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 respectivas diferencias técnicas.
1. Introducción
Durante la última semana, hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY, y nuestras conclusiones son las siguientes.
Creemos que AI16Z seguirá dominando. El valor de Eliza (alrededor del 60% de la cuota de mercado, más de 1.000 millones de dólares de capitalización bursátil) radica en su ventaja de ser el primero en moverse (el efecto Lindy) y su creciente uso por parte de los desarrolladores, como lo demuestran datos como 193 contribuyentes, 1.800 bifurcaciones y más de 6.000 estrellas, lo que lo convierte en uno de los repositorios más populares de Github.
HASTA AHORA, GAME (ALREDEDOR DEL 20% DE PARTICIPACIÓN DE MERCADO, ALREDEDOR DE $ 300 MILLONES DE CAPITALIZACIÓN DE MERCADO) ESTÁ CRECIENDO MUY BIEN Y ESTÁ GANANDO UNA RÁPIDA ADOPCIÓN, COMO ACABA DE ANUNCIAR VIRTUAL, LA PLATAFORMA TIENE MÁS DE 200 PROYECTOS, 150,000 SOLICITUDES DIARIAS Y UNA TASA DE CRECIMIENTO SEMANAL DEL 200%. EL JUEGO SEGUIRÁ BENEFICIÁNDOSE DEL AUGE DE LO VIRTUAL Y SERÁ UNO DE LOS MAYORES GANADORES DE SU ECOSISTEMA.
Rig (ARC, con una cuota de mercado de aproximadamente el 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 ocupar una posición dominante como "pure-play" en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente el 5%, y un valor de mercado de alrededor de 300 millones de dólares) es una aplicación relativamente de nicho, dirigida a la entusiasta comunidad de ZEREBRO, y su reciente colaboración con la comunidad ai16z podría generar sinergias.
Hemos observado que nuestro cálculo de la cuota de mercado cubre la capitalización de mercado, el historial de desarrollo y el mercado de terminales del sistema operativo subyacente.
Creemos que, en este ciclo de mercado, el mercado de marcos segmentados será el área de más rápido crecimiento, con un valor de mercado total de 1,7 mil millones de dólares que podría crecer fácilmente a 20 mil millones de dólares, lo cual sigue siendo relativamente conservador en comparación con la valoración máxima de L1 en 2021, cuando muchas valoraciones de L1 alcanzaron más de 20 mil millones de dólares. Aunque estos marcos sirven a diferentes mercados finales (cadena/ecosistema), dado que creemos que este campo está en una tendencia ascendente continua, un enfoque ponderado por capitalización de mercado 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 el cruce de AI y Crypto, hay varios marcos que fomentan el desarrollo de la IA. Estos son ELIZA de AI16Z, RIG de ARC, ZEREBRO de ZEREPY y VIRTUAL de GAME. Cada marco satisface diferentes necesidades y conceptos en el proceso de desarrollo de agentes de IA, desde proyectos de comunidades de código abierto hasta soluciones empresariales centradas en el rendimiento.
Este artículo primero presentará los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, qué funciones únicas tienen, así como los posibles casos de uso que se pueden aplicar. Luego, compararemos 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 conocimientos consistentes.
Las funciones principales de este marco incluyen una arquitectura multiagente que admite el despliegue y la gestión simultáneos de múltiples personalidades de IA únicas, así como un sistema de roles que utiliza un marco de archivos de roles para crear diferentes agentes, y 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 ofrece una integración fluida de plataformas, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
Desde el punto de vista de las funciones de comunicación y medios del agente de IA, Eliza es una excelente opción. En términos de comunicación, este marco admite la integración con la funcionalidad de canales de voz de Discord, funciones de X, Telegram y acceso directo a API para casos de uso personalizados. Por otro lado, las funciones de procesamiento de medios de este marco se pueden expandir para la lectura y análisis de documentos PDF, extracción y resumen de contenido de enlaces, transcripción de audio, procesamiento de contenido de video, análisis de imágenes y resumen de diálogos, lo que permite manejar eficazmente varios tipos de entradas y salidas de medios.
El marco Eliza ofrece soporte flexible para modelos de IA a través de la inferencia local de modelos de código abierto, la inferencia en la nube de OpenAI y configuraciones predeterminadas (como Nous Hermes Llama 3.1B), e integra soporte para Claude en el manejo de tareas complejas. Eliza utiliza una arquitectura modular, cuenta con un amplio soporte para sistemas operativos, clientes personalizados y una API completa, asegurando la escalabilidad y adaptabilidad entre aplicaciones.
El caso de uso de Eliza abarca múltiples campos, como: asistentes de IA para soporte al cliente, revisión de comunidades y tareas personales, así como creadores de contenido automatizado, 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 apoyar formas de roles interactivos como robots de interpretación, mentores educativos y agentes de ventas.
