecuta planes basados en esta información, utilizando estrategias de alto nivel y planes de acción detallados.
Los datos del contexto mundial y del repositorio de agentes notifican a estos procesos, mientras que la memoria de trabajo rastrea tareas instantáneas. Al mismo tiempo, el procesador de memoria a largo plazo almacena y recupera conocimientos a largo plazo. El módulo de aprendizaje analiza los resultados e integra nuevos conocimientos en el sistema, lo que permite una mejora continua del comportamiento y la interacción del agente.
RIG (desarrollado por ARC)
Rig es un marco de código abierto en Rust, diseñado para simplificar el desarrollo de aplicaciones de grandes modelos de lenguaje. Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM, como OpenAI y Anthropic, y admite varios almacenes de vectores, incluidos MongoDB y Neo4j. La singularidad de la arquitectura modular de este marco radica en sus componentes centrales, como la capa de abstracción del proveedor (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, para facilitar la interacción sin problemas con los LLM.
La audiencia principal de Rig incluye desarrolladores que crean aplicaciones de IA/ML utilizando Rust, seguidos de organizaciones que buscan integrar múltiples proveedores de LLM y tiendas de vectores en sus propias aplicaciones de Rust. El repositorio utiliza una arquitectura de espacio de trabajo con varias cajas para respaldar la escalabilidad y la gestión eficiente de proyectos. Su característica clave es la capa de abstracción del proveedor, que proporciona estandarización para completar e incrustar API entre diferentes proveedores de LLM con un manejo de errores consistente. El componente Integración de Vector Store proporciona una interfaz abstracta para múltiples backends y admite búsquedas de similitud vectorial. El sistema de agentes simplifica las interacciones de LLM, admite la generación mejorada de recuperación (RAG) y la integración de herramientas. Además, el marco de incrustación proporciona capacidades de procesamiento por lotes y operaciones de incrustación para la seguridad de tipos.
Rig aprovecha una serie de ventajas técnicas para garantizar la fiabilidad y el rendimiento. Las operaciones asíncronas aprovechan el tiempo de ejecución asíncrono de Rust para manejar de manera eficiente una gran cantidad de solicitudes simultáneas. El mecanismo de control de errores inherente al marco mejora la resistencia a las operaciones fallidas del proveedor de IA o de la base de datos. La seguridad de tipos puede evitar errores en el proceso de compilación, mejorando así la capacidad de mantenimiento del código. Los procesos eficientes de serialización y deserialización admiten el procesamiento de datos en formatos como JSON, que es esencial para la comunicación y el almacenamiento de servicios de IA. El registro detallado y la instrumentación ayudan aún más en la depuración y supervisión de aplicaciones.
El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, la cual interactúa con el modelo LLM adecuado a través de la capa de abstracción del proveedor. Luego, los datos son procesados por la capa central, donde el agente puede utilizar herramientas o acceder al almacenamiento de vectores de contexto. La respuesta se genera y refina a través de un complejo flujo de trabajo (como RAG) antes de ser devuelta al cliente, un proceso que involucra la recuperación de documentos y la comprensión del contexto. El sistema integra múltiples proveedores de LLM y almacenamiento de vectores, siendo adaptable a la disponibilidad o actualizaciones de rendimiento del modelo.
Los casos de uso de Rig son diversos, incluyendo sistemas de preguntas y respuestas que recuperan documentos relevantes para proporcionar respuestas precisas, sistemas de búsqueda y recuperación de documentos para un descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que ofrecen interacciones contextualizadas para atención al cliente o educación. También soporta la generación de contenido, apoyando la creación de textos y otros materiales basados en modos de aprendizaje, convirtiéndolo en una herramienta versátil para desarrolladores y organizaciones.
Zerepy (desarrollado por ZEREPY y blorm)
ZerePy es un marco de código abierto escrito en el lenguaje Python que tiene como objetivo desplegar agentes en X utilizando OpenAI o LLM antrópicos. Derivado de una versión modular del backend de Zerebro, ZerePy permite a los desarrolladores lanzar agentes con funcionalidades básicas similares a las de Zerebro. Si bien el marco proporciona la base para la implementación de agentes, el ajuste del modelo es esencial para generar resultados creativos. ZerePy simplifica el desarrollo y la implementación de agentes de IA personalizados, especialmente para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo impulsado por IA para el arte y las aplicaciones descentralizadas.
Este marco está desarrollado en Python, enfatizando la autonomía del agente y centrándose en la generación de salidas creativas, manteniendo la coherencia con la arquitectura de ELIZA y su relación de colaboración con ELIZA. Su diseño modular admite la integración de sistemas de memoria y permite el despliegue de agentes en plataformas sociales. Las funciones principales incluyen una interfaz de línea de comandos para la gestión de agentes, integración con Twitter, soporte para los LLM de OpenAI y Anthropic, así como un sistema de conexión modular para mejorar las funcionalidades.
Los casos de uso de ZerePy abarcan el ámbito de la automatización de las redes sociales, donde los usuarios pueden desplegar agentes de IA para publicar, responder, dar me gusta y retuitear para aumentar la participación en la plataforma. Además, se ocupa de la creación de contenidos en áreas como la música, los memes y los NFT, lo que lo convierte en una herramienta importante para el arte digital y las plataformas de contenidos basados en blockchain.
(2) Comparación de los cuatro grandes marcos
A nuestro parecer, cada marco ofrece un enfoque único para el desarrollo de inteligencia artificial, adaptándose a necesidades y entornos específicos, y hemos trasladado el enfoque de la competencia entre estos marcos a la singularidad de cada uno.
