Neste artigo, vamos explorar as perspectivas do framework Crypto X AI. Vamos focar nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas diferenças tecnológicas.
1. Introdução
Na última semana, testámos e investigámos os quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC e ZEREPY, e as nossas conclusões são as seguintes.
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-mover (efeito Lindy), e na sua crescente adoção por desenvolvedores, com 193 colaboradores, 1800 forks e mais de 6000 stars, entre outros dados, o que a torna uma das bibliotecas de código mais populares no Github.
Até agora, o desenvolvimento do GAME (com uma quota de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, com uma rápida adoção, como acaba de anunciar a VIRTUAL, a plataforma possui mais de 200 projetos, 150.000 pedidos diários 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，market share around 15%, market value around 160 million USD）é bastante notável, pois seu design modular é muito fácil de operar e pode ocupar uma posição de destaque como "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 colaboração recente com a comunidade ai16z pode gerar efeitos sinérgicos.
Notamos que o nosso cálculo de quota de mercado abrange a capitalização de mercado, registos de desenvolvimento e o mercado de terminais de sistemas operativos subjacentes.
Acreditamos que, neste ciclo de mercado, o mercado de frameworks será a área de crescimento mais rápido, e um valor de mercado total de 1,7 bilhões de dólares pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação de pico de L1 em 2021, quando muitas avaliações de L1 ultrapassaram os 20 bilhões de dólares. Embora esses frameworks atendam a diferentes mercados finais (cadeia/ecossistema), dado que acreditamos que esta área está em uma tendência de alta contínua, a abordagem de ponderação de capitalização de mercado pode ser a mais cautelosa.
2、Quatro grandes estruturas
Na tabela abaixo, listamos as principais tecnologias, componentes e vantagens 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 o ELIZA da AI16Z, o RIG da ARC, o ZEREBRO da ZEREPY e o 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 com foco em desempenho.
Este artigo começa por introduzir os frameworks, explicando o que são, que linguagens de programação, arquiteturas técnicas e algoritmos utilizam, quais são as suas funcionalidades únicas e quais são os potenciais casos de uso dos frameworks. Em seguida, vamos comparar cada framework em termos de usabilidade, escalabilidade, adaptabilidade e desempenho, explorando as suas respectivas vantagens e limitações.
ELIZA (desenvolvido pela ai16z)
Eliza é uma estrutura de simulação de múltiplos agentes de código aberto, destinada à criação, implementação e gestão de agentes de IA autónomos. Foi desenvolvida na linguagem de programação TypeScript, oferecendo uma plataforma flexível e escalável para construir agentes inteligentes que podem interagir com humanos em várias plataformas, mantendo uma personalidade e conhecimento consistentes.
As funcionalidades principais deste framework incluem uma arquitetura multi-agente que suporta o despliegue e gestão simultânea de várias personalidades de IA únicas, bem como um sistema de papéis que cria diferentes agentes usando um framework de ficheiros de papéis, e funcionalidades de gestão de memória de longo prazo e memória contextual através de um sistema de Recuperação Aumentada de Geração (RAG). Além disso, o framework Eliza também oferece uma integração fluida de plataformas, permitindo uma conexão fiável com o Discord, X e outras plataformas de redes sociais.
Do ponto de vista das funcionalidades de comunicação e media do agente de IA, Eliza é uma excelente escolha. Na comunicação, a estrutura suporta a funcionalidade de canais de voz do Discord, a funcionalidade X, Telegram, bem como a integração com APIs para acesso direto a casos de uso personalizados. Por outro lado, as funcionalidades de processamento de media da estrutura podem ser expandidas 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, podendo lidar efetivamente com vários tipos de entrada e saída de media.
O framework Eliza oferece 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 o Nous Hermes Llama 3.1B), além de integrar o suporte ao Claude para o tratamento 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 aplicações.
Os casos de uso da Eliza abrangem várias áreas, como: assistente de IA para suporte ao cliente, moderação de comunidade e tarefas pessoais, bem como criadores de conteúdo automático, robôs interativos e representantes de marca em papéis de 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 relações públicas.
A arquitetura da Eliza é construída em torno do tempo de execução de agentes (agent runtime), que se integra perfeitamente ao seu sistema de papéis (suportado pelos fornecedores de modelos), ao gerenciador de memória (conectado ao banco de dados) e ao sistema operacional (vinculado ao cliente da plataforma). As características exclusivas deste framework incluem um sistema de plugins que suporta a extensão modular de funcionalidades, interações multimodais como voz, texto e mídia, e é compatível com modelos de IA líderes (como Llama, GPT-4 e Claude). Com seu design versátil e poderoso, a Eliza se destaca como uma ferramenta poderosa para o desenvolvimento de aplicações de IA em diversas áreas.
G.A.M.E (desenvolvido pelo Virtuals Protocol)
O Framework de Entidades Multimodais Autônomas Geradas (G.A.M.E) visa fornecer aos desenvolvedores acesso a APIs e SDKs para experimentação com agentes de IA. Este framework oferece uma abordagem estruturada para gerenciar o comportamento, as decisões e o processo de aprendizagem 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 integrarem o GAME no agente para acessar o comportamento do agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão especificando parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.
Ele combina as informações recebidas em um formato adequado para o mecanismo de planejamento estratégico (Strategic Planning Engine), funcionando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou reação. Seu núcleo é o módulo de processamento de diálogo, utilizado para lidar com mensagens e respostas do agente, colaborando com o subsistema de percepção para interpretar e responder de forma eficaz 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 tem duas camadas de funcionalidade: como um planejador de alto nível, cria estratégias amplas com base no contexto ou nos objetivos; como uma estratégia de baixo nível, converte essas estratégias em táticas acionáveis, que são ainda divididas em planejadores de ação para tarefas específicas e executores de plano para a execução das tarefas.
