Autor: Deep Value Memetics, Tradução: Jinse Caijing xiaozou
Neste artigo, iremos explorar as perspectivas do framework Crypto X AI. Vamos focar nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas respectivas diferenças técnicas.
1. Introdução
Na última semana, nós testámos e investigámos quatro principais estruturas Crypto X AI: ELIZA, GAME, ARC e ZEREPY, e chegámos às seguintes conclusões.
Acreditamos que o AI16Z continuará a dominar. O valor da Eliza (com uma participação de mercado de cerca de 60% e um valor de mercado superior a 1 bilhão de dólares) reside na sua vantagem de primeiro a entrar (efeito Lindy) e no crescente número de desenvolvedores que a utilizam. 193 contribuidores, 1800 bifurcações e mais de 6000 estrelas são dados que provam isso, tornando-a uma das bibliotecas de código mais populares no Github.
Até agora, o desenvolvimento do GAME (com uma participação de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, obtendo uma rápida adoção, como acaba de anunciar a VIRTUAL, que tem mais de 200 projetos, 150.000 solicitações diárias e uma taxa de crescimento semanal de 200%. O GAME continuará a beneficiar-se da ascensão da VIRTUAL e se tornará um dos maiores vencedores em seu ecossistema.
Rig (ARC, com uma quota de mercado de cerca de 15%, capitalização de mercado de cerca de 160 milhões de dólares) é muito impressionante, pois seu design modular é muito fácil de operar e pode dominar como um "pure-play" no ecossistema Solana (RUST).
Zerepy (quota de mercado de cerca de 5%, valor de mercado de cerca de 300 milhões de dólares) é um aplicativo relativamente nichado, direcionado à entusiástica comunidade ZEREBRO, cuja recente colaboração com a comunidade ai16z pode gerar sinergias.
Notamos que o nosso cálculo de quota de mercado abrange o valor de mercado, registos de desenvolvimento e o mercado de terminais de sistemas operativos subjacentes.
Acreditamos que, neste ciclo de mercado, o mercado de estruturas será a área de crescimento mais rápido, com um valor de mercado total de 1,7 bilhões de dólares que pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação de pico do L1 em 2021, quando muitas avaliações de L1 ultrapassaram os 20 bilhões de dólares. Embora essas estruturas atendam a diferentes mercados finais (cadeia/ecossistema), dado que acreditamos que essa área está em uma tendência de alta constante, um método ponderado pelo valor de mercado pode ser o mais prudente.
2, Quatro grandes estruturas
Na tabela abaixo, listamos as principais tecnologias, componentes e vantagens de cada um dos principais frameworks.
(1) Visão Geral do Quadro
No campo de interseção entre AI e Crypto, existem várias estruturas que promovem o desenvolvimento da AI. Elas são ELIZA da AI16Z, RIG da ARC, ZEREBRO da ZEREPY, e VIRTUAL da GAME. Cada estrutura atende a diferentes necessidades e conceitos no processo de desenvolvimento de agentes de AI, desde projetos da comunidade de código aberto até soluções empresariais focadas em desempenho.
Este artigo começa com uma introdução aos frameworks, o que são, quais linguagens de programação eles usam, arquiteturas técnicas, algoritmos, quais recursos exclusivos eles têm e quais casos de uso potenciais o framework pode usar. Em seguida, comparamos cada estrutura em termos de disponibilidade, escalabilidade, adaptabilidade e desempenho, explorando seus pontos fortes e limitações.
ELIZA (desenvolvido pela ai16z)
Eliza é uma estrutura de simulação multi-agente de código aberto, destinada a criar, implantar e gerenciar agentes de IA autônomos. Foi desenvolvida na linguagem de programação TypeScript, proporcionando uma plataforma flexível e escalável para a construção de agentes inteligentes que conseguem interagir com humanos em várias plataformas, mantendo uma personalidade e conhecimento consistentes.
As funcionalidades principais deste framework incluem uma arquitetura multi-agente que suporta a implementação e gestão simultânea de múltiplas personalidades de IA únicas, assim como um sistema de papéis que cria diferentes agentes utilizando um framework de ficheiros de papéis, além de funcionalidades de gestão de memória a longo prazo e de consciência contextual através de um sistema de Recuperação Aumentada (RAG). Além disso, o framework Eliza oferece uma integração suave da plataforma, permitindo uma conexão fiável com o Discord, X e outras plataformas de redes sociais.
Quando se trata das capacidades de comunicação e mídia dos agentes de IA, Eliza é uma excelente escolha. Em termos de comunicação, a estrutura suporta integrações com o recurso de canal de voz do Discord, recurso X, Telegram e acesso direto a APIs para casos de uso personalizados. Por outro lado, os recursos de processamento de mídia da estrutura podem ser estendidos para leitura e análise de documentos PDF, extração e resumo de conteúdo de links, transcrição de áudio, processamento de conteúdo de vídeo, análise de imagens e resumo de conversas para lidar com eficiência com uma ampla gama de entradas e saídas de mídia.
O framework Eliza fornece suporte flexível a modelos de IA através da inferência local de modelos de código aberto, da inferência em nuvem da OpenAI e de configurações padrão (como Nous Hermes Llama 3.1B), e integra suporte ao Claude para o processamento de tarefas complexas. O Eliza adota uma arquitetura modular, com amplo suporte a sistemas operacionais, clientes personalizados e uma API abrangente, garantindo escalabilidade e adaptabilidade entre as aplicações.
Os casos de uso da Eliza abrangem vários domínios, como: assistentes de IA para suporte ao cliente, moderação de comunidades e tarefas pessoais, bem como criadores de conteúdo automatizado, robôs interativos e representantes de marca em redes sociais. Também pode atuar como trabalhador do conhecimento, desempenhando funções como assistente de pesquisa, analista de conteúdo e processador de documentos, além de apoiar robôs de interpretação de papéis, tutores educacionais e agentes de representação.
A arquitetura do Eliza é construída em torno do tempo de execução do agente (agent runtime), que se integra perfeitamente com seu sistema de papéis (suportado por provedores de modelos), gerenciador de memória (conectado a um banco de dados) e sistema operacional (conectado ao cliente da plataforma). As características únicas deste framework incluem um sistema de plugins que suporta extensões funcionais modulares, suporte a interações multimodais, como voz, texto e mídia, e compatibilidade com os principais modelos de IA (como Llama, GPT-4 e Claude). Com seu design versátil e poderoso, o Eliza se destaca como uma ferramenta robusta para o desenvolvimento de aplicações de IA em diversos campos.