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 (soportado por proveedores de modelos), un administrador de memoria (conectado a la base de datos) y un sistema operativo (enlace con el cliente de la plataforma). Las características únicas de este marco incluyen un sistema de plugins que admite la expansión modular de funciones, soporta interacciones multimodales como 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) está diseñado para proporcionar a los desarrolladores acceso a API y SDK para experimentar con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, las decisiones y el proceso de aprendizaje de los agentes de IA.
Sus componentes clave son los siguientes: primero, la Interfaz de Sugerencia de Agentes (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 especificando parámetros como el ID de sesión, ID de agente, usuario y otros detalles relevantes.
Se fusionará 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 de respuesta. Su núcleo es el módulo de procesamiento de diálogos, utilizado para gestionar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder efectivamente a la entrada.
El motor de planificación estratégica trabaja junto con el módulo de procesamiento de diálogos y el operador de billetera en cadena para generar respuestas y planes. Este motor tiene dos niveles de funcionalidad: como planificador de alto nivel, crea estrategias amplias basadas en el contexto o los objetivos; como planificador de bajo nivel, convierte estas estrategias en estrategias operativas, que se dividen aún más en planificadores de acción para tareas específicas y ejecutores de planes para llevar a cabo las 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 la toma de 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 dan forma al comportamiento y al proceso de toma de decisiones del agente.
Este marco utiliza procesadores de memoria de trabajo a corto plazo y de largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos, resultados y planes actuales anteriores. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, reciente y relevancia. La memoria a largo plazo almacena el conocimiento de las experiencias, reflexiones, personalidad dinámica, contexto mundial y memoria de trabajo del agente para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
El módulo de aprendizaje utiliza datos generados por el subsistema de percepción para crear conocimientos generales, los cuales se retroalimentan al sistema para mejorar las interacciones futuras. Los desarrolladores pueden introducir a través de la interfaz retroalimentación sobre acciones, estados del juego y datos sensoriales, para mejorar la capacidad de aprendizaje del agente de IA y aumentar su capacidad de planificación y toma de decisiones.
El flujo de trabajo comienza cuando los desarrolladores interactúan a través de la interfaz de indicaciones de agentes. La entrada es procesada por el subsistema de percepción y se reenvía al módulo de procesamiento de diálogos, que es responsable 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 de los contextos globales y los repositorios de agentes notifican estos procesos, mientras que la memoria de trabajo rastrea tareas en tiempo real. 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, permitiendo que el comportamiento y las interacciones del agente se mejoren continuamente.
RIG (desarrollado por ARC)
Rig es un marco de código abierto en Rust, diseñado para simplificar el desarrollo de aplicaciones de modelos de lenguaje grandes. 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. Lo singular de la arquitectura modular de este marco son sus componentes centrales, como la capa de abstracción de proveedores (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, que facilitan la interacción fluida con 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 utiliza múltiples ventajas tecnológicas para garantizar la fiabilidad y el rendimiento. Las operaciones asíncronas aprovechan el tiempo de ejecución asíncrono de Rust para manejar eficazmente una gran cantidad de solicitudes concurrentes. El mecanismo de manejo de errores inherente al marco mejora la capacidad de recuperación ante fallos en proveedores de inteligencia artificial o en operaciones de bases de datos. La seguridad de tipo puede prevenir errores durante el proceso de compilación, lo que mejora la mantenibilidad del código. Un proceso de serialización y deserialización eficiente admite el procesamiento de datos en formatos como JSON, lo cual es crucial para la comunicación y almacenamiento de servicios de IA. La detallada registración y detección ayudan aún más en la depuración y monitoreo de aplicaciones.
El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, que interactúa con el modelo LLM apropiado a través de la capa de abstracción del proveedor. Luego, los datos son procesados por la capa central, donde los agentes pueden utilizar herramientas o acceder al almacenamiento vectorial del contexto. La respuesta se genera y refina a través de un flujo de trabajo complejo (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 vectorial, mostrando adaptabilidad a las actualizaciones de disponibilidad o 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 contextualmente conscientes para atención al cliente o educación. También admite la generación de contenido, apoyando la creación de texto y otros materiales basados en patrones 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, enfatiza la autonomía del agente y se centra en la generación de salidas creativas, manteniendo coherencia con la arquitectura de ELIZA y su relación de colaboración con ELIZA. Su diseño modular soporta la integración del sistema de memoria y permite el despliegue de agentes en plataformas sociales. Las principales funciones incluyen una interfaz de línea de comandos para la gestión de agentes, integración con Twitter, soporte para OpenAI y LLM de Anthropic, así como un sistema de conexión modular para funciones mejoradas.