Há um componente independente, mas importante, chamado World Context (Contexto Mundial), que se refere ao ambiente, informações globais e estado do jogo, fornecendo o contexto necessário para as decisões do agente. Além disso, o Agent Repository (Repositório de Agentes) é usado para armazenar atributos de longo prazo, como objetivos, reflexões, experiências e personalidade, que moldam conjuntamente o comportamento e o processo de decisão do agente.
Este framework utiliza processadores de memória de trabalho de curto e longo prazo. A memória de curto prazo retém informações relevantes sobre comportamentos, resultados anteriores e planos atuais. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, recenticidade e relevância. A memória de longo prazo armazena conhecimentos sobre as experiências, reflexões, personalidade dinâmica, contexto mundial e memória de trabalho do agente, a fim de aprimorar a tomada de decisões e fornecer uma base para o aprendizado.
O módulo de aprendizagem utiliza dados do subsistema de percepção para gerar conhecimento geral, que é retroalimentado no sistema para melhorar interações futuras. Os desenvolvedores podem inserir feedback sobre ações, estado do jogo e dados sensoriais através da interface, a fim de aprimorar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planejamento e tomada de decisão.
O fluxo de trabalho começa quando os desenvolvedores interagem através da interface de prompt do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogos, que é responsável por gerenciar a lógica de interação. Em seguida, o motor de planejamento estratégico elabora e executa planos com base nessas informações, utilizando estratégias de alto nível e planos de ação detalhados.
Os dados do contexto global e do repositório de agentes notificam esses processos, enquanto a memória de trabalho rastreia as tarefas imediatas. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimentos a longo prazo. O módulo de aprendizado analisa os resultados e integra novos conhecimentos ao sistema, permitindo que o comportamento e a interação dos agentes sejam continuamente melhorados.
RIG (desenvolvido pela ARC)
Rig é um framework Rust de código aberto, projetado para simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ele fornece uma interface unificada para interagir com vários provedores de LLM (como OpenAI e Anthropic) e suporta vários armazenamentos vetoriais, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular deste framework reside em seus componentes principais, como a Camada de Abstração de Provedores (Provider Abstraction Layer), a integração de armazenamento vetorial e o sistema de agentes, para facilitar a interação sem costura com LLM.
O público principal do Rig inclui desenvolvedores que constroem aplicações de IA/ML usando Rust, seguido por organizações que buscam integrar múltiplos fornecedores de LLM e armazenamento vetorial em suas aplicações Rust. O repositório usa uma arquitetura de espaço de trabalho, com múltiplos crates, suportando escalabilidade e gerenciamento eficiente de projetos. Suas características-chave incluem uma camada de abstração de fornecedores, que fornece uma padronização para completar e integrar APIs entre diferentes fornecedores de LLM, com tratamento de erros consistente. O componente de Integração de Armazenamento Vetorial (Vector Store Integration) fornece uma interface abstrata para múltiplos backends e suporta busca de similaridade vetorial. O sistema de proxy simplifica a interação com LLM, suportando geração aumentada por recuperação (RAG) e integração de ferramentas. Além disso, a estrutura de integração também oferece funcionalidades de processamento em lote e operações de integração com segurança de tipo.
O Rig utiliza várias vantagens tecnológicas para garantir confiabilidade e desempenho. As operações assíncronas aproveitam o tempo de execução assíncrono do Rust para lidar de forma eficaz com um grande número de solicitações simultâneas. O mecanismo de tratamento de erros inerente ao framework melhora a capacidade de recuperação de falhas em provedores de inteligência artificial ou operações de banco de dados. A segurança de tipo pode prevenir erros durante o processo de compilação, aumentando assim a manutenibilidade do código. Processos de serialização e desserialização eficientes suportam o processamento de dados em formatos como JSON, o que é crucial para a comunicação e armazenamento de serviços de IA. O registro de logs detalhado e a detecção ajudam ainda mais na depuração e monitoramento da aplicação.
O fluxo de trabalho do Rig começa quando uma solicitação é iniciada no cliente, e essa solicitação interage com o modelo LLM adequado 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, envolvendo a recuperação de documentos e a compreensão do contexto. O sistema integra vários provedores de LLM e armazenamento vetorial, sendo adaptável a atualizações de disponibilidade ou desempenho do modelo.
Os casos de uso do Rig são variados, incluindo sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, sistemas de busca e recuperação de documentos para descoberta de conteúdo eficiente, e chatbots ou assistentes virtuais que oferecem interações contextualmente conscientes para atendimento ao cliente ou educação. Ele 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 por ZEREPY e blorm)
ZerePy é uma estrutura de código aberto escrita na linguagem Python, destinada a implantar agentes no X utilizando OpenAI ou Anthropic LLM. É uma versão modular originada do backend do Zerebro, permitindo que os desenvolvedores iniciem agentes com funcionalidades semelhantes ao núcleo do Zerebro. Embora a estrutura forneça a base para a implantação de agentes, o ajuste fino do modelo é essencial para gerar saídas criativas. O ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, especialmente para a criação de conteúdo em plataformas sociais, cultivando um ecossistema criativo impulsionado por IA voltado para arte e aplicações descentralizadas.