G.A.M.E (desenvolvido pelo Virtuals Protocol)
A estrutura de Entidades Multimodais Autônomas Geradas (G.A.M.E) tem como objetivo fornecer aos desenvolvedores acesso a APIs e SDKs para experimentos com agentes de IA. Esta estrutura oferece uma abordagem estruturada para gerenciar o comportamento, a tomada de decisões e o processo de aprendizado dos agentes de IA.
Os componentes principais são os seguintes: primeiro, a Interface de Prompting do Agente (Agent Prompting Interface) é o ponto de entrada para os desenvolvedores acessarem o comportamento do agente ao integrar o GAME no agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão através da especificação de parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.
Ele irá compor as informações recebidas em um formato adequado para o motor de planejamento estratégico (Strategic Planning Engine), atuando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou reação. No seu núcleo está o módulo de processamento de diálogos, que é utilizado para lidar com mensagens e respostas do agente, colaborando com o subsistema de percepção para interpretar e responder efetivamente às entradas.
O motor de planejamento estratégico trabalha em conjunto com o módulo de processamento de diálogos e o operador de carteira on-chain para gerar respostas e planos. Este motor possui dois níveis de funcionalidade: como um planejador de alto nível, cria estratégias amplas com base no contexto ou objetivos; como uma estratégia de baixo nível, converte essas estratégias em estratégias acionáveis, que são ainda divididas em planejadores de ações para tarefas específicas e executores de planos para a execução das tarefas.
Há um componente independente, mas importante, que é o World Context (Contexto Mundial), que referencia o ambiente, informações globais e o estado do jogo, fornecendo o contexto necessário para as decisões do agente. Além disso, o Agent Repository (Repositório de Agentes) é utilizado para armazenar atributos a longo prazo, como objetivos, reflexões, experiências e personalidade, que juntos moldam o comportamento e o processo de decisão do agente.
A estrutura utiliza processadores de memória de curto e longo prazo. A memória de curto prazo retém informações relevantes sobre comportamentos anteriores, resultados e planos atuais. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, recência e relevância. A memória de longo prazo armazena conhecimentos da experiência, reflexão, personalidade dinâmica, contexto mundial e memória de trabalho do agente, para aprimorar a tomada de decisões e fornecer uma base para a aprendizagem.
O módulo de aprendizagem utiliza dados do subsistema de percepção para gerar conhecimentos gerais, que são retroalimentados no sistema para melhorar interações futuras. Os desenvolvedores podem inserir feedback sobre ações, estados de jogo e dados sensoriais através da interface, para aumentar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planeamento e tomada de decisões.
O fluxo de trabalho começa com os desenvolvedores interagindo através da interface de prompts do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogo, que é responsável por gerenciar a lógica da interação. Em seguida, o motor de planejamento estratégico formula e executa planos com base nessas informações, utilizando estratégias de alto nível e planos de ação detalhados.
Os dados do repositório de contexto global e do agente notificam esses processos, enquanto a memória de trabalho rastreia tarefas em tempo real. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimento de longo prazo. O módulo de aprendizado analisa os resultados e integra novos conhecimentos ao sistema, permitindo que o comportamento e as interações do agente sejam continuamente aprimorados.
RIG (desenvolvido pela ARC)
Rig é um framework Rust de código aberto, destinado a simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ele fornece uma interface unificada para interagir com vários fornecedores de LLM, como OpenAI e Anthropic, e suporta vários armazenamentos de vetores, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular deste framework reside em seus componentes centrais, como a camada de abstração de fornecedores (Provider Abstraction Layer), integração de armazenamento de vetores e sistema de agentes, para facilitar a interação sem costura com LLM.
O público principal da Rig inclui desenvolvedores que criam aplicativos de IA/ML usando o Rust, seguidos por organizações que buscam integrar vários provedores de LLM e repositórios vetoriais em seus próprios aplicativos Rust. O repositório usa uma arquitetura de espaço de trabalho com várias caixas para suportar escalabilidade e gerenciamento eficiente de projetos. Sua principal característica é a camada de abstração do provedor, que fornece padronização para completar e incorporar APIs entre diferentes provedores LLM com tratamento consistente de erros. O componente Vetor Store Integration fornece uma interface abstrata para vários backends e suporta pesquisas de semelhança vetorial. O sistema de agente simplifica as interações LLM, suporta Retrieval Enhanced Generation (RAG) e integração de ferramentas. Além disso, a estrutura de incorporação fornece recursos de processamento em lote e operações de incorporação para segurança de tipo.
A Rig aproveita uma série de vantagens técnicas para garantir confiabilidade e desempenho. As operações assíncronas aproveitam o tempo de execução assíncrono do Rust para lidar com eficiência com um grande número de solicitações simultâneas. O mecanismo inerente de tratamento de erros do quadro melhora a resiliência a operações falhadas de provedor de IA ou banco de dados. A segurança de tipo pode evitar erros no processo de compilação, melhorando assim a capacidade de manutenção do código. Processos eficientes de serialização e desserialização suportam o processamento de dados em formatos como JSON, que é essencial para a comunicação e armazenamento de serviços de IA. O registro detalhado e a instrumentação ajudam ainda mais na depuração e monitoramento de aplicativos.
O fluxo de trabalho do Rig começa quando um pedido é iniciado no cliente, e esse pedido interage com o modelo LLM apropriado através da camada de abstração do provedor. Em seguida, os dados são processados pela camada central, onde o agente pode usar ferramentas ou acessar o armazenamento de vetores do contexto. A resposta é gerada e refinada através de um fluxo de trabalho complexo (como RAG) antes de ser devolvida ao cliente, e o processo envolve recuperação de documentos e compreensão do contexto. O sistema integra vários provedores de LLM e armazenamento vetorial, sendo adaptável às atualizações de disponibilidade ou desempenho do modelo.
Os casos de uso do Rig são diversos, incluindo sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, sistemas de pesquisa e recuperação de documentos para descoberta de conteúdos eficiente, e chatbots ou assistentes virtuais que oferecem interações sensíveis ao contexto para atendimento ao cliente ou educação. Também suporta a geração de conteúdo, permitindo a criação de textos e outros materiais com base em modos de aprendizado, tornando-se uma ferramenta versátil para desenvolvedores e organizações.
Zerepy (desenvolvido pela ZEREPY e blorm)
ZerePy é um framework open-source escrito na linguagem Python que visa implantar agentes no X usando OpenAI ou Anthropic LLMs. Derivado de uma versão modular do backend do Zerebro, o ZerePy permite que os desenvolvedores lancem agentes com funcionalidade central semelhante ao Zerebro. Embora a estrutura forneça a base para a implantação do agente, o ajuste fino do modelo é essencial para gerar resultados criativos. O ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, especialmente para a criação de conteúdo em plataformas sociais, promovendo um ecossistema criativo orientado por IA para arte e aplicativos descentralizados.