ELIZA se destaca por su interfaz amigable para el usuario, especialmente para los desarrolladores familiarizados con el entorno de JavaScript y Node.js. Su documentación integral ayuda a configurar agentes de inteligencia artificial en diversas plataformas, aunque su amplia gama de funcionalidades puede presentar una curva de aprendizaje. Desarrollado en TypeScript, Eliza es una opción ideal para construir agentes integrados en la web, ya que la mayoría de la infraestructura web tiene su frontend desarrollado en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, que puede desplegar diferentes personalidades de inteligencia artificial en plataformas como Discord, X y Telegram. Su avanzado sistema de gestión de memoria RAG lo hace especialmente efectivo para asistentes de inteligencia artificial en aplicaciones de soporte al cliente o redes sociales. Aunque ofrece flexibilidad, un fuerte apoyo comunitario y un rendimiento consistente en múltiples plataformas, todavía se encuentra en una etapa temprana, lo que puede representar una curva de aprendizaje para los desarrolladores.
GAME está diseñado específicamente para desarrolladores de juegos, ofreciendo interfaces de bajo código o sin código a través de API, permitiendo que los usuarios con menor nivel técnico en el ámbito de los juegos también puedan utilizarlo. Sin embargo, se centra en el desarrollo de juegos y la integración con blockchain, lo que puede presentar una curva de aprendizaje pronunciada para aquellos sin experiencia relevante. Se destaca en la generación de contenido programático y en el comportamiento de NPCs, pero está limitado por la complejidad añadida por su nicho y la integración con blockchain.
Debido al uso del lenguaje Rust, Rig puede no ser muy fácil de usar dada la complejidad del lenguaje, lo que presenta un desafío de aprendizaje significativo, pero tiene una interacción intuitiva para aquellos que dominan la programación de sistemas. A diferencia de TypeScripe, el lenguaje de programación en sí es conocido por su rendimiento y seguridad de memoria. Cuenta con rigurosas comprobaciones en tiempo de compilación y abstracciones de coste cero, que son necesarias para ejecutar algoritmos de IA complejos. El lenguaje es muy eficiente y su bajo grado de control lo hace ideal para aplicaciones de IA que consumen muchos recursos. El marco proporciona una solución de alto rendimiento con un diseño modular y escalable, lo que lo hace ideal para aplicaciones empresariales. Sin embargo, para los desarrolladores que no están familiarizados con Rust, el uso de Rust conducirá inevitablemente a una curva de aprendizaje empinada.
ZerePy utiliza Python, proporcionando alta disponibilidad para tareas de IA creativa, la curva de aprendizaje para desarrolladores de Python es baja, especialmente para aquellos con experiencia en AI/ML, y se beneficia de un fuerte apoyo comunitario gracias a la comunidad cripto de Zerebro. ZerePy se especializa en aplicaciones de inteligencia artificial creativa como NFT, posicionándose como una poderosa herramienta para los medios digitales y el arte. Aunque prospera en creatividad, su alcance es relativamente estrecho en comparación con otros marcos.
En términos de escalabilidad, ELIZA ha logrado avances significativos en su actualización V2, introduciendo una línea de mensajes unificada y un marco central escalable que permite una gestión efectiva a través de múltiples plataformas. Sin embargo, si no se optimiza, esta gestión de la interacción multiplataforma puede presentar desafíos en términos de escalabilidad.
GAME se destaca en el procesamiento en tiempo real requerido por los juegos, y la escalabilidad se gestiona a través de algoritmos eficientes y sistemas distribuidos de blockchain potenciales, aunque puede verse limitada por motores de juego específicos o redes de blockchain.
El marco Rig aprovecha el rendimiento de escalabilidad de Rust y está diseñado para aplicaciones de alto rendimiento, lo que es particularmente efectivo para implementaciones de nivel empresarial, aunque esto puede significar que lograr una verdadera escalabilidad requiere una configuración compleja.
La escalabilidad de Zerepy está orientada a la producción creativa, con el apoyo de contribuciones de la comunidad, pero su enfoque central podría limitar su aplicación en un entorno de inteligencia artificial más amplio. La escalabilidad podría verse desafiada por la diversidad de tareas creativas en lugar del número de usuarios.
En términos de adaptabilidad, ELIZA lidera con su sistema de plugins y compatibilidad multiplataforma, mientras que GAME en su entorno de juego y Rig para manejar tareas complejas de IA también son excelentes. ZerePy muestra una alta adaptabilidad en el ámbito creativo, pero no es tan adecuado para aplicaciones de inteligencia artificial más amplias.
En términos de rendimiento, ELIZA ha sido optimizado para interacciones rápidas en redes sociales, donde el tiempo de respuesta rápido es clave, pero su desempeño puede variar al manejar tareas computacionales más complejas.
GAME desarrollado por Virtual Protocol se centra en la interacción en tiempo real de alto rendimiento en escenarios de juego, utilizando un proceso de toma de decisiones eficiente y potenciales operaciones de inteligencia artificial descentralizada a través de blockchain.
El marco Rig, basado en el lenguaje Rust, ofrece un rendimiento excepcional para tareas de computación de alto rendimiento, siendo adecuado para aplicaciones empresariales donde la eficiencia computacional es crucial.
El rendimiento de Zerepy está diseñado a medida para la creación de contenido creativo, con métricas centradas en la eficiencia y calidad de la generación de contenido, que pueden no ser tan aplicables fuera del ámbito creativo.
La ventaja de ELIZA es que ofrece flexibilidad y escalabilidad, gracias a su sistema de complementos y la configuración de roles, lo que le confiere una alta adaptabilidad, favoreciendo la interacción social de IA en múltiples plataformas.
GAME ofrece capacidades únicas de interacción en tiempo real en el juego, mejorando la novedosa participación de la IA a través de la integración de blockchain.