O framework foi desenvolvido em Python, enfatizando a autonomia dos agentes e focando na geração de saída criativa, alinhada com a arquitetura da ELIZA e a parceria com a EZZA. Seu design modular suporta a integração do sistema in-memory e suporta a implantação de agentes em plataformas sociais. Os principais recursos incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte para OpenAI e Anthropic LLMs e um sistema de conectividade modular para funcionalidade aprimorada.
Os casos de uso do ZerePy abrangem o campo da automação de redes sociais, permitindo que os usuários implementem agentes de inteligência artificial para publicar, responder, curtir e compartilhar, aumentando assim o engajamento na plataforma. Além disso, ele também atende à criação de conteúdo em áreas como música, memes e NFTs, tornando-se uma ferramenta importante para plataformas de arte digital e conteúdo baseado em blockchain.
(2) Comparação dos Quatro Principais Quadros
Na nossa opinião, cada framework oferece uma abordagem única para o desenvolvimento de inteligência artificial, atendendo a necessidades e ambientes específicos, e mudamos o foco da relação competitiva entre esses frameworks para a singularidade de cada um.
A ELIZA destaca-se pela sua interface amigável, especialmente para desenvolvedores familiarizados com ambientes JavaScript e Node.js. A sua documentação abrangente ajuda na configuração de agentes de inteligência artificial em várias plataformas, embora o seu extenso conjunto de funcionalidades possa trazer uma certa curva de aprendizado. Desenvolvida com TypeScript, a Eliza é uma escolha ideal para construir agentes incorporados na web, uma vez que a maioria da infraestrutura web tem o front-end desenvolvido em TypeScript. Este framework é conhecido pela sua arquitetura de múltiplos agentes, podendo implantar diferentes personalidades de IA em plataformas como Discord, X e Telegram. O seu avançado sistema de gestão de memória RAG torna-a particularmente eficaz para assistentes de IA em aplicações de suporte ao cliente ou redes sociais. Embora ofereça flexibilidade, robusto suporte da comunidade e desempenho consistente entre plataformas, ainda se encontra numa fase inicial, o que pode representar uma curva de aprendizado para os desenvolvedores.
O GAME é projetado especificamente para desenvolvedores de jogos, oferecendo uma interface de baixo código ou sem código através da API, permitindo que usuários com menor conhecimento técnico na área de jogos 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 acentuada 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, e considerando a complexidade dessa linguagem, o Rig pode não ser muito amigável, o que traz desafios significativos de aprendizagem, mas para aqueles que são proficientes em programação de sistemas, ele possui uma interação intuitiva. Comparado ao typescript, essa linguagem de programação é conhecida por seu desempenho e segurança de memória (memory safety). Ela possui verificações rigorosas em tempo de compilação e abstração de custo zero, que são necessárias para executar algoritmos complexos de IA. A linguagem é extremamente eficiente, e seu controle de baixo nível a torna uma escolha ideal para aplicações de inteligência artificial que consomem muitos recursos. O framework oferece soluções de alto desempenho com design modular e escalável, tornando-se uma escolha ideal para aplicações empresariais. No entanto, para desenvolvedores que não estão familiarizados com Rust, usar Rust inevitavelmente enfrentará uma curva de aprendizagem acentuada.
ZerePy utiliza Python, oferecendo alta usabilidade para tarefas de IA criativa, com uma curva de aprendizado mais baixa para desenvolvedores Python, especialmente para aqueles com formação em IA/ML, e se beneficia de um forte suporte comunitário devido à comunidade de criptomoedas Zerebro. O 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 alcance é relativamente estreito em comparação com outras estruturas.
Em termos de escalabilidade, a ELIZA fez progressos significativos na sua atualização V2, introduzindo uma linha de mensagem unificada e uma estrutura central escalável, que suporta a gestão eficaz em várias plataformas. No entanto, se não for otimizada, essa gestão de interações multiplataforma pode trazer desafios em termos de escalabilidade.
GAME destaca-se no processamento em tempo real necessário para jogos, e a escalabilidade é gerida através de algoritmos eficientes e de um potencial sistema distribuído em blockchain, embora possa ser limitada por motores de jogos específicos ou redes blockchain.
A estrutura Rig aproveita o desempenho de escalabilidade do Rust e foi projetada para aplicativos de alto rendimento, o que é particularmente eficaz para implantações de nível empresarial, embora isso possa significar que alcançar a verdadeira escalabilidade requer uma configuração complexa.
A escalabilidade do Zerepy está voltada para a produção criativa, com o apoio de contribuições da comunidade, mas seu foco pode limitar sua aplicação em um ambiente de inteligência artificial mais amplo; a escalabilidade pode ser testada pela diversidade das tarefas criativas em vez do número de usuários.
Na 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 se destacam. O ZerePy demonstra alta adaptabilidade no campo 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 redes sociais, sendo o tempo de resposta rápido fundamental, mas ao lidar com tarefas computacionais mais complexas, seu desempenho pode variar.
O GAME desenvolvido pelo Virtual Protocol foca na interação em tempo real de alto desempenho em cenários de jogos, utilizando processos de decisão eficientes e potencializando operações de inteligência artificial descentralizada através da blockchain.
O framework Rig é baseado na linguagem Rust, oferecendo um desempenho excepcional para tarefas de computação de alto desempenho, sendo adequado para aplicações empresariais onde a eficiência de cálculo é crucial.
O desempenho do Zerepy é feito sob medida para a criação de conteúdo criativo, com métricas centradas na eficiência e qualidade da geração de conteúdo, podendo não ser muito aplicável fora do campo criativo.