Esta estrutura é desenvolvida em Python, enfatizando a autonomia do agente e focando na geração de saídas criativas, alinhando-se à arquitetura do ELIZA e à sua relação de colaboração. O seu design modular suporta a integração de sistemas de memória e permite o desdobramento de agentes em plataformas sociais. As principais funcionalidades incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte para LLMs da OpenAI e da Anthropic, e um sistema de conexão modular para funcionalidades aprimoradas.
Os casos de uso do ZerePy abrangem o domínio da automação de mídia social, onde os usuários podem implantar agentes de IA para postar, responder, curtir e retweetar para aumentar o envolvimento da plataforma. Além disso, atende à criação de conteúdo em áreas como música, meme e NFTs, tornando-se uma ferramenta importante para a arte digital e plataformas de conteúdo baseadas em blockchain.
(2) Comparação dos Quatro Principais Quadros
Na nossa opinião, cada estrutura oferece uma abordagem única para o desenvolvimento de inteligência artificial, atendendo a necessidades e ambientes específicos, e mudamos o foco da relação competitiva entre essas estruturas para a singularidade de cada uma delas.
ELIZA se destaca por sua interface amigável, especialmente para desenvolvedores que estão familiarizados com JavaScript e ambientes Node.js. Sua documentação abrangente ajuda a configurar agentes de IA em uma variedade de plataformas, embora seu extenso conjunto de recursos possa vir com uma certa curva de aprendizado. Desenvolvido com TypeScript, torna Eliza ideal para a construção de proxies embutidos na web, já que a maior parte do front-end da infraestrutura web é desenvolvida com TypeScript. A estrutura é conhecida por sua arquitetura multiagente, que pode implantar diferentes personalidades de IA em plataformas como Discord, X e Telegram. Seu avançado sistema RAG gerenciado por memória o torna particularmente eficaz para suporte ao cliente ou assistentes de IA em aplicativos de mídia social. Embora ofereça flexibilidade, forte suporte da comunidade e desempenho consistente entre plataformas, ainda está em seus estágios iniciais e pode representar uma curva de aprendizado para os desenvolvedores.
GAME é projetado especificamente para desenvolvedores de jogos, oferecendo uma interface de baixo código ou sem código por meio de API, permitindo que usuários com menos conhecimento técnico no campo dos jogos também possam utilizá-lo. No entanto, ele se concentra no desenvolvimento de jogos e na integração com blockchain, o que pode representar uma curva de aprendizado íngreme para aqueles sem experiência relevante. Destaca-se na geração de conteúdo programático e no comportamento de NPCs, mas é limitado pela complexidade adicional trazida por seu nicho e pela integração com blockchain.
Devido ao uso da linguagem Rust, o Rig pode não ser muito fácil de usar, dada a complexidade da linguagem, que apresenta um desafio de aprendizagem significativo, mas tem interação intuitiva para aqueles que são proficientes em programação de sistemas. Em contraste com o TypeScripe, a linguagem de programação em si é conhecida por seu desempenho e segurança de memória. Ele tem verificações rigorosas em tempo de compilação e abstrações de custo zero, que são necessárias para executar algoritmos complexos de IA. A linguagem é altamente eficiente e seu baixo grau de controle a torna ideal para aplicações de IA com uso intensivo de recursos. A estrutura fornece uma solução de alto desempenho com um design modular e escalável, tornando-a ideal para aplicações empresariais. No entanto, para os desenvolvedores que não estão familiarizados com Rust, usar Rust inevitavelmente levará a uma curva de aprendizado íngreme.
ZerePy utiliza Python, oferecendo alta disponibilidade para tarefas de IA criativa, com uma curva de aprendizado baixa para desenvolvedores Python, especialmente para aqueles com formação em IA/ML, e beneficia-se de um forte suporte comunitário devido à comunidade de criptomoedas Zerebro. ZerePy é especializado em aplicações de inteligência artificial criativa, como NFTs, posicionando-se como uma poderosa ferramenta para mídia digital e arte. Embora prospere em criatividade, seu escopo é relativamente estreito em comparação com outros frameworks.
Em termos de escalabilidade, a ELIZA fez progressos significativos na sua atualização V2, introduzindo uma linha de mensagens unificada e uma estrutura central escalável, que suporta uma gestão eficaz em várias plataformas. No entanto, sem otimização, essa gestão da interação entre plataformas pode apresentar desafios em termos de escalabilidade.
O GAME destaca-se no processamento em tempo real necessário para os jogos, a escalabilidade é gerida através de algoritmos eficientes e um potencial sistema distribuído de blockchain, embora possa ser limitada por motores de jogo específicos ou redes de blockchain.
O framework Rig utiliza a performance de escalabilidade do Rust, projetado para aplicações de alto throughput, o que é especialmente eficaz para implementações em nível empresarial, embora isso possa significar que alcançar uma verdadeira escalabilidade requer configurações complexas.
A escalabilidade do Zerepy é voltada para a produção criativa, com o apoio da contribuição da comunidade, mas seu foco pode limitar sua aplicação em um ambiente de inteligência artificial mais amplo, e a escalabilidade pode ser desafiada pela diversidade das tarefas criativas em vez do número de usuários.
Em termos de adaptabilidade, o ELIZA lidera com seu sistema de plugins e compatibilidade entre plataformas, enquanto o GAME no ambiente de jogo e o Rig para lidar com tarefas complexas de IA também são excelentes. O ZerePy demonstra alta adaptabilidade no domínio criativo, mas não é tão adequado para aplicações de inteligência artificial mais amplas.
Em termos de desempenho, o ELIZA foi otimizado para interações rápidas em mídias sociais, onde o tempo de resposta rápido é crucial, mas ao lidar com tarefas computacionais mais complexas, seu desempenho pode variar.
O GAME desenvolvido pela Virtual Protocol foca na interação em tempo real de alto desempenho em cenários de jogos, utilizando um processo de decisão eficiente e blockchain potencial para operações de inteligência artificial descentralizada.
O framework Rig é baseado na linguagem Rust, oferecendo um desempenho excelente para tarefas de computação de alto desempenho, adequado para aplicações empresariais onde a eficiência de cálculo é crucial.
O desempenho do Zerepy é personalizado para a criação de conteúdos criativos, com métricas centradas na eficiência e qualidade da geração de conteúdos, podendo não ser tão aplicável fora do campo criativo.
A vantagem do ELIZA é oferecer flexibilidade e escalabilidade, proporcionando uma alta adaptabilidade através do seu sistema de plugins e configuração de papéis, favorecendo a interação social de IA entre plataformas.