Los casos de uso de ZerePy abarcan el ámbito de la automatización de redes sociales, donde los usuarios pueden implementar agentes de inteligencia artificial para publicar, responder, dar me gusta y compartir, aumentando así la participación en la plataforma. Además, también atiende la creación de contenido en áreas como música, memes y NFT, convirtiéndolo en una herramienta importante para plataformas de contenido digital y basadas en blockchain.
(2) Comparación de los cuatro marcos
Desde nuestro punto de vista, cada marco ofrece un enfoque único para el desarrollo de inteligencia artificial, que se ajusta a necesidades y entornos específicos; trasladamos el enfoque de la competencia entre estos marcos a sus singularidades.
ELIZA destaca por su interfaz fácil de usar, especialmente para los desarrolladores que están familiarizados con JavaScript y Node.js entornos. Su completa documentación ayuda a configurar agentes de IA en una variedad de plataformas, aunque su amplio conjunto de funciones puede venir con una cierta curva de aprendizaje. Desarrollado con TypeScript, hace que Eliza sea ideal para crear proxies integrados en la web, ya que la mayor parte del front-end de la infraestructura web se desarrolla con TypeScript. El marco es conocido por su arquitectura multiagente, que puede desplegar diferentes personalidades de IA en plataformas como Discord, X y Telegram. Su avanzado sistema RAG gestionado por memoria lo hace especialmente eficaz para la atención al cliente o los asistentes de IA en aplicaciones de redes sociales. Si bien ofrece flexibilidad, un fuerte apoyo de la comunidad y un rendimiento multiplataforma consistente, todavía se encuentra en sus primeras etapas y puede representar una curva de aprendizaje para los desarrolladores.
GAME está diseñado para desarrolladores de juegos, proporcionando una interfaz de código bajo o sin código a través de API, lo que lo hace accesible para usuarios menos técnicos en el espacio de los juegos. Sin embargo, su enfoque en el desarrollo de juegos y la integración de blockchain puede plantear una curva de aprendizaje empinada para aquellos sin experiencia relevante. Sobresale en la generación de contenido procedimental y el comportamiento de los NPC, pero está limitado por la complejidad añadida de su nicho y la integración de la cadena de bloques.
Debido al uso del lenguaje Rust, considerando la complejidad de este lenguaje, Rig puede ser poco amigable, lo que presenta un desafío de aprendizaje significativo, pero para aquellos que son expertos en programación de sistemas, tiene una interacción intuitiva. En comparación con typescripe, este lenguaje de programación es conocido por su rendimiento y seguridad de memoria. Tiene verificaciones estrictas en tiempo de compilación y una abstracción de costo cero, lo cual es necesario para ejecutar algoritmos de IA complejos. El lenguaje es muy eficiente, y su control de bajo nivel lo convierte en una opción ideal para aplicaciones de inteligencia artificial que consumen muchos recursos. Este marco proporciona soluciones de alto rendimiento con un diseño modular y escalable, lo que lo convierte en una opción ideal para aplicaciones empresariales. Sin embargo, para los desarrolladores que no están familiarizados con Rust, utilizar Rust inevitablemente implica enfrentarse a una curva de aprendizaje empinada.
ZerePy utiliza Python, proporcionando una alta disponibilidad para tareas de IA creativa. La curva de aprendizaje para los desarrolladores de Python es baja, especialmente para aquellos con antecedentes en IA/ML, y se beneficia de un fuerte apoyo comunitario gracias a la comunidad criptográfica 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 limitado en comparación con otros marcos.
En términos de escalabilidad, ELIZA ha realizado grandes avances 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, sin optimización, 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 un potencial sistema distribuido de blockchain, aunque puede verse limitada por motores de juego específicos o redes blockchain.
El marco Rig utiliza el rendimiento escalable de Rust, diseñado para aplicaciones de alto rendimiento, lo que es especialmente efectivo para implementaciones a nivel empresarial, aunque esto puede significar que lograr una verdadera escalabilidad requiere configuraciones complejas.
La escalabilidad de Zerepy está orientada a la producción creativa, con el apoyo de contribuciones comunitarias, pero su enfoque 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 complementos 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 muy adecuado para aplicaciones de inteligencia artificial más amplias.
En términos de rendimiento, ELIZA ha sido optimizada para interacciones rápidas en las redes sociales, donde el tiempo de respuesta rápido es clave, pero su desempeño puede variar al manejar tareas de cálculo 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 blockchain potencial para operaciones de inteligencia artificial descentralizada.
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 de cálculo es crucial.
El rendimiento de Zerepy está diseñado a medida para la creación de contenido creativo, con indicadores centrados en la eficiencia y calidad de la generación de contenido, lo que puede no ser tan aplicable fuera del ámbito creativo.