A vantagem do ELIZA é fornecer flexibilidade e escalabilidade, através do seu sistema de plugins e configuração de papéis, o que lhe confere uma alta adaptabilidade, favorecendo a interação social de IA em várias plataformas.
O GAME oferece uma funcionalidade única de interação em tempo real nos jogos, aprimorada pela integração de blockchain com a participação inovadora de IA.
As vantagens do Rig residem no seu desempenho e escalabilidade para tarefas de inteligência artificial empresarial, com foco em fornecer código modular limpo para a saúde de projetos a longo prazo.
A Zerepy especializa-se em cultivar a criatividade, está na vanguarda das aplicações de inteligência artificial em arte digital e é apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.
Cada framework tem suas próprias limitações, o ELIZA ainda está em estágios iniciais, apresentando potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores. Jogos de nicho podem restringir aplicações mais amplas, e a blockchain adiciona complexidade. O Rig, devido à sua curva de aprendizado íngreme causada pelo Rust, pode afastar alguns desenvolvedores, enquanto o Zerepy, com seu foco limitado na produção criativa, pode restringir seu uso em outros campos de IA.
(3) Resumo da comparação de estruturas
Rig (ARC)：
Linguagem: Rust, focada em segurança e desempenho.
Caso de uso: a escolha ideal para aplicações de IA em nível empresarial, pois foca na eficiência e escalabilidade.
Comunidade: não é muito orientada pela comunidade, focando mais nos 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-o utilizável para uma base de desenvolvedores de IA mais ampla.
Caso de uso: adequado para automação de redes sociais e tarefas de agentes de IA mais simples.
Comunidade: relativamente nova, mas com a popularidade do Python e o apoio dos colaboradores 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.
Caso de uso: mais adequado para cenários de aprendizado e adaptação de agentes de IA, como jogos ou mundos virtuais.
Comunidade: comunidade inovadora, mas ainda a definir o seu posicionamento na concorrência.
3、Tendência de dados de Star no Github
A imagem acima mostra os dados de estrelas do GitHub desde que esses frameworks foram lançados. Vale a pena 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, até o aumento acentuado no número de stars no final de novembro (chegando a 61 mil estrelas), isso indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Esse crescimento exponencial demonstra que, devido às suas funcionalidades, atualizações e participação da comunidade, o ELIZA conquistou uma enorme atratividade. Sua popularidade supera de longe a de outros concorrentes, indicando que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.
RIG (linha azul):
O Rig é o mais antigo dos quatro principais frameworks, com um número moderado de estrelas, mas que tem crescido continuamente, e é muito provável que aumente significativamente no próximo mês. Já alcançou 1700 estrelas, mas continua a subir. O desenvolvimento contínuo, as atualizações e o número crescente de usuários são as razões para o crescente interesse dos usuários. Isso pode refletir que o framework tem um público nichado ou que ainda está a acumular reputação.
ZEREPY (linha amarela):
ZerePy foi lançado há alguns dias e já acumulou 181 estrelas. É importante enfatizar que o ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e taxa de adoção. A colaboração com a AI16Z pode atrair mais contribuidores de código.
JOGO (linha verde):
Este projeto tem o menor número de estrelas, sendo importante notar que este framework pode ser aplicado diretamente a proxies no ecossistema virtual através de uma API, eliminando assim a necessidade de visibilidade no Github. No entanto, este framework foi apenas aberto aos construtores há pouco mais de um mês, e há mais de 200 projetos a utilizar o GAME para construir.
4, Razões para uma Perspectiva Altista do Quadro
A versão V2 do Eliza integrará o conjunto de ferramentas de proxy da Coinbase. Todos os projetos que utilizam o Eliza no futuro suportarão TEE nativo, permitindo que os proxies funcionem em um ambiente seguro. Um recurso que está prestes a ser lançado no Eliza é o Registro de Plugins (Plugin Registry), que permitirá que os desenvolvedores registrem e integrem plugins de forma contínua.
Além disso, o Eliza V2 suportará a comunicação anónima automatizada entre plataformas. O white paper da economia de tokens está previsto para ser lançado a 1 de janeiro de 2025, e espera-se que tenha um impacto positivo no token AI16Z subjacente ao framework Eliza. O AI16Z planeia continuar a aumentar a utilidade do framework, atraindo continuamente talentos de alta qualidade, cujos esforços dos principais colaboradores já provaram ter essa capacidade.
A estrutura GAME oferece integração sem código para agentes, permitindo o uso simultâneo do GAME e do ELIZA em um único projeto, cada um servindo a propósitos específicos. Essa abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora a estrutura tenha sido publicada 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, tem 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. Espera-se que projetos de alta qualidade que adotem o ARC surjam em breve, semelhantes ao Virtual flywheel, mas com foco na Solana. A equipe é otimista sobre a colaboração com a Solana, comparando a relação do ARC com a Solana à do Virtual com a Base. Vale ressaltar que a equipe não apenas incentiva novos projetos a usarem o Rig para lançamento, mas também encoraja os desenvolvedores a aprimorarem a estrutura do Rig.
Zerepy é uma nova estrutura lançada, que está ganhando cada vez mais atenção devido à sua relação de colaboração com a Eliza. Esta estrutura atraiu contribuidores da Eliza, que estão ativamente melhorando-a. Impulsionada pelos fãs do ZEREBRO, ela possui um grupo de seguidores entusiásticos e oferece novas oportunidades para desenvolvedores Python, que anteriormente careciam de representação na competição de infraestrutura de inteligência artificial. Esta estrutura 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 entre os quatro grandes frameworks Crypto X AI: ELIZA, GAME, ARC e ZEREPY
Autor: Deep Value Memetics, Tradução:金色财经xiaozou
Neste artigo, vamos explorar as perspectivas do framework Crypto X AI. Vamos focar nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas diferenças tecnológicas.