Las ventajas de Rig radican en su rendimiento y escalabilidad para tareas de inteligencia artificial empresarial, con un enfoque en proporcionar código modular limpio para la salud de proyectos a largo plazo.
Zerepy se especializa en cultivar la creatividad, liderando en la aplicación de inteligencia artificial en el arte digital, y cuenta con un modelo de desarrollo impulsado por una comunidad vibrante.
Cada marco tiene sus propias limitaciones. ELIZA todavía está en una etapa temprana, presenta problemas de estabilidad potenciales y una curva de aprendizaje para nuevos desarrolladores. Los juegos de nicho pueden limitar una aplicación más amplia, y la blockchain añade complejidad. Rig, debido a la pronunciada curva de aprendizaje de Rust, puede asustar a algunos desarrolladores, mientras que el enfoque limitado de Zerepy en la producción creativa puede restringir su uso en otros campos de la IA.
(3) Resumen de comparación del marco
Aparejo (ARC):
Lenguaje: Rust, enfocado en la seguridad y el rendimiento.
Caso de uso: la elección ideal para aplicaciones de IA empresariales, ya que se centra en la eficiencia y la escalabilidad.
Comunidad: no está muy impulsada por la comunidad, se centra más en los desarrolladores de tecnología.
Eliza (AI16Z)：
Lenguaje: TypeScript, enfatizando la flexibilidad de web3 y la participación de la comunidad.
Caso de uso: diseñado para interacciones sociales, DAO y transacciones, con un enfoque especial en sistemas multiagente.
Comunidad: altamente impulsada por la comunidad, con amplia participación en GitHub.
ZerePy (ZEREBRO)：
Lenguaje: Python, para hacerlo accesible a una base de desarrolladores de IA más amplia.
Caso de uso: Adecuado para la automatización de redes sociales y tareas más sencillas de los agentes de IA.
Comunidad: relativamente nueva, pero se espera que crezca debido a la popularidad de Python y al apoyo de los contribuyentes de AI16Z.
JUEGO (VIRTUAL):
Enfoque: agentes de inteligencia artificial autónomos y adaptativos que pueden evolucionar según las interacciones en entornos virtuales.
Caso de uso: el más adecuado para el aprendizaje y la adaptación de agentes de IA en escenarios como juegos o mundos virtuales.
Comunidad: comunidad innovadora, pero aún en proceso de determinar su posición en la competencia.
3、Tendencia de datos de estrellas en Github
La imagen anterior muestra los datos de estrellas de GitHub desde el lanzamiento de estos marcos. Es importante señalar que las estrellas de GitHub son un indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.
ELIZA (línea roja):
Desde una base baja en julio hasta un gran aumento en el número de estrellas a finales de noviembre (61.000 estrellas), esto indica un rápido aumento en el interés y atrae la atención de los desarrolladores. Este crecimiento exponencial muestra que ELIZA ha ganado una gran tracción gracias a sus características, actualizaciones y participación de la comunidad. Su popularidad supera con creces a la de otros competidores, lo que sugiere que tiene un fuerte apoyo de la comunidad y una aplicabilidad o interés más amplios en la comunidad de IA.
RIG (línea azul):
Rig es el marco más antiguo de los cuatro grandes, su número de estrellas es moderado pero ha estado creciendo continuamente, y es muy probable que aumente considerablemente en el próximo mes. Ha alcanzado las 1700 estrellas, pero sigue en aumento. El desarrollo continuo, las actualizaciones y el creciente número de usuarios son la razón por la cual el interés de los usuarios sigue acumulándose. Esto puede reflejar que el marco tiene un público pequeño o que todavía está acumulando reputación.
ZEREPY (línea amarilla):
ZerePy se lanzó hace unos días y ya ha acumulado 181 estrellas. Es importante destacar que ZerePy necesita más desarrollo para mejorar su visibilidad y tasa de adopción. La colaboración con AI16Z podría atraer a más contribuyentes de código.
JUEGO (línea verde) :
Este proyecto tiene la menor cantidad de estrellas, y es importante señalar que este marco se puede aplicar directamente a los proxies en el ecosistema virtual a través de la API, eliminando así la necesidad de visibilidad en Github. Sin embargo, este marco solo se abrió a los constructores hace poco más de un mes, y hay más de 200 proyectos que están utilizando GAME para construir.
4. Razones para ser optimista sobre el marco
La versión V2 de Eliza integrará el kit de herramientas de agentes de Coinbase. Todos los proyectos que utilicen Eliza en el futuro soportarán TEE nativo, permitiendo que los agentes operen en un entorno seguro. Una de las características próximas de Eliza es el registro de plugins (Plugin Registry), que permitirá a los desarrolladores registrar e integrar plugins de manera fluida.
Además, Eliza V2 admitirá la mensajería anónima automatizada entre plataformas. Se espera que el libro blanco de la economía de tokens se publique el 1 de enero de 2025, lo que probablemente tendrá un impacto positivo en el token AI16Z subyacente al marco de Eliza. AI16Z planea seguir mejorando la utilidad del marco y continuar atrayendo talento de alta calidad, y los esfuerzos de sus principales contribuyentes ya han demostrado que tiene esta capacidad.
El marco GAME proporciona integración sin código para los agentes, permitiendo el uso simultáneo de GAME y ELIZA en un solo proyecto, cada uno sirviendo a un propósito específico. Este enfoque promete atraer a los constructores que se enfocan en la lógica empresarial en lugar de la complejidad técnica. A pesar de que el marco solo se ha publicado públicamente durante unos 30 días, ha logrado un progreso sustancial con el esfuerzo del equipo por atraer más apoyo de contribuyentes. Se espera que todos los proyectos que se inicien en VIRTUAL utilicen GAME.