La ventaja de ELIZA es que ofrece flexibilidad y escalabilidad, gracias a su sistema de complementos y configuración de roles, lo que le confiere una gran adaptabilidad, favoreciendo la interacción de IA social multiplataforma.
GAME ofrece una función de interacción en tiempo real única en el juego, mejorada por la integración de blockchain que permite la participación innovadora de IA.
La ventaja de Rig radica en su rendimiento y escalabilidad para tareas de inteligencia artificial empresarial, con un enfoque en proporcionar un código modular y 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 se apoya en un modelo de desarrollo impulsado por una comunidad vibrante.
Cada marco tiene sus propias limitaciones, ELIZA todavía se encuentra en una etapa temprana, presenta problemas potenciales de estabilidad y una curva de aprendizaje para nuevos desarrolladores. Los juegos de nicho pueden limitar su aplicación más amplia, y la blockchain añade complejidad. Rig, debido a su pronunciada curva de aprendizaje con Rust, puede ahuyentar a algunos desarrolladores, mientras que la atención limitada de Zerepy a la producción creativa puede restringir su uso en otros campos de la IA.
Resumen de comparación del marco
Rig (ARC)：
Lenguaje: Rust, enfocado en la seguridad y el rendimiento.
Caso de uso: la elección ideal para aplicaciones de IA a nivel empresarial, 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 énfasis particular en sistemas multiagentes.
Comunidad: impulsada en gran medida por la comunidad, con una amplia participación en GitHub.
ZerePy (ZEREBRO):
Lenguaje: Python, para hacerlo accesible a una base de desarrolladores de IA más amplia.
Caso de uso: aplicable a la automatización de redes sociales y tareas de agentes de IA más simples.
Comunidad: relativamente nueva, pero se espera que crezca debido a la popularidad de Python y el apoyo de los contribuyentes de AI16Z.
JUEGO (VIRTUAL):
Enfoque: agentes de inteligencia artificial autónomos y adaptativos que pueden evolucionar en función de 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 determinando su posición en la competencia.
3. Tendencias de datos de Star en Github
La imagen anterior muestra los datos de seguimiento de GitHub star desde el lanzamiento de estos marcos. Es importante señalar que GitHub star es un indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.
ELIZA (línea roja):
A partir de la baja base de julio, y con el notable aumento de la cantidad de estrellas a finales de noviembre (alcanzando 61,000 estrellas), esto indica que el interés de las personas ha crecido rápidamente, atrayendo la atención de los desarrolladores. Este crecimiento exponencial sugiere que, debido a sus funciones, actualizaciones y participación comunitaria, ELIZA ha ganado una enorme atracción. Su popularidad supera con creces a la de otros competidores, lo que indica que cuenta con un fuerte apoyo comunitario y tiene una aplicabilidad o interés más amplio en la comunidad de inteligencia artificial.
RIG (línea azul):
Rig es el marco con más historia de los cuatro grandes, su número de estrellas es moderado pero ha estado en constante crecimiento, 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 que el interés de los usuarios sigue acumulándose. Esto puede reflejar que el marco tiene una base de usuarios pequeña o que aún 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. Cabe destacar que este marco se puede aplicar directamente a los agentes en el ecosistema virtual a través de una 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 más de 200 proyectos están utilizando GAME para construir.
4. Razones alcistas del marco
La versión V2 de Eliza integrará el conjunto de herramientas de proxy de Coinbase. Todos los proyectos que utilicen Eliza en el futuro admitirán TEE nativo, lo que permitirá que los proxies se ejecuten en un entorno seguro. Una de las funciones que se lanzará pronto en Eliza es el Registro de Plugins, que permitirá a los desarrolladores registrar e integrar plugins sin problemas.
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, los esfuerzos de sus principales contribuyentes ya han demostrado que tiene tal 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 tiene la esperanza de atraer a constructores que se centran en la lógica empresarial en lugar de en la complejidad técnica. A pesar de que el marco se ha publicado públicamente solo durante unos 30 días, ha logrado avances sustanciales con el esfuerzo del equipo para atraer más apoyo de contribuyentes. Se espera que todos los proyectos lanzados 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 apenas se ha lanzado hace unos días. Se espera que pronto surjan proyectos de alta calidad que adopten ARC, similar a Virtual, pero con un enfoque en Solana. El equipo es optimista sobre la colaboración con Solana, comparando la relación de ARC con Solana con la de Virtual con Base. Es importante destacar que el equipo no solo anima a los nuevos proyectos a utilizar Rig para lanzarse, sino que también alienta 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 colaboradores de Eliza, quienes están trabajando activamente para mejorarlo. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades a los desarrolladores de Python, quienes anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco desempeñará 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.