1. Introdução
Na última semana, testámos e investigámos os quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC e ZEREPY, e as nossas conclusões são as seguintes.
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-mover (efeito Lindy), e na sua crescente adoção por desenvolvedores, com 193 colaboradores, 1800 forks e mais de 6000 stars, entre outros dados, o que a torna uma das bibliotecas de código mais populares no Github.
Até agora, o desenvolvimento do GAME (com uma quota de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, com uma rápida adoção, como acaba de anunciar a VIRTUAL, a plataforma possui mais de 200 projetos, 150.000 pedidos diários 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，market share around 15%, market value around 160 million USD）é bastante notável, pois seu design modular é muito fácil de operar e pode ocupar uma posição de destaque como "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 colaboração recente com a comunidade ai16z pode gerar efeitos sinérgicos.
Notamos que o nosso cálculo de quota de mercado abrange a capitalização de mercado, registos de desenvolvimento e o mercado de terminais de sistemas operativos subjacentes.
Acreditamos que, neste ciclo de mercado, o mercado de frameworks será a área de crescimento mais rápido, e um valor de mercado total de 1,7 bilhões de dólares pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação de pico de L1 em 2021, quando muitas avaliações de L1 ultrapassaram os 20 bilhões de dólares. Embora esses frameworks atendam a diferentes mercados finais (cadeia/ecossistema), dado que acreditamos que esta área está em uma tendência de alta contínua, a abordagem de ponderação de capitalização de mercado pode ser a mais cautelosa.
2、Quatro grandes estruturas
Na tabela abaixo, listamos as principais tecnologias, componentes e vantagens 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 o ELIZA da AI16Z, o RIG da ARC, o ZEREBRO da ZEREPY e o 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 com foco em desempenho.
Este artigo começa por introduzir os frameworks, explicando o que são, que linguagens de programação, arquiteturas técnicas e algoritmos utilizam, quais são as suas funcionalidades únicas e quais são os potenciais casos de uso dos frameworks. Em seguida, vamos comparar cada framework em termos de usabilidade, escalabilidade, adaptabilidade e desempenho, explorando as suas respectivas vantagens e limitações.
ELIZA (desenvolvido pela ai16z)
Eliza é uma estrutura de simulação de múltiplos agentes de código aberto, destinada à criação, implementação e gestão de agentes de IA autónomos. Foi desenvolvida na linguagem de programação TypeScript, oferecendo uma plataforma flexível e escalável para construir agentes inteligentes que podem interagir com humanos em várias plataformas, mantendo uma personalidade e conhecimento consistentes.
As funcionalidades principais deste framework incluem uma arquitetura multi-agente que suporta o despliegue e gestão simultânea de várias personalidades de IA únicas, bem como um sistema de papéis que cria diferentes agentes usando um framework de ficheiros de papéis, e funcionalidades de gestão de memória de longo prazo e memória contextual através de um sistema de Recuperação Aumentada de Geração (RAG). Além disso, o framework Eliza também oferece uma integração fluida de plataformas, permitindo uma conexão fiável com o Discord, X e outras plataformas de redes sociais.
Do ponto de vista das funcionalidades de comunicação e media do agente de IA, Eliza é uma excelente escolha. Na comunicação, a estrutura suporta a funcionalidade de canais de voz do Discord, a funcionalidade X, Telegram, bem como a integração com APIs para acesso direto a casos de uso personalizados. Por outro lado, as funcionalidades de processamento de media da estrutura podem ser expandidas 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, podendo lidar efetivamente com vários tipos de entrada e saída de media.
O framework Eliza oferece 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 o Nous Hermes Llama 3.1B), além de integrar o suporte ao Claude para o tratamento 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 aplicações.
Os casos de uso da Eliza abrangem várias áreas, como: assistente de IA para suporte ao cliente, moderação de comunidade e tarefas pessoais, bem como criadores de conteúdo automático, robôs interativos e representantes de marca em papéis de 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 relações públicas.
A arquitetura da Eliza é construída em torno do tempo de execução de agentes (agent runtime), que se integra perfeitamente ao seu sistema de papéis (suportado pelos fornecedores de modelos), ao gerenciador de memória (conectado ao banco de dados) e ao sistema operacional (vinculado ao cliente da plataforma). As características exclusivas deste framework incluem um sistema de plugins que suporta a extensão modular de funcionalidades, interações multimodais como voz, texto e mídia, e é compatível com modelos de IA líderes (como Llama, GPT-4 e Claude). Com seu design versátil e poderoso, a Eliza se destaca como uma ferramenta poderosa para o desenvolvimento de aplicações de IA em diversas áreas.
G.A.M.E (desenvolvido pelo Virtuals Protocol)
O Framework de Entidades Multimodais Autônomas Geradas (G.A.M.E) visa fornecer aos desenvolvedores acesso a APIs e SDKs para experimentação com agentes de IA. Este framework oferece uma abordagem estruturada para gerenciar o comportamento, as decisões e o processo de aprendizagem 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 integrarem o GAME no agente para acessar o comportamento do agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão especificando parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.