El Rig representado por el token ARC tiene un gran potencial, aunque su marco aún se encuentra en una etapa temprana de crecimiento y el plan para impulsar la adopción del proyecto se lanzó hace apenas unos días. Se espera que pronto surjan proyectos de alta calidad que adopten ARC, similares a Virtual Flywheel, pero con un enfoque en Solana. El equipo es optimista sobre la colaboración con Solana, comparando la relación entre ARC y Solana con la de Virtual y Base. Cabe destacar que el equipo no solo alienta a los nuevos proyectos a utilizar Rig para su lanzamiento, sino que también anima a los desarrolladores a mejorar el marco de Rig en sí.
Zerepy es un nuevo marco lanzado recientemente, que está ganando cada vez más atención debido a su relación de colaboración con Eliza. Este marco ha atraído a los contribuyentes de Eliza, quienes están trabajando activamente en su mejora. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades para los desarrolladores de Python, quienes anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco jugará un papel importante en la creatividad de la IA.
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Comparación de los cuatro principales marcos Crypto X AI: ELIZA, GAME, ARC y ZEREPY
Autor: Deep Value Memetics, Traducción: Jinse Caijing xiaozou
En este artículo, exploraremos las perspectivas del marco Crypto X AI. Nos centraremos en los cuatro marcos principales actuales (ELIZA, GAME, ARC, ZEREPY) y sus diferencias técnicas respectivas.
1. Introducción
En la última semana, hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY. Nuestras conclusiones son las siguientes.
Creemos que AI16Z seguirá dominando. El valor de Eliza (con una participación de mercado de aproximadamente el 60% y un valor de mercado de más de mil millones de dólares) radica en su ventaja de ser pionera (efecto Lindy) y en su uso por un número creciente de desarrolladores; 193 contribuyentes, 1800 bifurcaciones y más de 6000 estrellas son datos que lo demuestran, convirtiéndolo en uno de los repositorios de código más populares en Github.
Hasta ahora, el desarrollo de GAME (con una participación de mercado de aproximadamente el 20% y un valor de mercado de aproximadamente 300 millones de dólares) ha sido muy exitoso, logrando una rápida adopción. Como acaba de anunciar VIRTUAL, la plataforma cuenta con más de 200 proyectos, 150,000 solicitudes diarias y una tasa de crecimiento semanal del 200%. GAME continuará beneficiándose del auge de VIRTUAL y se convertirá en uno de los mayores ganadores de su ecosistema.
Rig (ARC, con una participación de mercado de aproximadamente 15% y una capitalización de mercado de aproximadamente 160 millones de dólares) es muy llamativo, ya que su diseño modular es muy fácil de operar y puede dominar como un "pure-play" en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente 5%, y una capitalización de mercado de alrededor de 300 millones de dólares) es una aplicación relativamente nicho, dirigida al entusiasta de la comunidad ZEREBRO, y su reciente colaboración con la comunidad ai16z podría generar sinergias.
Hemos observado que nuestro cálculo de participación de mercado abarca la capitalización de mercado, los registros de desarrollo y el mercado de sistemas operativos subyacentes.
Creemos que, en este ciclo de mercado, el mercado de marcos segmentados será el área de más rápido crecimiento, con un valor total de mercado de 1,7 mil millones de dólares que podría fácilmente crecer a 20 mil millones de dólares, lo cual sigue siendo relativamente conservador en comparación con la valoración pico de L1 en 2021, cuando muchas valoraciones de L1 superaron los 20 mil millones de dólares. Aunque estos marcos sirven a diferentes mercados finales (cadena/ecosistema), creemos que dado que este campo está en una tendencia ascendente constante, el enfoque de capitalización de mercado ponderada podría ser el más prudente.
2、Cuatro grandes marcos
En la tabla a continuación, hemos enumerado las tecnologías clave, componentes y ventajas de los principales marcos.
(1) Resumen del marco
En la intersección de AI X Crypto, hay varios marcos que facilitan el desarrollo de la IA. SON ELIZA PARA AI16Z, RIG PARA ARC, ZEREBRO PARA ZEREPY Y VIRTUAL PARA GAME. Cada marco aborda diferentes necesidades y filosofías en el proceso de desarrollo de agentes de IA, desde proyectos comunitarios de código abierto hasta soluciones de nivel empresarial centradas en el rendimiento.
Este artículo primero presenta los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, cuáles son sus funciones únicas y cuáles son los posibles casos de uso de los marcos. Luego, comparamos cada marco en términos de usabilidad, escalabilidad, adaptabilidad y rendimiento, explorando sus respectivas ventajas y limitaciones.
ELIZA (desarrollado por ai16z)
Eliza es un marco de simulación de múltiples agentes de código abierto, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Está desarrollado en el lenguaje de programación TypeScript y proporciona una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.
Las funciones centrales de este marco incluyen una arquitectura multiagente que admite el despliegue y gestión simultáneos de múltiples personalidades de IA únicas, así como un sistema de roles que crea diferentes agentes utilizando un marco de archivos de roles, además de ofrecer funciones de gestión de memoria a largo plazo y consciente del contexto a través de un sistema de mejora de generación con recuperación avanzada (RAG). Además, el marco Eliza también proporciona una integración fluida de la plataforma, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
Cuando se trata de las capacidades de comunicación y medios de los agentes de IA, Eliza es una excelente opción. En términos de comunicación, el marco admite integraciones con la función de canal de voz de Discord, la función X, Telegram y el acceso directo a las API para casos de uso personalizados. Por otro lado, las capacidades de procesamiento de medios del marco se pueden ampliar a la lectura y el análisis de documentos PDF, la extracción y el resumen de contenido de enlaces, la transcripción de audio, el procesamiento de contenido de video, el análisis de imágenes y el resumen de conversaciones para manejar de manera eficiente una amplia gama de entradas y salidas de medios.
