Autor: Deep Value Memetics, Traducción: Jinse Caijing xiaozou
En este artículo, exploraremos el futuro del marco Crypto X AI. Nos centraremos en los cuatro marcos principales actuales (ELIZA, GAME, ARC, ZEREPY) y sus diferencias técnicas respectivas.
1. Introducción
Hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY en la última semana, y nuestras conclusiones son las siguientes.
Creemos que AI16Z seguirá dominando. El valor de Eliza (con una cuota de mercado de aproximadamente el 60% y una capitalización de mercado de más de mil millones de dólares) radica en su ventaja competitiva inicial (efecto Lindy) y en la adopción creciente por parte de más desarrolladores. Los datos, como 193 contribuyentes, 1800 bifurcaciones y más de 6000 estrellas, lo demuestran, convirtiéndolo en uno de los repositorios de código más populares en Github.
Hasta ahora, el desarrollo de GAME (con una cuota de mercado de aproximadamente el 20% y una capitalización de mercado de alrededor de 300 millones de dólares) ha sido muy exitoso, logrando 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%. GAME seguirá beneficiándose del auge de VIRTUAL y se convertirá en uno de los mayores ganadores de su ecosistema.
Rig (ARC, cuota de mercado de aproximadamente 15%, capitalización de mercado de aproximadamente 160 millones de dólares) es muy llamativo, ya que su diseño modular es muy fácil de operar y puede dominar como "pure-play" en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente el 5% y un valor de mercado de aproximadamente 300 millones de dólares) es una aplicación relativamente de nicho, dirigida a la entusiasta comunidad de ZEREBRO, cuya reciente colaboración con la comunidad ai16z podría generar sinergias.
Notamos que nuestro cálculo de participación de mercado abarca la capitalización de mercado, los registros de desarrollo y el mercado de terminales del sistema operativo subyacente.
Creemos que, en este ciclo de mercado, el mercado de marcos será el área de crecimiento más rápido, con un valor total de mercado de 1,7 mil millones de dólares que podría fácilmente crecer hasta 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 superaron los 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, el método 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 filosofías en el proceso de desarrollo de agentes de IA, desde proyectos de comunidad de código abierto hasta soluciones empresariales centradas en el rendimiento.
Este artículo comienza presentando los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, qué funciones únicas tienen y cuáles son los posibles casos de uso de los marcos. Luego, comparamos cada marco en términos de usabilidad, escalabilidad, adaptabilidad y rendimiento, explorando sus respectivas ventajas y limitaciones.
ELIZA (desarrollado por ai16z)
Eliza es un marco de simulación de múltiples agentes de código abierto, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Está desarrollado en el lenguaje de programación TypeScript y proporciona una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.
Las funciones centrales de este marco incluyen una arquitectura de múltiples agentes que admite el despliegue y la gestión simultánea de múltiples personalidades únicas de IA, así como un sistema de roles que crea diferentes agentes utilizando un marco de archivos de roles, y funciones de gestión de memoria a largo plazo y conciencia contextual a través de un sistema de generación mejorada por recuperación (RAG). Además, el marco Eliza también ofrece una integración fluida de la plataforma, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
Desde la perspectiva de las funciones de comunicación y medios de un agente de IA, Eliza es una excelente opción. En términos de comunicación, el marco admite la integración con la función de canales de voz de Discord, las funciones de X, Telegram y el acceso directo a API para casos de uso personalizados. Por otro lado, las funciones de procesamiento de medios del marco se pueden ampliar para incluir 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 de manera efectiva una variedad de entradas y salidas de medios.
El marco Eliza ofrece soporte flexible para modelos de IA a través de inferencia local de modelos de código abierto, 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, con un amplio soporte para sistemas operativos, clientes personalizados y una API completa, asegurando la escalabilidad y adaptabilidad entre aplicaciones.
Los casos de uso de Eliza abarcan múltiples campos, como: asistentes de IA para soporte al cliente, revisión de comunidades y tareas personales, así como creadores automáticos de contenido, robots interactivos y representantes de marca en roles de redes sociales. También puede actuar como 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 juego de roles, tutores educativos y agentes de ventas.