O GAME oferece uma funcionalidade de interação em tempo real única nos jogos, aprimorada pela integração da blockchain com a participação inovadora de IA.
A vantagem do Rig reside na sua performance e escalabilidade para tarefas de inteligência artificial empresarial, com foco em fornecer código modular limpo para a saúde de projetos de longo prazo.
A Zerepy é especializada em cultivar a criatividade, está na vanguarda da aplicação de inteligência artificial em arte digital e é apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.
Cada estrutura tem suas próprias limitações, ELIZA ainda está em seus estágios iniciais, há potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores, jogos de nicho podem limitar uma adoção mais ampla e blockchains também adicionam complexidade, Rig pode assustar alguns desenvolvedores devido à curva de aprendizado íngreme colocada por Rust, e o pequeno foco do Zerepy na produção criativa pode limitar seu uso em outros domínios de IA.
(3) Resumo da comparação de estruturas
Rig (ARC)：
Linguagem: Rust, focada na segurança e no desempenho.
Caso de uso: a escolha ideal para aplicações de IA em nível empresarial, pois se concentra na eficiência e escalabilidade.
Comunidade: não é muito impulsionada pela comunidade, mas foca mais em desenvolvedores de tecnologia.
Eliza (AI16Z)：
Linguagem: TypeScript, enfatizando a flexibilidade do web3 e a participação da comunidade.
Caso de uso: projetado para interação social, DAO e transações, com ênfase especial em sistemas multi-agente.
Comunidade: altamente impulsionada pela comunidade, com ampla participação no GitHub.
ZerePy (ZEREBRO)：
Linguagem: Python, tornando-a acessível a uma base de desenvolvedores de IA mais ampla.
Caso de uso: aplicável à automação de redes sociais e a tarefas de agentes de IA mais simples.
Comunidade: relativamente nova, mas com a popularidade do Python e o apoio dos contribuidores da AI16Z, espera-se que cresça.
JOGO (VIRTUAL):
Foco: Agentes de inteligência artificial autônomos e adaptativos que podem evoluir com base nas interações em ambientes virtuais.
Exemplo: o mais adequado para cenários de aprendizagem e adaptação de agentes de IA, como jogos ou mundos virtuais.
Comunidade: comunidade inovadora, mas ainda a determinar a sua posição na concorrência.
3、Tendência de dados de Star no Github
A imagem acima mostra os dados de estrelas do GitHub desde o lançamento desses frameworks. É importante notar que as estrelas do GitHub são um indicador do interesse da comunidade, da popularidade do projeto e do valor percebido do projeto.
ELIZA (linha vermelha):
A partir da baixa base de julho, houve um aumento até o final de novembro, com um grande aumento no número de estrelas (chegando a 61.000 estrelas), o que indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Este crescimento exponencial demonstra que, devido às suas funcionalidades, atualizações e participação da comunidade, a ELIZA ganhou uma enorme atratividade. Sua popularidade supera em muito a de outros concorrentes, o que indica que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.
RIG (linha azul):
Rig é o mais antigo dos quatro frameworks, e sua contagem de estrelas é modesta, mas consistentemente crescendo, e é provável que aumente significativamente ao longo do próximo mês. Atingiu 1.700 estrelas, mas continua a subir. Desenvolvimento constante, atualizações e um número crescente de usuários são as razões para o constante acúmulo de interesse do usuário. Isso pode refletir um pequeno número de usuários da estrutura ou uma reputação que ainda está em construção.
ZEREPY (linha amarela):
ZerePy acaba de ser lançado há alguns dias e já acumula 181 estrelas. Vale ressaltar que o ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e adoção. A parceria com o AI16Z provavelmente atrairá mais contribuidores de código.
JOGO（linha verde）：
Este projeto tem o menor número de estrelas, e vale a pena notar que esta estrutura pode ser aplicada diretamente a agentes no ecossistema virtual através da API, eliminando assim a necessidade de visibilidade no Github. No entanto, esta estrutura só foi aberta aos construtores há pouco mais de um mês, e mais de 200 projetos estão a construir utilizando o GAME.
4, Razões para uma Perspectiva Bullish
A versão V2 da Eliza irá integrar o conjunto de agentes da Coinbase. Todos os projetos que utilizarem a Eliza no futuro irão suportar TEE nativo, permitindo que os agentes operem em um ambiente seguro. Uma das funcionalidades que a Eliza irá lançar em breve é o registro de plugins (Plugin Registry), que permitirá aos desenvolvedores registrar e integrar plugins de forma contínua.
Além disso, Eliza V2 suportará a troca de mensagens anônimas automatizadas entre plataformas. O white paper da economia de tokens está programado para ser lançado em 1 de janeiro de 2025, e espera-se que tenha um impacto positivo sobre o token AI16Z subjacente ao framework Eliza. O AI16Z planeja continuar a aumentar a utilidade do framework, atraindo talentos de alta qualidade, e os esforços de seus principais contribuidores já demonstraram que possui essa capacidade.
A estrutura GAME oferece integração sem código para agentes, permitindo que GAME e ELIZA sejam utilizados simultaneamente em um único projeto, servindo a propósitos específicos. Esta abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora a estrutura tenha sido lançada publicamente há apenas 30 dias, ela já fez progressos substanciais com o esforço da equipe para atrair mais apoiadores. Espera-se que todos os projetos lançados na VIRTUAL utilizem o GAME.
O Rig, representado pelo token ARC, possui um enorme potencial, embora sua estrutura ainda esteja em uma fase inicial de crescimento, e o plano para impulsionar a adoção do projeto tenha sido lançado há apenas alguns dias. Projetos de alta qualidade adotando o ARC devem surgir em breve, semelhante ao Virtual flywheel, mas com foco no Solana. A equipe é otimista quanto à colaboração com o Solana, comparando a relação entre ARC e Solana com a do Virtual em relação ao Base. Vale a pena notar que a equipe não apenas incentiva novos projetos a utilizarem o Rig para lançamento, mas também encoraja os desenvolvedores a aprimorarem a estrutura do Rig em si.
Zerepy é um novo framework lançado, que está ganhando cada vez mais atenção devido à sua relação de colaboração com a Eliza. O framework atraiu contribuintes da Eliza, que estão ativamente melhorando-o. Impulsionado pelos fãs do ZEREBRO, ele possui um grupo de seguidores fervorosos e oferece novas oportunidades para desenvolvedores Python que anteriormente careciam de representação na competição de infraestrutura de inteligência artificial. O framework desempenhará um papel importante na criatividade da IA.