El marco Eliza proporciona soporte flexible para modelos de IA a través de la inferencia local para modelos de código abierto, la inferencia en la nube para OpenAI y configuraciones predeterminadas como Nous Hermes Llama 3.1B, e integra soporte para que Claude maneje tareas complejas. La arquitectura modular de Eliza con una amplia gama de sistemas operativos, soporte al cliente personalizado y API integrales garantiza la escalabilidad y la adaptabilidad entre aplicaciones.
Los casos de uso de Eliza abarcan múltiples campos, como: asistentes de IA para atención al cliente, revisión de comunidades y tareas personales, así como creadores de contenido automático, robots interactivos y representantes de marcas en roles de redes sociales. También puede actuar como un trabajador del conocimiento, desempeñando roles como asistente de investigación, analista de contenido y procesador de documentos, y apoyando formas de roles interactivos como robots de juego de roles, tutores educativos y agentes.
La arquitectura de Eliza se construye en torno a un tiempo de ejecución de agente (agent runtime), que se integra sin problemas con su sistema de roles (respaldado por proveedores de modelos), el gestor de memoria (conectado a la base de datos) y el sistema operativo (enlace con el cliente de la plataforma). Las características únicas de este marco incluyen un sistema de plugins que soporta la expansión funcional modular, interacciones multimodales que incluyen voz, texto y medios, y es compatible con modelos de IA líderes (como Llama, GPT-4 y Claude). Con su diseño versátil y potente, Eliza se destaca como una poderosa herramienta para el desarrollo de aplicaciones de IA en múltiples dominios.
G.A.M.E (desarrollado por Virtuals Protocol)
El marco de entidades multimodales autónomas generativas (G.A.M.E) tiene como objetivo proporcionar a los desarrolladores acceso a API y SDK para experimentos con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y el proceso de aprendizaje de los agentes de IA.
Sus componentes principales son los siguientes: primero, la Interfaz de Sugerencias de Agente (Agent Prompting Interface) es el punto de entrada para que los desarrolladores integren GAME en el agente y accedan al comportamiento del agente. El Subsistema de Percepción (Perception Subsystem) inicia la sesión mediante parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes.
Combina la información entrante en un formato adecuado para el motor de planificación estratégica (Strategic Planning Engine) que actúa como un mecanismo de entrada sensorial para el agente de IA, ya sea en forma de diálogo o reacción. Su núcleo es el módulo de procesamiento de diálogos, que se encarga de gestionar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder eficazmente a la entrada.
El motor de planificación estratégica funciona junto con el módulo de procesamiento de conversaciones y los operadores de billeteras en cadena para generar respuestas y planes. El motor funciona en dos niveles: como un planificador de alto nivel para crear una estrategia amplia basada en el contexto o los objetivos; Estas políticas se convierten en políticas accionables como políticas de bajo nivel, que a su vez se dividen en planificadores de acciones para tareas especificadas y ejecutores de programación para realizar tareas.
Otro componente independiente pero importante es el World Context (Contexto Mundial), que hace referencia al entorno, la información global y el estado del juego, proporcionando el contexto necesario para las decisiones del agente. Además, el Agent Repository (Repositorio de Agentes) se utiliza para almacenar atributos a largo plazo, como objetivos, reflexiones, experiencias y personalidad, que en conjunto moldean el comportamiento y el proceso de toma de decisiones del agente.
Este marco utiliza procesadores de memoria de trabajo a corto y a largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos previos, resultados y planes actuales. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, actualidad y relevancia. La memoria a largo plazo almacena conocimientos sobre la experiencia del agente, la reflexión, la personalidad dinámica, el contexto mundial y la memoria de trabajo para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
El módulo de aprendizaje utiliza datos del subsistema de percepción para generar conocimientos generales, los cuales se retroalimentan al sistema para mejorar interacciones futuras. Los desarrolladores pueden introducir a través de la interfaz comentarios sobre acciones, estados del juego y datos sensoriales para mejorar la capacidad de aprendizaje del agente de IA, aumentando su capacidad de planificación y toma de decisiones.
El flujo de trabajo comienza con los desarrolladores interactuando a través de la interfaz de indicaciones del agente. La entrada es procesada por el subsistema de percepción y se reenvía al módulo de procesamiento de diálogos, que se encarga de gestionar la lógica de interacción. Luego, el motor de planificación estratégica elabora y ejecuta planes basados en esta información, utilizando estrategias de alto nivel y planes de acción detallados.
Los datos del contexto mundial y del repositorio de agentes notifican a estos procesos, mientras que la memoria de trabajo rastrea tareas instantáneas. Al mismo tiempo, el procesador de memoria a largo plazo almacena y recupera conocimientos a largo plazo. El módulo de aprendizaje analiza los resultados e integra nuevos conocimientos en el sistema, lo que permite una mejora continua del comportamiento y la interacción del agente.
RIG (desarrollado por ARC)
Rig es un marco de código abierto en Rust, diseñado para simplificar el desarrollo de aplicaciones de grandes modelos de lenguaje. Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM, como OpenAI y Anthropic, y admite varios almacenes de vectores, incluidos MongoDB y Neo4j. La singularidad de la arquitectura modular de este marco radica en sus componentes centrales, como la capa de abstracción del proveedor (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, para facilitar la interacción sin problemas con los LLM.