Ele combina as informações recebidas em um formato adequado para o mecanismo de planejamento estratégico (Strategic Planning Engine), funcionando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou reação. Seu núcleo é o módulo de processamento de diálogo, utilizado para lidar com mensagens e respostas do agente, colaborando com o subsistema de percepção para interpretar e responder de forma eficaz 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 tem duas camadas de funcionalidade: como um planejador de alto nível, cria estratégias amplas com base no contexto ou nos objetivos; como uma estratégia de baixo nível, converte essas estratégias em táticas acionáveis, que são ainda divididas em planejadores de ação para tarefas específicas e executores de plano para a execução das tarefas.
Há um componente independente, mas importante, chamado World Context (Contexto Mundial), que se refere ao ambiente, informações globais e estado do jogo, fornecendo o contexto necessário para as decisões do agente. Além disso, o Agent Repository (Repositório de Agentes) é usado para armazenar atributos de longo prazo, como objetivos, reflexões, experiências e personalidade, que moldam conjuntamente o comportamento e o processo de decisão do agente.
Este framework utiliza processadores de memória de trabalho de curto e longo prazo. A memória de curto prazo retém informações relevantes sobre comportamentos, resultados anteriores e planos atuais. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, recenticidade e relevância. A memória de longo prazo armazena conhecimentos sobre as experiências, reflexões, personalidade dinâmica, contexto mundial e memória de trabalho do agente, a fim de aprimorar a tomada de decisões e fornecer uma base para o aprendizado.
O módulo de aprendizagem utiliza dados do subsistema de percepção para gerar conhecimento geral, que é retroalimentado no sistema para melhorar interações futuras. Os desenvolvedores podem inserir feedback sobre ações, estado do jogo e dados sensoriais através da interface, a fim de aprimorar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planejamento e tomada de decisão.
O fluxo de trabalho começa quando os desenvolvedores interagem através da interface de prompt do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogos, que é responsável por gerenciar a lógica de interação. Em seguida, o motor de planejamento estratégico elabora e executa planos com base nessas informações, utilizando estratégias de alto nível e planos de ação detalhados.
Os dados do contexto global e do repositório de agentes notificam esses processos, enquanto a memória de trabalho rastreia as tarefas imediatas. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimentos a longo prazo. O módulo de aprendizado analisa os resultados e integra novos conhecimentos ao sistema, permitindo que o comportamento e a interação dos agentes sejam continuamente melhorados.
RIG (desenvolvido pela ARC)
Rig é um framework Rust de código aberto, projetado para simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ele fornece uma interface unificada para interagir com vários provedores de LLM (como OpenAI e Anthropic) e suporta vários armazenamentos vetoriais, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular deste framework reside em seus componentes principais, como a Camada de Abstração de Provedores (Provider Abstraction Layer), a integração de armazenamento vetorial e o sistema de agentes, para facilitar a interação sem costura com LLM.
O público principal do Rig inclui desenvolvedores que constroem aplicações de IA/ML usando Rust, seguido por organizações que buscam integrar múltiplos fornecedores de LLM e armazenamento vetorial em suas aplicações Rust. O repositório usa uma arquitetura de espaço de trabalho, com múltiplos crates, suportando escalabilidade e gerenciamento eficiente de projetos. Suas características-chave incluem uma camada de abstração de fornecedores, que fornece uma padronização para completar e integrar APIs entre diferentes fornecedores de LLM, com tratamento de erros consistente. O componente de Integração de Armazenamento Vetorial (Vector Store Integration) fornece uma interface abstrata para múltiplos backends e suporta busca de similaridade vetorial. O sistema de proxy simplifica a interação com LLM, suportando geração aumentada por recuperação (RAG) e integração de ferramentas. Além disso, a estrutura de integração também oferece funcionalidades de processamento em lote e operações de integração com segurança de tipo.
O Rig utiliza várias vantagens tecnológicas para garantir confiabilidade e desempenho. As operações assíncronas aproveitam o tempo de execução assíncrono do Rust para lidar de forma eficaz com um grande número de solicitações simultâneas. O mecanismo de tratamento de erros inerente ao framework melhora a capacidade de recuperação de falhas em provedores de inteligência artificial ou operações de banco de dados. A segurança de tipo pode prevenir erros durante o processo de compilação, aumentando assim a manutenibilidade do código. Processos de serialização e desserialização eficientes suportam o processamento de dados em formatos como JSON, o que é crucial para a comunicação e armazenamento de serviços de IA. O registro de logs detalhado e a detecção ajudam ainda mais na depuração e monitoramento da aplicação.
O fluxo de trabalho do Rig começa quando uma solicitação é iniciada no cliente, e essa solicitação interage com o modelo LLM adequado 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, envolvendo a recuperação de documentos e a compreensão do contexto. O sistema integra vários provedores de LLM e armazenamento vetorial, sendo adaptável a atualizações de disponibilidade ou desempenho do modelo.
Os casos de uso do Rig são variados, incluindo sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, sistemas de busca e recuperação de documentos para descoberta de conteúdo eficiente, e chatbots ou assistentes virtuais que oferecem interações contextualmente conscientes para atendimento ao cliente ou educação. Ele 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 por ZEREPY e blorm)
ZerePy é uma estrutura de código aberto escrita na linguagem Python, destinada a implantar agentes no X utilizando OpenAI ou Anthropic LLM. É uma versão modular originada do backend do Zerebro, permitindo que os desenvolvedores iniciem agentes com funcionalidades semelhantes ao núcleo do Zerebro. Embora a estrutura forneça a base para a implantação de agentes, o ajuste fino do modelo é essencial para gerar saídas criativas. O ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, especialmente para a criação de conteúdo em plataformas sociais, cultivando um ecossistema criativo impulsionado por IA voltado para arte e aplicações descentralizadas.