Comparativa de los cuatro principales marcos de 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 respectivas diferencias técnicas.
1. Introducción
Durante la última semana, hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY, y nuestras conclusiones son las siguientes.
Creemos que AI16Z seguirá dominando. El valor de Eliza (alrededor del 60% de la cuota de mercado, más de 1.000 millones de dólares de capitalización bursátil) radica en su ventaja de ser el primero en moverse (el efecto Lindy) y su creciente uso por parte de los desarrolladores, como lo demuestran datos como 193 contribuyentes, 1.800 bifurcaciones y más de 6.000 estrellas, lo que lo convierte en uno de los repositorios más populares de Github.
HASTA AHORA, GAME (ALREDEDOR DEL 20% DE PARTICIPACIÓN DE MERCADO, ALREDEDOR DE $ 300 MILLONES DE CAPITALIZACIÓN DE MERCADO) ESTÁ CRECIENDO MUY BIEN Y ESTÁ GANANDO UNA RÁPIDA ADOPCIÓN, COMO ACABA DE ANUNCIAR VIRTUAL, LA PLATAFORMA TIENE MÁS DE 200 PROYECTOS, 150,000 SOLICITUDES DIARIAS Y UNA TASA DE CRECIMIENTO SEMANAL DEL 200%. EL JUEGO SEGUIRÁ BENEFICIÁNDOSE DEL AUGE DE LO VIRTUAL Y SERÁ UNO DE LOS MAYORES GANADORES DE SU ECOSISTEMA.
Rig (ARC, con una cuota de mercado de aproximadamente el 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 ocupar una posición dominante como "pure-play" en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente el 5%, y un valor de mercado de alrededor de 300 millones de dólares) es una aplicación relativamente de nicho, dirigida a la entusiasta comunidad de ZEREBRO, y su reciente colaboración con la comunidad ai16z podría generar sinergias.
Hemos observado que nuestro cálculo de la cuota de mercado cubre la capitalización de mercado, el historial de desarrollo y el mercado de terminales del sistema operativo subyacente.
Creemos que, en este ciclo de mercado, el mercado de marcos segmentados será el área de más rápido crecimiento, con un valor de mercado total de 1,7 mil millones de dólares que podría crecer fácilmente a 20 mil millones de dólares, lo cual sigue siendo relativamente conservador en comparación con la valoración máxima de L1 en 2021, cuando muchas valoraciones de L1 alcanzaron más de 20 mil millones de dólares. Aunque estos marcos sirven a diferentes mercados finales (cadena/ecosistema), dado que creemos que este campo está en una tendencia ascendente continua, un enfoque ponderado por capitalización de mercado 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 el cruce de AI y Crypto, hay varios marcos que fomentan el desarrollo de la IA. Estos son ELIZA de AI16Z, RIG de ARC, ZEREBRO de ZEREPY y VIRTUAL de GAME. Cada marco satisface diferentes necesidades y conceptos en el proceso de desarrollo de agentes de IA, desde proyectos de comunidades de código abierto hasta soluciones empresariales centradas en el rendimiento.
Este artículo primero presentará los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, qué funciones únicas tienen, así como los posibles casos de uso que se pueden aplicar. Luego, compararemos 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 conocimientos consistentes.
Las funciones principales de este marco incluyen una arquitectura multiagente que admite el despliegue y la gestión simultáneos de múltiples personalidades de IA únicas, así como un sistema de roles que utiliza un marco de archivos de roles para crear diferentes agentes, y 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 ofrece una integración fluida de plataformas, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
Desde el punto de vista de las funciones de comunicación y medios del agente de IA, Eliza es una excelente opción. En términos de comunicación, este marco admite la integración con la funcionalidad de canales de voz de Discord, funciones de X, Telegram y acceso directo a API para casos de uso personalizados. Por otro lado, las funciones de procesamiento de medios de este marco se pueden expandir para la lectura y análisis de documentos PDF, extracción y resumen de contenido de enlaces, transcripción de audio, procesamiento de contenido de video, análisis de imágenes y resumen de diálogos, lo que permite manejar eficazmente varios tipos de entradas y salidas de medios.
El marco Eliza ofrece soporte flexible para modelos de IA a través de la inferencia local de modelos de código abierto, la inferencia en la nube de OpenAI y configuraciones predeterminadas (como Nous Hermes Llama 3.1B), e integra soporte para Claude en el manejo de tareas complejas. Eliza utiliza una arquitectura modular, cuenta con un amplio soporte para sistemas operativos, clientes personalizados y una API completa, asegurando la escalabilidad y adaptabilidad entre aplicaciones.
El caso de uso de Eliza abarca múltiples campos, como: asistentes de IA para soporte al cliente, revisión de comunidades y tareas personales, así como creadores de contenido automatizado, 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 apoyar formas de roles interactivos como robots de interpretación, mentores educativos y agentes de ventas.