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
Comparação dos quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC e ZEREPY
Autor: Deep Value Memetics, Tradução: Jinse Caijing xiaozou
Neste artigo, iremos explorar as perspectivas do framework Crypto X AI. Vamos focar nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas respectivas diferenças técnicas.
1. Introdução
Na última semana, nós testámos e investigámos quatro principais estruturas Crypto X AI: ELIZA, GAME, ARC e ZEREPY, e chegámos às seguintes conclusões.
Acreditamos que o AI16Z continuará a dominar. O valor da Eliza (com uma participação de mercado de cerca de 60% e um valor de mercado superior a 1 bilhão de dólares) reside na sua vantagem de primeiro a entrar (efeito Lindy) e no crescente número de desenvolvedores que a utilizam. 193 contribuidores, 1800 bifurcações e mais de 6000 estrelas são dados que provam isso, tornando-a uma das bibliotecas de código mais populares no Github.
Até agora, o desenvolvimento do GAME (com uma participação de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, obtendo uma rápida adoção, como acaba de anunciar a VIRTUAL, que tem mais de 200 projetos, 150.000 solicitações diárias e uma taxa de crescimento semanal de 200%. O GAME continuará a beneficiar-se da ascensão da VIRTUAL e se tornará um dos maiores vencedores em seu ecossistema.
Rig (ARC, com uma quota de mercado de cerca de 15%, capitalização de mercado de cerca de 160 milhões de dólares) é muito impressionante, pois seu design modular é muito fácil de operar e pode dominar como um "pure-play" no ecossistema Solana (RUST).
Zerepy (quota de mercado de cerca de 5%, valor de mercado de cerca de 300 milhões de dólares) é um aplicativo relativamente nichado, direcionado à entusiástica comunidade ZEREBRO, cuja recente colaboração com a comunidade ai16z pode gerar sinergias.
Notamos que o nosso cálculo de quota de mercado abrange o valor de mercado, registos de desenvolvimento e o mercado de terminais de sistemas operativos subjacentes.
Acreditamos que, neste ciclo de mercado, o mercado de estruturas será a área de crescimento mais rápido, com um valor de mercado total de 1,7 bilhões de dólares que pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação de pico do L1 em 2021, quando muitas avaliações de L1 ultrapassaram os 20 bilhões de dólares. Embora essas estruturas atendam a diferentes mercados finais (cadeia/ecossistema), dado que acreditamos que essa área está em uma tendência de alta constante, um método ponderado pelo valor de mercado pode ser o mais prudente.
2, Quatro grandes estruturas
Na tabela abaixo, listamos as principais tecnologias, componentes e vantagens de cada um dos principais frameworks.
(1) Visão Geral do Quadro
No campo de interseção entre AI e Crypto, existem várias estruturas que promovem o desenvolvimento da AI. Elas são ELIZA da AI16Z, RIG da ARC, ZEREBRO da ZEREPY, e VIRTUAL da GAME. Cada estrutura atende a diferentes necessidades e conceitos no processo de desenvolvimento de agentes de AI, desde projetos da comunidade de código aberto até soluções empresariais focadas em desempenho.
Este artigo começa com uma introdução aos frameworks, o que são, quais linguagens de programação eles usam, arquiteturas técnicas, algoritmos, quais recursos exclusivos eles têm e quais casos de uso potenciais o framework pode usar. Em seguida, comparamos cada estrutura em termos de disponibilidade, escalabilidade, adaptabilidade e desempenho, explorando seus pontos fortes e limitações.
ELIZA (desenvolvido pela ai16z)
Eliza é uma estrutura de simulação multi-agente de código aberto, destinada a criar, implantar e gerenciar agentes de IA autônomos. Foi desenvolvida na linguagem de programação TypeScript, proporcionando uma plataforma flexível e escalável para a construção de agentes inteligentes que conseguem interagir com humanos em várias plataformas, mantendo uma personalidade e conhecimento consistentes.
As funcionalidades principais deste framework incluem uma arquitetura multi-agente que suporta a implementação e gestão simultânea de múltiplas personalidades de IA únicas, assim como um sistema de papéis que cria diferentes agentes utilizando um framework de ficheiros de papéis, além de funcionalidades de gestão de memória a longo prazo e de consciência contextual através de um sistema de Recuperação Aumentada (RAG). Além disso, o framework Eliza oferece uma integração suave da plataforma, permitindo uma conexão fiável com o Discord, X e outras plataformas de redes sociais.
Quando se trata das capacidades de comunicação e mídia dos agentes de IA, Eliza é uma excelente escolha. Em termos de comunicação, a estrutura suporta integrações com o recurso de canal de voz do Discord, recurso X, Telegram e acesso direto a APIs para casos de uso personalizados. Por outro lado, os recursos de processamento de mídia da estrutura podem ser estendidos para leitura e análise de documentos PDF, extração e resumo de conteúdo de links, transcrição de áudio, processamento de conteúdo de vídeo, análise de imagens e resumo de conversas para lidar com eficiência com uma ampla gama de entradas e saídas de mídia.
O framework Eliza fornece suporte flexível a modelos de IA através da inferência local de modelos de código aberto, da inferência em nuvem da OpenAI e de configurações padrão (como Nous Hermes Llama 3.1B), e integra suporte ao Claude para o processamento de tarefas complexas. O Eliza adota uma arquitetura modular, com amplo suporte a sistemas operacionais, clientes personalizados e uma API abrangente, garantindo escalabilidade e adaptabilidade entre as aplicações.
Os casos de uso da Eliza abrangem vários domínios, como: assistentes de IA para suporte ao cliente, moderação de comunidades e tarefas pessoais, bem como criadores de conteúdo automatizado, robôs interativos e representantes de marca em redes sociais. Também pode atuar como trabalhador do conhecimento, desempenhando funções como assistente de pesquisa, analista de conteúdo e processador de documentos, além de apoiar robôs de interpretação de papéis, tutores educacionais e agentes de representação.
A arquitetura do Eliza é construída em torno do tempo de execução do agente (agent runtime), que se integra perfeitamente com seu sistema de papéis (suportado por provedores de modelos), gerenciador de memória (conectado a um banco de dados) e sistema operacional (conectado ao cliente da plataforma). As características únicas deste framework incluem um sistema de plugins que suporta extensões funcionais modulares, suporte a interações multimodais, como voz, texto e mídia, e compatibilidade com os principais modelos de IA (como Llama, GPT-4 e Claude). Com seu design versátil e poderoso, o Eliza se destaca como uma ferramenta robusta para o desenvolvimento de aplicações de IA em diversos campos.