La arquitectura de Eliza se basa en un tiempo de ejecución de agentes (agent runtime), que se integra sin problemas con su sistema de roles (respaldado por proveedores de modelos), el gestor de memoria (conectado a la base de datos) y el sistema operativo (vinculado al cliente de la plataforma). Las características únicas de este marco incluyen un sistema de plugins que permite 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). Gracias a su diseño versátil y potente, Eliza se destaca como una herramienta poderosa para el desarrollo de aplicaciones de IA en múltiples campos.
G.A.M.E (desarrollado por Virtuals Protocol)
El marco de entidades multimodales autónomas generativas (G.A.M.E) tiene como objetivo proporcionar a los desarrolladores acceso a API y SDK para experimentos de agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y el proceso de aprendizaje de los agentes de IA.
Los componentes centrales son los siguientes: en primer lugar, la Interfaz de Solicitud del Agente (Agent Prompting Interface) es el punto de entrada para que los desarrolladores integren GAME en el agente y accedan al comportamiento del agente. El Subsistema de Percepción (Perception Subsystem) inicia la sesión mediante parámetros como el ID de sesión, el ID del agente, el 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 reacción. Su núcleo es el módulo de procesamiento de diálogos, que se utiliza para manejar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder eficazmente a la entrada.
El motor de planificación estratégica trabaja junto con el módulo de procesamiento de diálogos y el operador de cartera en cadena para generar respuestas y planes. Este motor tiene dos niveles de funcionalidad: como planificador de alto nivel, crea estrategias amplias según el contexto o los objetivos; como estrategia 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 moldean el comportamiento y el proceso de toma de decisiones del agente.
Este marco utiliza procesadores de memoria de trabajo a corto y largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos anteriores, resultados y planes actuales. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, actualidad y relevancia. La memoria a largo plazo almacena conocimientos sobre la experiencia del agente, la reflexión, la personalidad dinámica, el contexto del mundo y la memoria de trabajo, para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
El módulo de aprendizaje utiliza datos del subsistema de percepción para generar conocimientos generales, los cuales se retroalimentan al sistema para mejorar las interacciones futuras. Los desarrolladores pueden ingresar a través de la interfaz comentarios 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 del agente. 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 basándose en esta información, utilizando estrategias de alto nivel y planes de acción detallados.
Las notificaciones de datos del contexto global y del repositorio de agentes informan a 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 una mejora continua en el comportamiento e interacción de los agentes.
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 varios proveedores de LLM, como OpenAI y Anthropic, y admite varios almacenes de vectores, incluidos MongoDB y Neo4j. La singularidad de la arquitectura modular del marco radica en sus componentes centrales, como la capa de abstracción de proveedores (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, para facilitar la interacción fluida con LLM.
El público principal de Rig incluye a desarrolladores que construyen aplicaciones de IA/ML usando Rust, y también a organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento de vectores en sus propias aplicaciones Rust. El repositorio utiliza una arquitectura de espacio de trabajo, con múltiples crates, que soporta la escalabilidad y la gestión eficiente de proyectos. Sus características clave incluyen una capa de abstracción de proveedores, que proporciona estandarización para completar e incrustar API entre diferentes proveedores de LLM, con un manejo de errores consistente. El componente de integración de almacenamiento de vectores proporciona una interfaz abstracta para múltiples backend y soporta la búsqueda de similitud de vectores. El sistema de proxy simplifica la interacción con LLM, soportando generación aumentada por recuperación (RAG) e integración de herramientas. Además, el marco de incrustación también proporciona capacidades de procesamiento por lotes y operaciones de incrustación con 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 de manera efectiva una gran cantidad de solicitudes concurrentes. El mecanismo de manejo de errores inherente al marco mejora la capacidad de recuperación ante fallos de proveedores de inteligencia artificial o operaciones de base de datos. La seguridad de tipos puede prevenir errores durante el proceso de compilación, lo que aumenta la mantenibilidad del código. Un proceso eficiente de serialización y deserialización admite el procesamiento de datos en formatos como JSON, lo cual es crucial para la comunicación y el almacenamiento de servicios de IA. Un registro detallado y la detección ayudan aún más en la depuración y monitoreo de la aplicación.