O framework foi desenvolvido em Python, enfatizando a autonomia dos agentes e focando na geração de saída criativa, alinhada com a arquitetura da ELIZA e a parceria com a EZZA. Seu design modular suporta a integração do sistema in-memory e suporta a implantação de agentes em plataformas sociais. Os principais recursos incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte para OpenAI e Anthropic LLMs e um sistema de conectividade modular para funcionalidade aprimorada.
Os casos de uso do ZerePy abrangem o campo da automação de redes sociais, permitindo que os usuários implementem agentes de inteligência artificial para publicar, responder, curtir e compartilhar, aumentando assim o engajamento na plataforma. Além disso, ele também atende à criação de conteúdo em áreas como música, memes e NFTs, tornando-se uma ferramenta importante para plataformas de arte digital e conteúdo baseado em blockchain.
(2) Comparação dos Quatro Principais Quadros
Na nossa opinião, cada framework oferece uma abordagem única para o desenvolvimento de inteligência artificial, atendendo a necessidades e ambientes específicos, e mudamos o foco da relação competitiva entre esses frameworks para a singularidade de cada um.
A ELIZA destaca-se pela sua interface amigável, especialmente para desenvolvedores familiarizados com ambientes JavaScript e Node.js. A sua documentação abrangente ajuda na configuração de agentes de inteligência artificial em várias plataformas, embora o seu extenso conjunto de funcionalidades possa trazer uma certa curva de aprendizado. Desenvolvida com TypeScript, a Eliza é uma escolha ideal para construir agentes incorporados na web, uma vez que a maioria da infraestrutura web tem o front-end desenvolvido em TypeScript. Este framework é conhecido pela sua arquitetura de múltiplos agentes, podendo implantar diferentes personalidades de IA em plataformas como Discord, X e Telegram. O seu avançado sistema de gestão de memória RAG torna-a particularmente eficaz para assistentes de IA em aplicações de suporte ao cliente ou redes sociais. Embora ofereça flexibilidade, robusto suporte da comunidade e desempenho consistente entre plataformas, ainda se encontra numa fase inicial, o que pode representar uma curva de aprendizado para os desenvolvedores.
O GAME é projetado especificamente para desenvolvedores de jogos, oferecendo uma interface de baixo código ou sem código através da API, permitindo que usuários com menor conhecimento técnico na área de jogos 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 acentuada 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, e considerando a complexidade dessa linguagem, o Rig pode não ser muito amigável, o que traz desafios significativos de aprendizagem, mas para aqueles que são proficientes em programação de sistemas, ele possui uma interação intuitiva. Comparado ao typescript, essa linguagem de programação é conhecida por seu desempenho e segurança de memória (memory safety). Ela possui verificações rigorosas em tempo de compilação e abstração de custo zero, que são necessárias para executar algoritmos complexos de IA. A linguagem é extremamente eficiente, e seu controle de baixo nível a torna uma escolha ideal para aplicações de inteligência artificial que consomem muitos recursos. O framework oferece soluções de alto desempenho com design modular e escalável, tornando-se uma escolha ideal para aplicações empresariais. No entanto, para desenvolvedores que não estão familiarizados com Rust, usar Rust inevitavelmente enfrentará uma curva de aprendizagem acentuada.
ZerePy utiliza Python, oferecendo alta usabilidade para tarefas de IA criativa, com uma curva de aprendizado mais baixa para desenvolvedores Python, especialmente para aqueles com formação em IA/ML, e se beneficia de um forte suporte comunitário devido à comunidade de criptomoedas Zerebro. O 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 alcance é relativamente estreito em comparação com outras estruturas.
Em termos de escalabilidade, a ELIZA fez progressos significativos na sua atualização V2, introduzindo uma linha de mensagem unificada e uma estrutura central escalável, que suporta a gestão eficaz em várias plataformas. No entanto, se não for otimizada, essa gestão de interações multiplataforma pode trazer desafios em termos de escalabilidade.
GAME destaca-se no processamento em tempo real necessário para jogos, e a escalabilidade é gerida através de algoritmos eficientes e de um potencial sistema distribuído em blockchain, embora possa ser limitada por motores de jogos específicos ou redes blockchain.
A estrutura Rig aproveita o desempenho de escalabilidade do Rust e foi projetada para aplicativos de alto rendimento, o que é particularmente eficaz para implantações de nível empresarial, embora isso possa significar que alcançar a verdadeira escalabilidade requer uma configuração complexa.
A escalabilidade do Zerepy está voltada para a produção criativa, com o apoio de contribuições da comunidade, mas seu foco pode limitar sua aplicação em um ambiente de inteligência artificial mais amplo; a escalabilidade pode ser testada pela diversidade das tarefas criativas em vez do número de usuários.
Na 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 se destacam. O ZerePy demonstra alta adaptabilidade no campo 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 redes sociais, sendo o tempo de resposta rápido fundamental, mas ao lidar com tarefas computacionais mais complexas, seu desempenho pode variar.
O GAME desenvolvido pelo Virtual Protocol foca na interação em tempo real de alto desempenho em cenários de jogos, utilizando processos de decisão eficientes e potencializando operações de inteligência artificial descentralizada através da blockchain.
O framework Rig é baseado na linguagem Rust, oferecendo um desempenho excepcional para tarefas de computação de alto desempenho, sendo adequado para aplicações empresariais onde a eficiência de cálculo é crucial.
O desempenho do Zerepy é feito sob medida para a criação de conteúdo criativo, com métricas centradas na eficiência e qualidade da geração de conteúdo, podendo não ser muito aplicável fora do campo criativo.