G.A.M.E (desenvolvido pelo Virtuals Protocol)
A estrutura de Entidades Multimodais Autônomas Geradas (G.A.M.E) tem como objetivo fornecer aos desenvolvedores acesso a APIs e SDKs para experimentos com agentes de IA. Esta estrutura oferece uma abordagem estruturada para gerenciar o comportamento, a tomada de decisões e o processo de aprendizado dos agentes de IA.
Os componentes principais são os seguintes: primeiro, a Interface de Prompting do Agente (Agent Prompting Interface) é o ponto de entrada para os desenvolvedores acessarem o comportamento do agente ao integrar o GAME no agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão através da especificação de parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.
Ele irá compor as informações recebidas em um formato adequado para o motor de planejamento estratégico (Strategic Planning Engine), atuando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou reação. No seu núcleo está o módulo de processamento de diálogos, que é utilizado para lidar com mensagens e respostas do agente, colaborando com o subsistema de percepção para interpretar e responder efetivamente às entradas.
O motor de planejamento estratégico trabalha em conjunto com o módulo de processamento de diálogos e o operador de carteira on-chain para gerar respostas e planos. Este motor possui dois níveis de funcionalidade: como um planejador de alto nível, cria estratégias amplas com base no contexto ou objetivos; como uma estratégia de baixo nível, converte essas estratégias em estratégias acionáveis, que são ainda divididas em planejadores de ações para tarefas específicas e executores de planos para a execução das tarefas.
Há um componente independente, mas importante, que é o World Context (Contexto Mundial), que referencia o ambiente, informações globais e o estado do jogo, fornecendo o contexto necessário para as decisões do agente. Além disso, o Agent Repository (Repositório de Agentes) é utilizado para armazenar atributos a longo prazo, como objetivos, reflexões, experiências e personalidade, que juntos moldam o comportamento e o processo de decisão do agente.
A estrutura utiliza processadores de memória de curto e longo prazo. A memória de curto prazo retém informações relevantes sobre comportamentos anteriores, resultados e planos atuais. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, recência e relevância. A memória de longo prazo armazena conhecimentos da experiência, reflexão, personalidade dinâmica, contexto mundial e memória de trabalho do agente, para aprimorar a tomada de decisões e fornecer uma base para a aprendizagem.
O módulo de aprendizagem utiliza dados do subsistema de percepção para gerar conhecimentos gerais, que são retroalimentados no sistema para melhorar interações futuras. Os desenvolvedores podem inserir feedback sobre ações, estados de jogo e dados sensoriais através da interface, para aumentar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planeamento e tomada de decisões.
O fluxo de trabalho começa com os desenvolvedores interagindo através da interface de prompts do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogo, que é responsável por gerenciar a lógica da interação. Em seguida, o motor de planejamento estratégico formula e executa planos com base nessas informações, utilizando estratégias de alto nível e planos de ação detalhados.
Os dados do repositório de contexto global e do agente notificam esses processos, enquanto a memória de trabalho rastreia tarefas em tempo real. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimento de longo prazo. O módulo de aprendizado analisa os resultados e integra novos conhecimentos ao sistema, permitindo que o comportamento e as interações do agente sejam continuamente aprimorados.
RIG (desenvolvido pela ARC)
Rig é um framework Rust de código aberto, destinado a simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ele fornece uma interface unificada para interagir com vários fornecedores de LLM, como OpenAI e Anthropic, e suporta vários armazenamentos de vetores, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular deste framework reside em seus componentes centrais, como a camada de abstração de fornecedores (Provider Abstraction Layer), integração de armazenamento de vetores e sistema de agentes, para facilitar a interação sem costura com LLM.
O público principal da Rig inclui desenvolvedores que criam aplicativos de IA/ML usando o Rust, seguidos por organizações que buscam integrar vários provedores de LLM e repositórios vetoriais em seus próprios aplicativos Rust. O repositório usa uma arquitetura de espaço de trabalho com várias caixas para suportar escalabilidade e gerenciamento eficiente de projetos. Sua principal característica é a camada de abstração do provedor, que fornece padronização para completar e incorporar APIs entre diferentes provedores LLM com tratamento consistente de erros. O componente Vetor Store Integration fornece uma interface abstrata para vários backends e suporta pesquisas de semelhança vetorial. O sistema de agente simplifica as interações LLM, suporta Retrieval Enhanced Generation (RAG) e integração de ferramentas. Além disso, a estrutura de incorporação fornece recursos de processamento em lote e operações de incorporação para segurança de tipo.
A Rig aproveita uma série de vantagens técnicas para garantir confiabilidade e desempenho. As operações assíncronas aproveitam o tempo de execução assíncrono do Rust para lidar com eficiência com um grande número de solicitações simultâneas. O mecanismo inerente de tratamento de erros do quadro melhora a resiliência a operações falhadas de provedor de IA ou banco de dados. A segurança de tipo pode evitar erros no processo de compilação, melhorando assim a capacidade de manutenção do código. Processos eficientes de serialização e desserialização suportam o processamento de dados em formatos como JSON, que é essencial para a comunicação e armazenamento de serviços de IA. O registro detalhado e a instrumentação ajudam ainda mais na depuração e monitoramento de aplicativos.
O fluxo de trabalho do Rig começa quando um pedido é iniciado no cliente, e esse pedido interage com o modelo LLM apropriado através da camada de abstração do provedor. Em seguida, os dados são processados pela camada central, onde o agente pode usar ferramentas ou acessar o armazenamento de vetores do contexto. A resposta é gerada e refinada através de um fluxo de trabalho complexo (como RAG) antes de ser devolvida ao cliente, e o processo envolve recuperação de documentos e compreensão do contexto. O sistema integra vários provedores de LLM e armazenamento vetorial, sendo adaptável às atualizações de disponibilidade ou desempenho do modelo.
Os casos de uso do Rig são diversos, incluindo sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, sistemas de pesquisa e recuperação de documentos para descoberta de conteúdos eficiente, e chatbots ou assistentes virtuais que oferecem interações sensíveis ao contexto para atendimento ao cliente ou educação. Também suporta a geração de conteúdo, permitindo a criação de textos e outros materiais com base em modos de aprendizado, tornando-se uma ferramenta versátil para desenvolvedores e organizações.
Zerepy (desenvolvido pela ZEREPY e blorm)
ZerePy é um framework open-source escrito na linguagem Python que visa implantar agentes no X usando OpenAI ou Anthropic LLMs. Derivado de uma versão modular do backend do Zerebro, o ZerePy permite que os desenvolvedores lancem agentes com funcionalidade central semelhante ao Zerebro. Embora a estrutura forneça a base para a implantação do agente, o ajuste fino do modelo é essencial para gerar resultados criativos. O ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, especialmente para a criação de conteúdo em plataformas sociais, promovendo um ecossistema criativo orientado por IA para arte e aplicativos descentralizados.