El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, y esta solicitud 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 el agente puede utilizar herramientas o acceder al almacenamiento de vectores de 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 implica la recuperación de documentos y la comprensión del contexto. El sistema integra múltiples proveedores de LLM y almacenamiento de vectores, siendo adaptable a la disponibilidad o actualizaciones de rendimiento del modelo.
Los casos de uso de Rig son diversos, incluyendo sistemas de preguntas y respuestas que recuperan documentos relevantes para proporcionar respuestas precisas, sistemas de búsqueda y recuperación de documentos para un descubrimiento eficiente de contenidos, así como chatbots o asistentes virtuales que ofrecen interacciones contextualmente conscientes para servicio al cliente o educación. También soporta la generación de contenido, apoyando la creación de textos y otros materiales basados en modelos 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 lenguaje Python, diseñado para implementar agentes en X utilizando OpenAI o Anthropic LLM. Proveniente de una versión modular del backend de Zerebro, ZerePy permite a los desarrolladores lanzar agentes con funcionalidades similares al núcleo de Zerebro. Aunque el marco proporciona una base para la implementación de agentes, el ajuste fino del modelo es esencial para generar salidas creativas. ZerePy simplifica el desarrollo y la implementación de agentes de IA personalizados, especialmente para la creación de contenido en plataformas sociales, cultivando un ecosistema creativo impulsado por IA orientado a las artes y aplicaciones descentralizadas.
Este marco está desarrollado en Python, enfatiza la autonomía del agente y se centra en la generación de salidas creativas, manteniendo la coherencia con la arquitectura de ELIZA y su relación de colaboración con ELIZA. Su diseño modular admite la integración del sistema de memoria y soporta 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 mejorar funcionalidades.
Los casos de uso de ZerePy abarcan el ámbito de la automatización de redes sociales, permitiendo a los usuarios implementar agentes de inteligencia artificial para publicar, responder, dar me gusta y compartir, lo que aumenta la participación en la plataforma. Además, también se adapta a la creación de contenido en áreas como la música, memes y NFT, convirtiéndose en una herramienta importante para plataformas de contenido digital y basadas en blockchain.
(2) Comparación de los cuatro grandes marcos
En nuestra opinión, cada marco proporciona un enfoque único para el desarrollo de inteligencia artificial, adaptándose a necesidades y entornos específicos, y hemos cambiado el enfoque de la competencia entre estos marcos a las singularidades de cada uno.
ELIZA se destaca por su interfaz amigable para el usuario, especialmente para los desarrolladores familiarizados con entornos de JavaScript y Node.js. Su documentación integral ayuda a configurar agentes de inteligencia artificial en diversas plataformas, aunque su amplio conjunto de funciones puede presentar una cierta curva de aprendizaje. Desarrollado en TypeScript, Eliza es una opción ideal para construir agentes integrados en la web, ya que la mayoría de la infraestructura web tiene su frontend desarrollado en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, que permite implementar diferentes personalidades de inteligencia artificial en plataformas como Discord, X y Telegram. Su avanzado sistema de gestión de memoria RAG lo hace especialmente efectivo como asistente de inteligencia artificial en aplicaciones de soporte al cliente o redes sociales. Aunque ofrece flexibilidad, un sólido apoyo de la comunidad y un rendimiento consistente en múltiples plataformas, todavía se encuentra en una etapa temprana, lo que puede representar una curva de aprendizaje para los desarrolladores.
GAME está diseñado específicamente para desarrolladores de juegos, proporcionando una interfaz de bajo código o sin código a través de API, lo que permite que los usuarios con menos conocimientos técnicos en el ámbito de los juegos también puedan utilizarlo. Sin embargo, se centra en el desarrollo de juegos y la integración con blockchain, lo que puede presentar una curva de aprendizaje empinada para aquellos sin experiencia relevante. Se destaca en la generación de contenido del programa y el comportamiento de NPC, pero está limitado por la complejidad añadida de su nicho y la integración con blockchain.