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 (soportado por proveedores de modelos), un administrador de memoria (conectado a la base de datos) y un sistema operativo (enlace con el cliente de la plataforma). Las características únicas de este marco incluyen un sistema de plugins que admite la expansión modular de funciones, soporta interacciones multimodales como 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) está diseñado para proporcionar a los desarrolladores acceso a API y SDK para experimentar con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, las decisiones y el proceso de aprendizaje de los agentes de IA.
Sus componentes clave son los siguientes: primero, la Interfaz de Sugerencia de Agentes (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 especificando parámetros como el ID de sesión, ID de agente, usuario y otros detalles relevantes.
Se fusionará 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 de respuesta. Su núcleo es el módulo de procesamiento de diálogos, utilizado para gestionar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder efectivamente a la entrada.
El motor de planificación estratégica trabaja junto con el módulo de procesamiento de diálogos y el operador de billetera en cadena para generar respuestas y planes. Este motor tiene dos niveles de funcionalidad: como planificador de alto nivel, crea estrategias amplias basadas en el contexto o los objetivos; como planificador de bajo nivel, convierte estas estrategias en estrategias operativas, que se dividen aún más en planificadores de acción para tareas específicas y ejecutores de planes para llevar a cabo las 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 la toma de 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 dan forma al comportamiento y al proceso de toma de decisiones del agente.
Este marco utiliza procesadores de memoria de trabajo a corto plazo y de largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos, resultados y planes actuales anteriores. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, reciente y relevancia. La memoria a largo plazo almacena el conocimiento de las experiencias, reflexiones, personalidad dinámica, contexto mundial y memoria de trabajo del agente para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
El módulo de aprendizaje utiliza datos generados por el subsistema de percepción para crear conocimientos generales, los cuales se retroalimentan al sistema para mejorar las interacciones futuras. Los desarrolladores pueden introducir a través de la interfaz retroalimentación sobre acciones, estados del juego y datos sensoriales, para mejorar la capacidad de aprendizaje del agente de IA y aumentar su capacidad de planificación y toma de decisiones.
El flujo de trabajo comienza cuando los desarrolladores interactúan a través de la interfaz de indicaciones de agentes. La entrada es procesada por el subsistema de percepción y se reenvía al módulo de procesamiento de diálogos, que es responsable 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 de los contextos globales y los repositorios de agentes notifican estos procesos, mientras que la memoria de trabajo rastrea tareas en tiempo real. 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, permitiendo que el comportamiento y las interacciones del agente se mejoren continuamente.
RIG (desarrollado por ARC)
Rig es un marco de código abierto en Rust, diseñado para simplificar el desarrollo de aplicaciones de modelos de lenguaje grandes. 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. Lo singular de la arquitectura modular de este marco son sus componentes centrales, como la capa de abstracción de proveedores (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, que facilitan la interacción fluida con 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 utiliza múltiples ventajas tecnológicas para garantizar la fiabilidad y el rendimiento. Las operaciones asíncronas aprovechan el tiempo de ejecución asíncrono de Rust para manejar eficazmente una gran cantidad de solicitudes concurrentes. El mecanismo de manejo de errores inherente al marco mejora la capacidad de recuperación ante fallos en proveedores de inteligencia artificial o en operaciones de bases de datos. La seguridad de tipo puede prevenir errores durante el proceso de compilación, lo que mejora la mantenibilidad del código. Un proceso de serialización y deserialización eficiente admite el procesamiento de datos en formatos como JSON, lo cual es crucial para la comunicación y almacenamiento de servicios de IA. La detallada registración y detección ayudan aún más en la depuración y monitoreo de aplicaciones.
El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, que interactúa con el modelo LLM apropiado a través de la capa de abstracción del proveedor. Luego, los datos son procesados por la capa central, donde los agentes pueden utilizar herramientas o acceder al almacenamiento vectorial del contexto. La respuesta se genera y refina a través de un flujo de trabajo complejo (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 vectorial, mostrando adaptabilidad a las actualizaciones de disponibilidad o 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 contextualmente conscientes para atención al cliente o educación. También admite la generación de contenido, apoyando la creación de texto y otros materiales basados en patrones 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, enfatiza la autonomía del agente y se centra en la generación de salidas creativas, manteniendo coherencia con la arquitectura de ELIZA y su relación de colaboración con ELIZA. Su diseño modular soporta la integración del sistema de memoria y permite el despliegue de agentes en plataformas sociales. Las principales funciones incluyen una interfaz de línea de comandos para la gestión de agentes, integración con Twitter, soporte para OpenAI y LLM de Anthropic, así como un sistema de conexión modular para funciones mejoradas.