Esta estrutura é desenvolvida em Python, enfatizando a autonomia do agente e focando na geração de saídas criativas, alinhando-se à arquitetura do ELIZA e à sua relação de colaboração. O seu design modular suporta a integração de sistemas de memória e permite o desdobramento de agentes em plataformas sociais. As principais funcionalidades incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte para LLMs da OpenAI e da Anthropic, e um sistema de conexão modular para funcionalidades aprimoradas.
Os casos de uso do ZerePy abrangem o domínio da automação de mídia social, onde os usuários podem implantar agentes de IA para postar, responder, curtir e retweetar para aumentar o envolvimento da plataforma. Além disso, atende à criação de conteúdo em áreas como música, meme e NFTs, tornando-se uma ferramenta importante para a arte digital e plataformas de conteúdo baseadas em blockchain.
(2) Comparação dos Quatro Principais Quadros
Na nossa opinião, cada estrutura oferece uma abordagem única para o desenvolvimento de inteligência artificial, atendendo a necessidades e ambientes específicos, e mudamos o foco da relação competitiva entre essas estruturas para a singularidade de cada uma delas.
ELIZA se destaca por sua interface amigável, especialmente para desenvolvedores que estão familiarizados com JavaScript e ambientes Node.js. Sua documentação abrangente ajuda a configurar agentes de IA em uma variedade de plataformas, embora seu extenso conjunto de recursos possa vir com uma certa curva de aprendizado. Desenvolvido com TypeScript, torna Eliza ideal para a construção de proxies embutidos na web, já que a maior parte do front-end da infraestrutura web é desenvolvida com TypeScript. A estrutura é conhecida por sua arquitetura multiagente, que pode implantar diferentes personalidades de IA em plataformas como Discord, X e Telegram. Seu avançado sistema RAG gerenciado por memória o torna particularmente eficaz para suporte ao cliente ou assistentes de IA em aplicativos de mídia social. Embora ofereça flexibilidade, forte suporte da comunidade e desempenho consistente entre plataformas, ainda está em seus estágios iniciais e pode representar uma curva de aprendizado para os desenvolvedores.
GAME é projetado especificamente para desenvolvedores de jogos, oferecendo uma interface de baixo código ou sem código por meio de API, permitindo que usuários com menos conhecimento técnico no campo dos jogos também possam utilizá-lo. No entanto, ele se concentra no desenvolvimento de jogos e na integração com blockchain, o que pode representar uma curva de aprendizado íngreme para aqueles sem experiência relevante. Destaca-se na geração de conteúdo programático e no comportamento de NPCs, mas é limitado pela complexidade adicional trazida por seu nicho e pela integração com blockchain.
Devido ao uso da linguagem Rust, o Rig pode não ser muito fácil de usar, dada a complexidade da linguagem, que apresenta um desafio de aprendizagem significativo, mas tem interação intuitiva para aqueles que são proficientes em programação de sistemas. Em contraste com o TypeScripe, a linguagem de programação em si é conhecida por seu desempenho e segurança de memória. Ele tem verificações rigorosas em tempo de compilação e abstrações de custo zero, que são necessárias para executar algoritmos complexos de IA. A linguagem é altamente eficiente e seu baixo grau de controle a torna ideal para aplicações de IA com uso intensivo de recursos. A estrutura fornece uma solução de alto desempenho com um design modular e escalável, tornando-a ideal para aplicações empresariais. No entanto, para os desenvolvedores que não estão familiarizados com Rust, usar Rust inevitavelmente levará a uma curva de aprendizado íngreme.
ZerePy utiliza Python, oferecendo alta disponibilidade para tarefas de IA criativa, com uma curva de aprendizado baixa para desenvolvedores Python, especialmente para aqueles com formação em IA/ML, e beneficia-se de um forte suporte comunitário devido à comunidade de criptomoedas Zerebro. ZerePy é especializado em aplicações de inteligência artificial criativa, como NFTs, posicionando-se como uma poderosa ferramenta para mídia digital e arte. Embora prospere em criatividade, seu escopo é relativamente estreito em comparação com outros frameworks.
Em termos de escalabilidade, a ELIZA fez progressos significativos na sua atualização V2, introduzindo uma linha de mensagens unificada e uma estrutura central escalável, que suporta uma gestão eficaz em várias plataformas. No entanto, sem otimização, essa gestão da interação entre plataformas pode apresentar desafios em termos de escalabilidade.
O GAME destaca-se no processamento em tempo real necessário para os jogos, a escalabilidade é gerida através de algoritmos eficientes e um potencial sistema distribuído de blockchain, embora possa ser limitada por motores de jogo específicos ou redes de blockchain.
O framework Rig utiliza a performance de escalabilidade do Rust, projetado para aplicações de alto throughput, o que é especialmente eficaz para implementações em nível empresarial, embora isso possa significar que alcançar uma verdadeira escalabilidade requer configurações complexas.
A escalabilidade do Zerepy é voltada para a produção criativa, com o apoio da contribuição da comunidade, mas seu foco pode limitar sua aplicação em um ambiente de inteligência artificial mais amplo, e a escalabilidade pode ser desafiada pela diversidade das tarefas criativas em vez do número de usuários.
Em termos de adaptabilidade, o ELIZA lidera com seu sistema de plugins e compatibilidade entre plataformas, enquanto o GAME no ambiente de jogo e o Rig para lidar com tarefas complexas de IA também são excelentes. O ZerePy demonstra alta adaptabilidade no domínio criativo, mas não é tão adequado para aplicações de inteligência artificial mais amplas.
Em termos de desempenho, o ELIZA foi otimizado para interações rápidas em mídias sociais, onde o tempo de resposta rápido é crucial, mas ao lidar com tarefas computacionais mais complexas, seu desempenho pode variar.
O GAME desenvolvido pela Virtual Protocol foca na interação em tempo real de alto desempenho em cenários de jogos, utilizando um processo de decisão eficiente e blockchain potencial para operações de inteligência artificial descentralizada.
O framework Rig é baseado na linguagem Rust, oferecendo um desempenho excelente para tarefas de computação de alto desempenho, adequado para aplicações empresariais onde a eficiência de cálculo é crucial.
O desempenho do Zerepy é personalizado para a criação de conteúdos criativos, com métricas centradas na eficiência e qualidade da geração de conteúdos, podendo não ser tão aplicável fora do campo criativo.
A vantagem do ELIZA é oferecer flexibilidade e escalabilidade, proporcionando uma alta adaptabilidade através do seu sistema de plugins e configuração de papéis, favorecendo a interação social de IA entre plataformas.