Debido al uso del lenguaje Rust, y dada la complejidad de este lenguaje, Rig puede no ser muy amigable, lo que presenta un desafío de aprendizaje significativo; sin embargo, para aquellos que son expertos en programación de sistemas, tiene una interacción intuitiva. En comparación con typescript, este lenguaje de programación es conocido por su rendimiento y seguridad de memoria. Tiene verificaciones estrictas en tiempo de compilación y abstracciones sin costo, lo que es necesario para ejecutar algoritmos complejos de IA. Este 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, usar Rust inevitablemente enfrentará una curva de aprendizaje pronunciada.
ZerePy utiliza Python, ofreciendo alta disponibilidad para tareas de IA creativa, con una curva de aprendizaje baja para los desarrolladores de Python, especialmente aquellos con antecedentes en IA/ML, y se beneficia de un fuerte apoyo comunitario gracias a la comunidad cripto de Zerebro. ZerePy es especialmente competente en aplicaciones de inteligencia artificial creativa como NFT, posicionándose como una poderosa herramienta para medios digitales y arte. Aunque prospera en creatividad, su alcance es relativamente estrecho en comparación con otros marcos.
En términos de escalabilidad, ELIZA ha logrado avances significativos en su actualización V2, introduciendo una línea de mensajes unificada y un marco central escalable que permite una gestión efectiva a través de múltiples plataformas. Sin embargo, sin una optimización, esta gestión de la interacción en múltiples plataformas podría 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 estar limitada por motores de juego específicos o redes de blockchain.
El marco Rig aprovecha el rendimiento de escalabilidad de Rust, diseñado para aplicaciones de alto rendimiento, lo cual 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 de la comunidad, pero su enfoque central podría limitar su aplicación en un entorno de inteligencia artificial más amplio. La escalabilidad podría ser puesta a prueba por la diversidad de tareas creativas en lugar de por la cantidad de usuarios.
En términos de adaptabilidad, ELIZA lidera con su sistema de plugins y compatibilidad multiplataforma, mientras que GAME en su entorno de juego y Rig para manejar tareas complejas de IA también son excelentes. ZerePy muestra una alta adaptabilidad en el campo creativo, pero no es muy adecuado para aplicaciones de inteligencia artificial más amplias.
En términos de rendimiento, ELIZA está optimizada para interacciones rápidas en redes sociales, donde el tiempo de respuesta rápido es clave, pero su rendimiento puede variar al manejar tareas de cálculo más complejas.
El GAME desarrollado por Virtual Protocol se centra en la interacción en tiempo real de alto rendimiento en escenarios de juego, utilizando procesos de decisión eficientes y blockchain potencial para operaciones de inteligencia artificial descentralizada.
El marco Rig, basado en el lenguaje Rust, ofrece un rendimiento excepcional para tareas de cómputo 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, y sus métricas se centran 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 proporciona flexibilidad y escalabilidad, lo que le confiere una gran adaptabilidad a través de su sistema de plugins y configuración de roles, favoreciendo la interacción social de IA en múltiples plataformas.
GAME ofrece una función de interacción en tiempo real única en los juegos, mejorada por la integración de blockchain que potencia la participación novedosa de la 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 limpio para la salud de proyectos a largo plazo.
Zerepy se especializa en fomentar 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 está en una etapa temprana, existen problemas de estabilidad potencial 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 la pronunciada curva de aprendizaje de 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.
(3) Resumen de comparación de marcos
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, DAOs y transacciones, con un énfasis especial en sistemas multiagente.
Comunidad: altamente impulsada por la comunidad, con una amplia participación en GitHub.
ZerePy (ZEREBRO)：
Idioma: 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 más simples de agentes de IA.
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 según las interacciones en un entorno virtual.
Caso de uso: el más adecuado para que los agentes de IA aprendan y se adapten a escenarios, como juegos o mundos virtuales.