Los casos de uso de ZerePy abarcan el ámbito de la automatización de redes sociales, donde los usuarios pueden implementar agentes de inteligencia artificial para publicar, responder, dar me gusta y compartir, aumentando así la participación en la plataforma. Además, también atiende la creación de contenido en áreas como música, memes y NFT, convirtiéndolo en una herramienta importante para plataformas de contenido digital y basadas en blockchain.
(2) Comparación de los cuatro marcos
Desde nuestro punto de vista, cada marco ofrece un enfoque único para el desarrollo de inteligencia artificial, que se ajusta a necesidades y entornos específicos; trasladamos el enfoque de la competencia entre estos marcos a sus singularidades.
ELIZA destaca por su interfaz fácil de usar, especialmente para los desarrolladores que están familiarizados con JavaScript y Node.js entornos. Su completa documentación ayuda a configurar agentes de IA en una variedad de plataformas, aunque su amplio conjunto de funciones puede venir con una cierta curva de aprendizaje. Desarrollado con TypeScript, hace que Eliza sea ideal para crear proxies integrados en la web, ya que la mayor parte del front-end de la infraestructura web se desarrolla con TypeScript. El marco es conocido por su arquitectura multiagente, que puede desplegar diferentes personalidades de IA en plataformas como Discord, X y Telegram. Su avanzado sistema RAG gestionado por memoria lo hace especialmente eficaz para la atención al cliente o los asistentes de IA en aplicaciones de redes sociales. Si bien ofrece flexibilidad, un fuerte apoyo de la comunidad y un rendimiento multiplataforma consistente, todavía se encuentra en sus primeras etapas y puede representar una curva de aprendizaje para los desarrolladores.
GAME está diseñado para desarrolladores de juegos, proporcionando una interfaz de código bajo o sin código a través de API, lo que lo hace accesible para usuarios menos técnicos en el espacio de los juegos. Sin embargo, su enfoque en el desarrollo de juegos y la integración de blockchain puede plantear una curva de aprendizaje empinada para aquellos sin experiencia relevante. Sobresale en la generación de contenido procedimental y el comportamiento de los NPC, pero está limitado por la complejidad añadida de su nicho y la integración de la cadena de bloques.
Debido al uso del lenguaje Rust, considerando la complejidad de este lenguaje, Rig puede ser poco amigable, lo que presenta un desafío de aprendizaje significativo, pero para aquellos que son expertos en programación de sistemas, tiene una interacción intuitiva. En comparación con typescripe, este lenguaje de programación es conocido por su rendimiento y seguridad de memoria. Tiene verificaciones estrictas en tiempo de compilación y una abstracción de costo cero, lo cual es necesario para ejecutar algoritmos de IA complejos. El lenguaje es muy eficiente, y su control de bajo nivel lo convierte en una opción ideal para aplicaciones de inteligencia artificial que consumen muchos recursos. Este marco proporciona soluciones de alto rendimiento con un diseño modular y escalable, lo que lo convierte en una opción ideal para aplicaciones empresariales. Sin embargo, para los desarrolladores que no están familiarizados con Rust, utilizar Rust inevitablemente implica enfrentarse a una curva de aprendizaje empinada.
ZerePy utiliza Python, proporcionando una alta disponibilidad para tareas de IA creativa. La curva de aprendizaje para los desarrolladores de Python es baja, especialmente para aquellos con antecedentes en IA/ML, y se beneficia de un fuerte apoyo comunitario gracias a la comunidad criptográfica 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 limitado en comparación con otros marcos.
En términos de escalabilidad, ELIZA ha realizado grandes avances 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, sin optimización, 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 un potencial sistema distribuido de blockchain, aunque puede verse limitada por motores de juego específicos o redes blockchain.
El marco Rig utiliza el rendimiento escalable de Rust, diseñado para aplicaciones de alto rendimiento, lo que es especialmente efectivo para implementaciones a nivel empresarial, aunque esto puede significar que lograr una verdadera escalabilidad requiere configuraciones complejas.
La escalabilidad de Zerepy está orientada a la producción creativa, con el apoyo de contribuciones comunitarias, pero su enfoque 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 complementos 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 muy adecuado para aplicaciones de inteligencia artificial más amplias.
En términos de rendimiento, ELIZA ha sido optimizada para interacciones rápidas en las redes sociales, donde el tiempo de respuesta rápido es clave, pero su desempeño puede variar al manejar tareas de cálculo 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 blockchain potencial para operaciones de inteligencia artificial descentralizada.
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 de cálculo es crucial.
El rendimiento de Zerepy está diseñado a medida para la creación de contenido creativo, con indicadores centrados en la eficiencia y calidad de la generación de contenido, lo que puede no ser tan aplicable fuera del ámbito creativo.