O GAME oferece uma funcionalidade de interação em tempo real única nos jogos, aprimorada pela integração da blockchain com a participação inovadora de IA.
A vantagem do Rig reside na sua performance e escalabilidade para tarefas de inteligência artificial empresarial, com foco em fornecer código modular limpo para a saúde de projetos de longo prazo.
A Zerepy é especializada em cultivar a criatividade, está na vanguarda da aplicação de inteligência artificial em arte digital e é apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.
Cada estrutura tem suas próprias limitações, ELIZA ainda está em seus estágios iniciais, há potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores, jogos de nicho podem limitar uma adoção mais ampla e blockchains também adicionam complexidade, Rig pode assustar alguns desenvolvedores devido à curva de aprendizado íngreme colocada por Rust, e o pequeno foco do Zerepy na produção criativa pode limitar seu uso em outros domínios de IA.
(3) Resumo da comparação de estruturas
Rig (ARC)：
Linguagem: Rust, focada na segurança e no desempenho.
Caso de uso: a escolha ideal para aplicações de IA em nível empresarial, pois se concentra na eficiência e escalabilidade.
Comunidade: não é muito impulsionada pela comunidade, mas foca mais em desenvolvedores de tecnologia.
Eliza (AI16Z)：
Linguagem: TypeScript, enfatizando a flexibilidade do web3 e a participação da comunidade.
Caso de uso: projetado para interação social, DAO e transações, com ênfase especial em sistemas multi-agente.
Comunidade: altamente impulsionada pela comunidade, com ampla participação no GitHub.
ZerePy (ZEREBRO)：
Linguagem: Python, tornando-a acessível a uma base de desenvolvedores de IA mais ampla.
Caso de uso: aplicável à automação de redes sociais e a tarefas de agentes de IA mais simples.
Comunidade: relativamente nova, mas com a popularidade do Python e o apoio dos contribuidores da AI16Z, espera-se que cresça.
JOGO (VIRTUAL):
Foco: Agentes de inteligência artificial autônomos e adaptativos que podem evoluir com base nas interações em ambientes virtuais.
Exemplo: o mais adequado para cenários de aprendizagem e adaptação de agentes de IA, como jogos ou mundos virtuais.
Comunidade: comunidade inovadora, mas ainda a determinar a sua posição na concorrência.
3、Tendência de dados de Star no Github
A imagem acima mostra os dados de estrelas do GitHub desde o lançamento desses frameworks. É importante notar que as estrelas do GitHub são um indicador do interesse da comunidade, da popularidade do projeto e do valor percebido do projeto.
ELIZA (linha vermelha):
A partir da baixa base de julho, houve um aumento até o final de novembro, com um grande aumento no número de estrelas (chegando a 61.000 estrelas), o que indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Este crescimento exponencial demonstra que, devido às suas funcionalidades, atualizações e participação da comunidade, a ELIZA ganhou uma enorme atratividade. Sua popularidade supera em muito a de outros concorrentes, o que indica que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.
RIG (linha azul):
Rig é o mais antigo dos quatro frameworks, e sua contagem de estrelas é modesta, mas consistentemente crescendo, e é provável que aumente significativamente ao longo do próximo mês. Atingiu 1.700 estrelas, mas continua a subir. Desenvolvimento constante, atualizações e um número crescente de usuários são as razões para o constante acúmulo de interesse do usuário. Isso pode refletir um pequeno número de usuários da estrutura ou uma reputação que ainda está em construção.
ZEREPY (linha amarela):
ZerePy acaba de ser lançado há alguns dias e já acumula 181 estrelas. Vale ressaltar que o ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e adoção. A parceria com o AI16Z provavelmente atrairá mais contribuidores de código.
JOGO（linha verde）：
Este projeto tem o menor número de estrelas, e vale a pena notar que esta estrutura pode ser aplicada diretamente a agentes no ecossistema virtual através da API, eliminando assim a necessidade de visibilidade no Github. No entanto, esta estrutura só foi aberta aos construtores há pouco mais de um mês, e mais de 200 projetos estão a construir utilizando o GAME.
4, Razões para uma Perspectiva Bullish
A versão V2 da Eliza irá integrar o conjunto de agentes da Coinbase. Todos os projetos que utilizarem a Eliza no futuro irão suportar TEE nativo, permitindo que os agentes operem em um ambiente seguro. Uma das funcionalidades que a Eliza irá lançar em breve é o registro de plugins (Plugin Registry), que permitirá aos desenvolvedores registrar e integrar plugins de forma contínua.
Além disso, Eliza V2 suportará a troca de mensagens anônimas automatizadas entre plataformas. O white paper da economia de tokens está programado para ser lançado em 1 de janeiro de 2025, e espera-se que tenha um impacto positivo sobre o token AI16Z subjacente ao framework Eliza. O AI16Z planeja continuar a aumentar a utilidade do framework, atraindo talentos de alta qualidade, e os esforços de seus principais contribuidores já demonstraram que possui essa capacidade.
A estrutura GAME oferece integração sem código para agentes, permitindo que GAME e ELIZA sejam utilizados simultaneamente em um único projeto, servindo a propósitos específicos. Esta abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora a estrutura tenha sido lançada publicamente há apenas 30 dias, ela já fez progressos substanciais com o esforço da equipe para atrair mais apoiadores. Espera-se que todos os projetos lançados na VIRTUAL utilizem o GAME.
O Rig, representado pelo token ARC, possui um enorme potencial, embora sua estrutura ainda esteja em uma fase inicial de crescimento, e o plano para impulsionar a adoção do projeto tenha sido lançado há apenas alguns dias. Projetos de alta qualidade adotando o ARC devem surgir em breve, semelhante ao Virtual flywheel, mas com foco no Solana. A equipe é otimista quanto à colaboração com o Solana, comparando a relação entre ARC e Solana com a do Virtual em relação ao Base. Vale a pena notar que a equipe não apenas incentiva novos projetos a utilizarem o Rig para lançamento, mas também encoraja os desenvolvedores a aprimorarem a estrutura do Rig em si.
Zerepy é um novo framework lançado, que está ganhando cada vez mais atenção devido à sua relação de colaboração com a Eliza. O framework atraiu contribuintes da Eliza, que estão ativamente melhorando-o. Impulsionado pelos fãs do ZEREBRO, ele possui um grupo de seguidores fervorosos e oferece novas oportunidades para desenvolvedores Python que anteriormente careciam de representação na competição de infraestrutura de inteligência artificial. O framework desempenhará um papel importante na criatividade da IA.