La audiencia principal de Rig incluye desarrolladores que crean aplicaciones de IA/ML utilizando Rust, seguidos de organizaciones que buscan integrar múltiples proveedores de LLM y tiendas de vectores en sus propias aplicaciones de Rust. El repositorio utiliza una arquitectura de espacio de trabajo con varias cajas para respaldar la escalabilidad y la gestión eficiente de proyectos. Su característica clave es la capa de abstracción del proveedor, que proporciona estandarización para completar e incrustar API entre diferentes proveedores de LLM con un manejo de errores consistente. El componente Integración de Vector Store proporciona una interfaz abstracta para múltiples backends y admite búsquedas de similitud vectorial. El sistema de agentes simplifica las interacciones de LLM, admite la generación mejorada de recuperación (RAG) y la integración de herramientas. Además, el marco de incrustación proporciona capacidades de procesamiento por lotes y operaciones de incrustación para la seguridad de tipos.
Rig aprovecha una serie de ventajas técnicas para garantizar la fiabilidad y el rendimiento. Las operaciones asíncronas aprovechan el tiempo de ejecución asíncrono de Rust para manejar de manera eficiente una gran cantidad de solicitudes simultáneas. El mecanismo de control de errores inherente al marco mejora la resistencia a las operaciones fallidas del proveedor de IA o de la base de datos. La seguridad de tipos puede evitar errores en el proceso de compilación, mejorando así la capacidad de mantenimiento del código. Los procesos eficientes de serialización y deserialización admiten el procesamiento de datos en formatos como JSON, que es esencial para la comunicación y el almacenamiento de servicios de IA. El registro detallado y la instrumentación ayudan aún más en la depuración y supervisión de aplicaciones.
El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, la cual interactúa con el modelo LLM adecuado a través de la capa de abstracción del proveedor. Luego, los datos son procesados por la capa central, donde el agente puede utilizar herramientas o acceder al almacenamiento de vectores de contexto. La respuesta se genera y refina a través de un complejo flujo de trabajo (como RAG) antes de ser devuelta al cliente, un proceso que involucra la recuperación de documentos y la comprensión del contexto. El sistema integra múltiples proveedores de LLM y almacenamiento de vectores, siendo adaptable a la disponibilidad o actualizaciones de rendimiento del modelo.
Los casos de uso de Rig son diversos, incluyendo sistemas de preguntas y respuestas que recuperan documentos relevantes para proporcionar respuestas precisas, sistemas de búsqueda y recuperación de documentos para un descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que ofrecen interacciones contextualizadas para atención al cliente o educación. También soporta la generación de contenido, apoyando la creación de textos y otros materiales basados en modos de aprendizaje, convirtiéndolo en una herramienta versátil para desarrolladores y organizaciones.
Zerepy (desarrollado por ZEREPY y blorm)
ZerePy es un marco de código abierto escrito en el lenguaje Python que tiene como objetivo desplegar agentes en X utilizando OpenAI o LLM antrópicos. Derivado de una versión modular del backend de Zerebro, ZerePy permite a los desarrolladores lanzar agentes con funcionalidades básicas similares a las de Zerebro. Si bien el marco proporciona la base para la implementación de agentes, el ajuste del modelo es esencial para generar resultados creativos. ZerePy simplifica el desarrollo y la implementación de agentes de IA personalizados, especialmente para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo impulsado por IA para el arte y las aplicaciones descentralizadas.
Este marco está desarrollado en Python, enfatizando la autonomía del agente y centrándose en la generación de salidas creativas, manteniendo la coherencia con la arquitectura de ELIZA y su relación de colaboración con ELIZA. Su diseño modular admite la integración de sistemas de memoria y permite el despliegue de agentes en plataformas sociales. Las funciones principales incluyen una interfaz de línea de comandos para la gestión de agentes, integración con Twitter, soporte para los LLM de OpenAI y Anthropic, así como un sistema de conexión modular para mejorar las funcionalidades.
Los casos de uso de ZerePy abarcan el ámbito de la automatización de las redes sociales, donde los usuarios pueden desplegar agentes de IA para publicar, responder, dar me gusta y retuitear para aumentar la participación en la plataforma. Además, se ocupa de la creación de contenidos en áreas como la música, los memes y los NFT, lo que lo convierte en una herramienta importante para el arte digital y las plataformas de contenidos basados en blockchain.
(2) Comparación de los cuatro grandes marcos
A nuestro parecer, cada marco ofrece un enfoque único para el desarrollo de inteligencia artificial, adaptándose a necesidades y entornos específicos, y hemos trasladado el enfoque de la competencia entre estos marcos a la singularidad de cada uno.
ELIZA se destaca por su interfaz amigable para el usuario, especialmente para los desarrolladores familiarizados con el entorno de JavaScript y Node.js. Su documentación integral ayuda a configurar agentes de inteligencia artificial en diversas plataformas, aunque su amplia gama de funcionalidades puede presentar una curva de aprendizaje. Desarrollado en TypeScript, Eliza es una opción ideal para construir agentes integrados en la web, ya que la mayoría de la infraestructura web tiene su frontend desarrollado en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, que puede desplegar diferentes personalidades de inteligencia artificial en plataformas como Discord, X y Telegram. Su avanzado sistema de gestión de memoria RAG lo hace especialmente efectivo para asistentes de inteligencia artificial en aplicaciones de soporte al cliente o redes sociales. Aunque ofrece flexibilidad, un fuerte apoyo comunitario y un rendimiento consistente en múltiples plataformas, todavía se encuentra en una etapa temprana, lo que puede representar una curva de aprendizaje para los desarrolladores.