La ventaja de ELIZA es que ofrece flexibilidad y escalabilidad, gracias a su sistema de complementos y configuración de roles, lo que le confiere una gran adaptabilidad, favoreciendo la interacción de IA social multiplataforma.
GAME ofrece una función de interacción en tiempo real única en el juego, mejorada por la integración de blockchain que permite la participación innovadora de IA.
La ventaja de Rig radica en su rendimiento y escalabilidad para tareas de inteligencia artificial empresarial, con un enfoque en proporcionar un código modular y 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 se apoya en un modelo de desarrollo impulsado por una comunidad vibrante.
Cada marco tiene sus propias limitaciones, ELIZA todavía se encuentra en una etapa temprana, presenta problemas potenciales de estabilidad y una curva de aprendizaje para nuevos desarrolladores. Los juegos de nicho pueden limitar su aplicación más amplia, y la blockchain añade complejidad. Rig, debido a su pronunciada curva de aprendizaje con Rust, puede ahuyentar a algunos desarrolladores, mientras que la atención limitada de Zerepy a la producción creativa puede restringir su uso en otros campos de la IA.
Resumen de comparación del marco
Rig (ARC)：
Lenguaje: Rust, enfocado en la seguridad y el rendimiento.
Caso de uso: la elección ideal para aplicaciones de IA a nivel empresarial, 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 énfasis particular en sistemas multiagentes.
Comunidad: impulsada en gran medida por la comunidad, con una amplia participación en GitHub.
ZerePy (ZEREBRO):
Lenguaje: Python, para hacerlo accesible a una base de desarrolladores de IA más amplia.
Caso de uso: aplicable a la automatización de redes sociales y tareas de agentes de IA más simples.
Comunidad: relativamente nueva, pero se espera que crezca debido a la popularidad de Python y el apoyo de los contribuyentes de AI16Z.
JUEGO (VIRTUAL):
Enfoque: agentes de inteligencia artificial autónomos y adaptativos que pueden evolucionar en función de 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 determinando su posición en la competencia.
3. Tendencias de datos de Star en Github
La imagen anterior muestra los datos de seguimiento de GitHub star desde el lanzamiento de estos marcos. Es importante señalar que GitHub star es un indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.
ELIZA (línea roja):
A partir de la baja base de julio, y con el notable aumento de la cantidad de estrellas a finales de noviembre (alcanzando 61,000 estrellas), esto indica que el interés de las personas ha crecido rápidamente, atrayendo la atención de los desarrolladores. Este crecimiento exponencial sugiere que, debido a sus funciones, actualizaciones y participación comunitaria, ELIZA ha ganado una enorme atracción. Su popularidad supera con creces a la de otros competidores, lo que indica que cuenta con un fuerte apoyo comunitario y tiene una aplicabilidad o interés más amplio en la comunidad de inteligencia artificial.
RIG (línea azul):
Rig es el marco con más historia de los cuatro grandes, su número de estrellas es moderado pero ha estado en constante crecimiento, 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 que el interés de los usuarios sigue acumulándose. Esto puede reflejar que el marco tiene una base de usuarios pequeña o que aún 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. Cabe destacar que este marco se puede aplicar directamente a los agentes en el ecosistema virtual a través de una 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 más de 200 proyectos están utilizando GAME para construir.
4. Razones alcistas del marco
La versión V2 de Eliza integrará el conjunto de herramientas de proxy de Coinbase. Todos los proyectos que utilicen Eliza en el futuro admitirán TEE nativo, lo que permitirá que los proxies se ejecuten en un entorno seguro. Una de las funciones que se lanzará pronto en Eliza es el Registro de Plugins, que permitirá a los desarrolladores registrar e integrar plugins sin problemas.
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, los esfuerzos de sus principales contribuyentes ya han demostrado que tiene tal 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 tiene la esperanza de atraer a constructores que se centran en la lógica empresarial en lugar de en la complejidad técnica. A pesar de que el marco se ha publicado públicamente solo durante unos 30 días, ha logrado avances sustanciales con el esfuerzo del equipo para atraer más apoyo de contribuyentes. Se espera que todos los proyectos lanzados 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 apenas se ha lanzado hace unos días. Se espera que pronto surjan proyectos de alta calidad que adopten ARC, similar a Virtual, pero con un enfoque en Solana. El equipo es optimista sobre la colaboración con Solana, comparando la relación de ARC con Solana con la de Virtual con Base. Es importante destacar que el equipo no solo anima a los nuevos proyectos a utilizar Rig para lanzarse, sino que también alienta 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 colaboradores de Eliza, quienes están trabajando activamente para mejorarlo. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades a los desarrolladores de Python, quienes anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco desempeñará un papel importante en la creatividad de la IA.