Comunidad: comunidad innovadora, pero aún definiendo su posición en la competencia.
3. Tendencias de datos de estrellas en Github
La imagen anterior muestra los datos de estrellas en GitHub desde el lanzamiento de estos marcos. Cabe destacar que las estrellas en GitHub son 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 aumento significativo en el número de stars a finales de noviembre (alcanzando 61,000 stars), esto indica que el interés de las personas ha crecido rápidamente, atrayendo la atención de los desarrolladores. Este crecimiento exponencial sugiere que ELIZA ha ganado una gran atracción debido a sus funciones, actualizaciones y participación de la comunidad. Su popularidad supera con creces 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 más antiguo 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 número creciente de usuarios son las razones por las que el interés de los usuarios sigue acumulándose. Esto puede reflejar que los usuarios de este marco son un nicho o que aún están acumulando reputación.
ZEREPY (línea amarilla):
ZerePy fue lanzado 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. Es importante señalar que este marco se puede aplicar directamente a los agentes dentro del ecosistema virtual a través de 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 el proxy funcione en un entorno seguro. Una de las características que se lanzará pronto es el registro de complementos (Plugin Registry), que permitirá a los desarrolladores registrar e integrar complementos sin problemas.
Además, Eliza V2 soportará el envío de mensajes anónimos automatizados entre plataformas. El libro blanco de la economía de tokens está programado para ser publicado el 1 de enero de 2025, y se espera que tenga un impacto positivo en el token AI16Z subyacente al marco de Eliza. AI16Z planea seguir mejorando la utilidad del marco, atrayendo talento de alta calidad, y los esfuerzos de sus principales contribuyentes ya han demostrado que tiene esta capacidad.
El marco GAME proporciona integración sin código para los agentes, permitiendo el uso simultáneo de GAME y ELIZA en un solo proyecto, cada uno sirviendo a un propósito específico. Este enfoque promete atraer a 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 durante solo unos 30 días, ha logrado avances sustanciales con el esfuerzo del equipo por 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 solo ha estado en línea por unos pocos días. Sin embargo, se espera que pronto aparezcan proyectos de alta calidad que adopten ARC, similar a Virtual Flywheel, pero con un enfoque en Solana. El equipo es optimista sobre la colaboración con Solana, comparando la relación de ARC con Solana como la de Virtual con Base. Es importante destacar que el equipo no solo alienta a los nuevos proyectos a usar Rig para su lanzamiento, sino que también anima a los desarrolladores a mejorar el marco de Rig en sí.
Zerepy es un nuevo marco lanzado que, gracias a su relación de colaboración con Eliza, está ganando cada vez más atención. Este marco ha atraído a los contribuyentes de Eliza, quienes están trabajando activamente en su mejora. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades para los desarrolladores de Python, quienes anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco desempeñará un papel importante en la creatividad de la IA.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
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 el futuro del marco Crypto X AI. Nos centraremos en los cuatro marcos principales actuales (ELIZA, GAME, ARC, ZEREPY) y sus diferencias técnicas respectivas.
1. Introducción
Hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY en la última semana, y nuestras conclusiones son las siguientes.
Creemos que AI16Z seguirá dominando. El valor de Eliza (con una cuota de mercado de aproximadamente el 60% y una capitalización de mercado de más de mil millones de dólares) radica en su ventaja competitiva inicial (efecto Lindy) y en la adopción creciente por parte de más desarrolladores. Los datos, como 193 contribuyentes, 1800 bifurcaciones y más de 6000 estrellas, lo demuestran, convirtiéndolo en uno de los repositorios de código más populares en Github.
Hasta ahora, el desarrollo de GAME (con una cuota de mercado de aproximadamente el 20% y una capitalización de mercado de alrededor de 300 millones de dólares) ha sido muy exitoso, logrando 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%. GAME seguirá beneficiándose del auge de VIRTUAL y se convertirá en uno de los mayores ganadores de su ecosistema.