GAME está diseñado específicamente para desarrolladores de juegos, ofreciendo interfaces de bajo código o sin código a través de API, permitiendo que los usuarios con menor nivel técnico en el ámbito de los juegos también puedan utilizarlo. Sin embargo, se centra en el desarrollo de juegos y la integración con blockchain, lo que puede presentar una curva de aprendizaje pronunciada para aquellos sin experiencia relevante. Se destaca en la generación de contenido programático y en el comportamiento de NPCs, pero está limitado por la complejidad añadida por su nicho y la integración con blockchain.
Debido al uso del lenguaje Rust, Rig puede no ser muy fácil de usar dada la complejidad del lenguaje, lo que presenta un desafío de aprendizaje significativo, pero tiene una interacción intuitiva para aquellos que dominan la programación de sistemas. A diferencia de TypeScripe, el lenguaje de programación en sí es conocido por su rendimiento y seguridad de memoria. Cuenta con rigurosas comprobaciones en tiempo de compilación y abstracciones de coste cero, que son necesarias para ejecutar algoritmos de IA complejos. El lenguaje es muy eficiente y su bajo grado de control lo hace ideal para aplicaciones de IA que consumen muchos recursos. El marco proporciona una solución de alto rendimiento con un diseño modular y escalable, lo que lo hace ideal para aplicaciones empresariales. Sin embargo, para los desarrolladores que no están familiarizados con Rust, el uso de Rust conducirá inevitablemente a una curva de aprendizaje empinada.
ZerePy utiliza Python, proporcionando alta disponibilidad para tareas de IA creativa, la curva de aprendizaje para desarrolladores de Python es baja, especialmente para aquellos con experiencia en AI/ML, y se beneficia de un fuerte apoyo comunitario gracias a la comunidad cripto de Zerebro. ZerePy se especializa en aplicaciones de inteligencia artificial creativa como NFT, posicionándose como una poderosa herramienta para los medios digitales y el arte. Aunque prospera en creatividad, su alcance es relativamente estrecho en comparación con otros marcos.
En términos de escalabilidad, ELIZA ha logrado avances significativos en su actualización V2, introduciendo una línea de mensajes unificada y un marco central escalable que permite una gestión efectiva a través de múltiples plataformas. Sin embargo, si no se optimiza, esta gestión de la interacción multiplataforma puede presentar desafíos en términos de escalabilidad.
GAME se destaca en el procesamiento en tiempo real requerido por los juegos, y la escalabilidad se gestiona a través de algoritmos eficientes y sistemas distribuidos de blockchain potenciales, aunque puede verse limitada por motores de juego específicos o redes de blockchain.
El marco Rig aprovecha el rendimiento de escalabilidad de Rust y está diseñado para aplicaciones de alto rendimiento, lo que es particularmente efectivo para implementaciones de nivel empresarial, aunque esto puede significar que lograr una verdadera escalabilidad requiere una configuración compleja.
La escalabilidad de Zerepy está orientada a la producción creativa, con el apoyo de contribuciones de la comunidad, pero su enfoque central podría limitar su aplicación en un entorno de inteligencia artificial más amplio. La escalabilidad podría verse desafiada por la diversidad de tareas creativas en lugar del número de usuarios.
En términos de adaptabilidad, ELIZA lidera con su sistema de plugins y compatibilidad multiplataforma, mientras que GAME en su entorno de juego y Rig para manejar tareas complejas de IA también son excelentes. ZerePy muestra una alta adaptabilidad en el ámbito creativo, pero no es tan adecuado para aplicaciones de inteligencia artificial más amplias.
En términos de rendimiento, ELIZA ha sido optimizado para interacciones rápidas en redes sociales, donde el tiempo de respuesta rápido es clave, pero su desempeño puede variar al manejar tareas computacionales más complejas.
GAME desarrollado por Virtual Protocol se centra en la interacción en tiempo real de alto rendimiento en escenarios de juego, utilizando un proceso de toma de decisiones eficiente y potenciales operaciones de inteligencia artificial descentralizada a través de blockchain.
El marco Rig, basado en el lenguaje Rust, ofrece un rendimiento excepcional para tareas de computación de alto rendimiento, siendo adecuado para aplicaciones empresariales donde la eficiencia computacional es crucial.
El rendimiento de Zerepy está diseñado a medida para la creación de contenido creativo, con métricas centradas en la eficiencia y calidad de la generación de contenido, que pueden no ser tan aplicables fuera del ámbito creativo.
La ventaja de ELIZA es que ofrece flexibilidad y escalabilidad, gracias a su sistema de complementos y la configuración de roles, lo que le confiere una alta adaptabilidad, favoreciendo la interacción social de IA en múltiples plataformas.
GAME ofrece capacidades únicas de interacción en tiempo real en el juego, mejorando la novedosa participación de la IA a través de la integración de blockchain.
Las ventajas de Rig radican en su rendimiento y escalabilidad para tareas de inteligencia artificial empresarial, con un enfoque en proporcionar código modular limpio para la salud de proyectos a largo plazo.
Zerepy se especializa en cultivar la creatividad, liderando en la aplicación de inteligencia artificial en el arte digital, y cuenta con un modelo de desarrollo impulsado por una comunidad vibrante.
Cada marco tiene sus propias limitaciones. ELIZA todavía está en una etapa temprana, presenta problemas de estabilidad potenciales y una curva de aprendizaje para nuevos desarrolladores. Los juegos de nicho pueden limitar una aplicación más amplia, y la blockchain añade complejidad. Rig, debido a la pronunciada curva de aprendizaje de Rust, puede asustar a algunos desarrolladores, mientras que el enfoque limitado de Zerepy en la producción creativa puede restringir su uso en otros campos de la IA.
(3) Resumen de comparación del marco
Aparejo (ARC):
Lenguaje: Rust, enfocado en la seguridad y el rendimiento.