A vantagem do ELIZA é fornecer flexibilidade e escalabilidade, através do seu sistema de plugins e configuração de papéis, o que lhe confere uma alta adaptabilidade, favorecendo a interação social de IA em várias plataformas.
O GAME oferece uma funcionalidade única de interação em tempo real nos jogos, aprimorada pela integração de blockchain com a participação inovadora de IA.
As vantagens do Rig residem no seu desempenho e escalabilidade para tarefas de inteligência artificial empresarial, com foco em fornecer código modular limpo para a saúde de projetos a longo prazo.
A Zerepy especializa-se em cultivar a criatividade, está na vanguarda das aplicações de inteligência artificial em arte digital e é apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.
Cada framework tem suas próprias limitações, o ELIZA ainda está em estágios iniciais, apresentando potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores. Jogos de nicho podem restringir aplicações mais amplas, e a blockchain adiciona complexidade. O Rig, devido à sua curva de aprendizado íngreme causada pelo Rust, pode afastar alguns desenvolvedores, enquanto o Zerepy, com seu foco limitado na produção criativa, pode restringir seu uso em outros campos de IA.
(3) Resumo da comparação de estruturas
Rig (ARC)：
Linguagem: Rust, focada em segurança e desempenho.
Caso de uso: a escolha ideal para aplicações de IA em nível empresarial, pois foca na eficiência e escalabilidade.
Comunidade: não é muito orientada pela comunidade, focando mais nos 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-o utilizável para uma base de desenvolvedores de IA mais ampla.
Caso de uso: adequado para automação de redes sociais e tarefas de agentes de IA mais simples.
Comunidade: relativamente nova, mas com a popularidade do Python e o apoio dos colaboradores 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.
Caso de uso: mais adequado para cenários de aprendizado e adaptação de agentes de IA, como jogos ou mundos virtuais.
Comunidade: comunidade inovadora, mas ainda a definir o seu posicionamento na concorrência.
3、Tendência de dados de Star no Github
A imagem acima mostra os dados de estrelas do GitHub desde que esses frameworks foram lançados. Vale a pena 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, até o aumento acentuado no número de stars no final de novembro (chegando a 61 mil estrelas), isso indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Esse crescimento exponencial demonstra que, devido às suas funcionalidades, atualizações e participação da comunidade, o ELIZA conquistou uma enorme atratividade. Sua popularidade supera de longe a de outros concorrentes, indicando que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.
RIG (linha azul):
O Rig é o mais antigo dos quatro principais frameworks, com um número moderado de estrelas, mas que tem crescido continuamente, e é muito provável que aumente significativamente no próximo mês. Já alcançou 1700 estrelas, mas continua a subir. O desenvolvimento contínuo, as atualizações e o número crescente de usuários são as razões para o crescente interesse dos usuários. Isso pode refletir que o framework tem um público nichado ou que ainda está a acumular reputação.
ZEREPY (linha amarela):
ZerePy foi lançado há alguns dias e já acumulou 181 estrelas. É importante enfatizar que o ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e taxa de adoção. A colaboração com a AI16Z pode atrair mais contribuidores de código.
JOGO (linha verde):
Este projeto tem o menor número de estrelas, sendo importante notar que este framework pode ser aplicado diretamente a proxies no ecossistema virtual através de uma API, eliminando assim a necessidade de visibilidade no Github. No entanto, este framework foi apenas aberto aos construtores há pouco mais de um mês, e há mais de 200 projetos a utilizar o GAME para construir.
4, Razões para uma Perspectiva Altista do Quadro
A versão V2 do Eliza integrará o conjunto de ferramentas de proxy da Coinbase. Todos os projetos que utilizam o Eliza no futuro suportarão TEE nativo, permitindo que os proxies funcionem em um ambiente seguro. Um recurso que está prestes a ser lançado no Eliza é o Registro de Plugins (Plugin Registry), que permitirá que os desenvolvedores registrem e integrem plugins de forma contínua.
Além disso, o Eliza V2 suportará a comunicação anónima automatizada entre plataformas. O white paper da economia de tokens está previsto para ser lançado a 1 de janeiro de 2025, e espera-se que tenha um impacto positivo no token AI16Z subjacente ao framework Eliza. O AI16Z planeia continuar a aumentar a utilidade do framework, atraindo continuamente talentos de alta qualidade, cujos esforços dos principais colaboradores já provaram ter essa capacidade.
A estrutura GAME oferece integração sem código para agentes, permitindo o uso simultâneo do GAME e do ELIZA em um único projeto, cada um servindo a propósitos específicos. Essa abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora a estrutura tenha sido publicada 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, tem 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. Espera-se que projetos de alta qualidade que adotem o ARC surjam em breve, semelhantes ao Virtual flywheel, mas com foco na Solana. A equipe é otimista sobre a colaboração com a Solana, comparando a relação do ARC com a Solana à do Virtual com a Base. Vale ressaltar que a equipe não apenas incentiva novos projetos a usarem o Rig para lançamento, mas também encoraja os desenvolvedores a aprimorarem a estrutura do Rig.
Zerepy é uma nova estrutura lançada, que está ganhando cada vez mais atenção devido à sua relação de colaboração com a Eliza. Esta estrutura atraiu contribuidores da Eliza, que estão ativamente melhorando-a. Impulsionada pelos fãs do ZEREBRO, ela possui um grupo de seguidores entusiásticos e oferece novas oportunidades para desenvolvedores Python, que anteriormente careciam de representação na competição de infraestrutura de inteligência artificial. Esta estrutura desempenhará um papel importante na criatividade da IA.