Caso de uso: la elección ideal para aplicaciones de IA empresariales, ya que se centra en la eficiencia y la escalabilidad.
Comunidad: no está muy impulsada por la comunidad, se centra más en los desarrolladores de tecnología.
Eliza (AI16Z)：
Lenguaje: TypeScript, enfatizando la flexibilidad de web3 y la participación de la comunidad.
Caso de uso: diseñado para interacciones sociales, DAO y transacciones, con un enfoque especial en sistemas multiagente.
Comunidad: altamente impulsada por la comunidad, con amplia participación en GitHub.
ZerePy (ZEREBRO)：
Lenguaje: Python, para hacerlo accesible a una base de desarrolladores de IA más amplia.
Caso de uso: Adecuado para la automatización de redes sociales y tareas más sencillas de los agentes de IA.
Comunidad: relativamente nueva, pero se espera que crezca debido a la popularidad de Python y al apoyo de los contribuyentes de AI16Z.
JUEGO (VIRTUAL):
Enfoque: agentes de inteligencia artificial autónomos y adaptativos que pueden evolucionar según las interacciones en entornos virtuales.
Caso de uso: el más adecuado para el aprendizaje y la adaptación de agentes de IA en escenarios como juegos o mundos virtuales.
Comunidad: comunidad innovadora, pero aún en proceso de determinar su posición en la competencia.
3、Tendencia de datos de estrellas en Github
La imagen anterior muestra los datos de estrellas de GitHub desde el lanzamiento de estos marcos. Es importante señalar que las estrellas de GitHub son un indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.
ELIZA (línea roja):
Desde una base baja en julio hasta un gran aumento en el número de estrellas a finales de noviembre (61.000 estrellas), esto indica un rápido aumento en el interés y atrae la atención de los desarrolladores. Este crecimiento exponencial muestra que ELIZA ha ganado una gran tracción gracias a sus características, actualizaciones y participación de la comunidad. Su popularidad supera con creces a la de otros competidores, lo que sugiere que tiene un fuerte apoyo de la comunidad y una aplicabilidad o interés más amplios en la comunidad de IA.
RIG (línea azul):
Rig es el marco más antiguo de los cuatro grandes, su número de estrellas es moderado pero ha estado creciendo continuamente, y es muy probable que aumente considerablemente en el próximo mes. Ha alcanzado las 1700 estrellas, pero sigue en aumento. El desarrollo continuo, las actualizaciones y el creciente número de usuarios son la razón por la cual el interés de los usuarios sigue acumulándose. Esto puede reflejar que el marco tiene un público pequeño o que todavía está acumulando reputación.
ZEREPY (línea amarilla):
ZerePy se lanzó hace unos días y ya ha acumulado 181 estrellas. Es importante destacar que ZerePy necesita más desarrollo para mejorar su visibilidad y tasa de adopción. La colaboración con AI16Z podría atraer a más contribuyentes de código.
JUEGO (línea verde) :
Este proyecto tiene la menor cantidad de estrellas, y es importante señalar que este marco se puede aplicar directamente a los proxies en el ecosistema virtual a través de la API, eliminando así la necesidad de visibilidad en Github. Sin embargo, este marco solo se abrió a los constructores hace poco más de un mes, y hay más de 200 proyectos que están utilizando GAME para construir.
4. Razones para ser optimista sobre el marco
La versión V2 de Eliza integrará el kit de herramientas de agentes de Coinbase. Todos los proyectos que utilicen Eliza en el futuro soportarán TEE nativo, permitiendo que los agentes operen en un entorno seguro. Una de las características próximas de Eliza es el registro de plugins (Plugin Registry), que permitirá a los desarrolladores registrar e integrar plugins de manera fluida.
Además, Eliza V2 admitirá la mensajería anónima automatizada entre plataformas. Se espera que el libro blanco de la economía de tokens se publique el 1 de enero de 2025, lo que probablemente tendrá un impacto positivo en el token AI16Z subyacente al marco de Eliza. AI16Z planea seguir mejorando la utilidad del marco y continuar atrayendo talento de alta calidad, y los esfuerzos de sus principales contribuyentes ya han demostrado que tiene esta capacidad.
El marco GAME proporciona integración sin código para los agentes, permitiendo el uso simultáneo de GAME y ELIZA en un solo proyecto, cada uno sirviendo a un propósito específico. Este enfoque promete atraer a los constructores que se enfocan en la lógica empresarial en lugar de la complejidad técnica. A pesar de que el marco solo se ha publicado públicamente durante unos 30 días, ha logrado un progreso sustancial con el esfuerzo del equipo por atraer más apoyo de contribuyentes. Se espera que todos los proyectos que se inicien en VIRTUAL utilicen GAME.
El Rig representado por el token ARC tiene un gran potencial, aunque su marco aún se encuentra en una etapa temprana de crecimiento y el plan para impulsar la adopción del proyecto se lanzó hace apenas unos días. Se espera que pronto surjan proyectos de alta calidad que adopten ARC, similares a Virtual Flywheel, pero con un enfoque en Solana. El equipo es optimista sobre la colaboración con Solana, comparando la relación entre ARC y Solana con la de Virtual y Base. Cabe destacar que el equipo no solo alienta a los nuevos proyectos a utilizar Rig para su lanzamiento, sino que también anima a los desarrolladores a mejorar el marco de Rig en sí.
Zerepy es un nuevo marco lanzado recientemente, que está ganando cada vez más atención debido a su relación de colaboración con Eliza. Este marco ha atraído a los contribuyentes de Eliza, quienes están trabajando activamente en su mejora. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades para los desarrolladores de Python, quienes anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco jugará un papel importante en la creatividad de la IA.