Rig (ARC, cuota de mercado de aproximadamente 15%, capitalización de mercado de aproximadamente 160 millones de dólares) es muy llamativo, ya que su diseño modular es muy fácil de operar y puede dominar como "pure-play" en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente el 5% y un valor de mercado de aproximadamente 300 millones de dólares) es una aplicación relativamente de nicho, dirigida a la entusiasta comunidad de ZEREBRO, cuya reciente colaboración con la comunidad ai16z podría generar sinergias.
Notamos que nuestro cálculo de participación de mercado abarca la capitalización de mercado, los registros de desarrollo y el mercado de terminales del sistema operativo subyacente.
Creemos que, en este ciclo de mercado, el mercado de marcos será el área de crecimiento más rápido, con un valor total de mercado de 1,7 mil millones de dólares que podría fácilmente crecer hasta 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 superaron los 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, el método 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 filosofías en el proceso de desarrollo de agentes de IA, desde proyectos de comunidad de código abierto hasta soluciones empresariales centradas en el rendimiento.
Este artículo comienza presentando los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, qué funciones únicas tienen y cuáles son los posibles casos de uso de los marcos. Luego, comparamos cada marco en términos de usabilidad, escalabilidad, adaptabilidad y rendimiento, explorando sus respectivas ventajas y limitaciones.
ELIZA (desarrollado por ai16z)
Eliza es un marco de simulación de múltiples agentes de código abierto, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Está desarrollado en el lenguaje de programación TypeScript y proporciona una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.
Las funciones centrales de este marco incluyen una arquitectura de múltiples agentes que admite el despliegue y la gestión simultánea de múltiples personalidades únicas de IA, así como un sistema de roles que crea diferentes agentes utilizando un marco de archivos de roles, y funciones de gestión de memoria a largo plazo y conciencia contextual a través de un sistema de generación mejorada por recuperación (RAG). Además, el marco Eliza también ofrece una integración fluida de la plataforma, permitiendo conexiones confiables con Discord, X y otras plataformas de redes sociales.
Desde la perspectiva de las funciones de comunicación y medios de un agente de IA, Eliza es una excelente opción. En términos de comunicación, el marco admite la integración con la función de canales de voz de Discord, las funciones de X, Telegram y el acceso directo a API para casos de uso personalizados. Por otro lado, las funciones de procesamiento de medios del marco se pueden ampliar para incluir 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 de manera efectiva una variedad de entradas y salidas de medios.
El marco Eliza ofrece soporte flexible para modelos de IA a través de inferencia local de modelos de código abierto, 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, con un amplio soporte para sistemas operativos, clientes personalizados y una API completa, asegurando la escalabilidad y adaptabilidad entre aplicaciones.
Los casos de uso de Eliza abarcan múltiples campos, como: asistentes de IA para soporte al cliente, revisión de comunidades y tareas personales, así como creadores automáticos de contenido, robots interactivos y representantes de marca en roles de redes sociales. También puede actuar como 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 juego de roles, tutores educativos y agentes de ventas.
La arquitectura de Eliza se basa en un tiempo de ejecución de agentes (agent runtime), que se integra sin problemas con su sistema de roles (respaldado por proveedores de modelos), el gestor de memoria (conectado a la base de datos) y el sistema operativo (vinculado al cliente de la plataforma). Las características únicas de este marco incluyen un sistema de plugins que permite 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). Gracias a su diseño versátil y potente, Eliza se destaca como una herramienta poderosa para el desarrollo de aplicaciones de IA en múltiples campos.
G.A.M.E (desarrollado por Virtuals Protocol)
El marco de entidades multimodales autónomas generativas (G.A.M.E) tiene como objetivo proporcionar a los desarrolladores acceso a API y SDK para experimentos de agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y el proceso de aprendizaje de los agentes de IA.
Los componentes centrales son los siguientes: en primer lugar, la Interfaz de Solicitud del Agente (Agent Prompting Interface) es el punto de entrada para que los desarrolladores integren GAME en el agente y accedan al comportamiento del agente. El Subsistema de Percepción (Perception Subsystem) inicia la sesión mediante parámetros como el ID de sesión, el ID del agente, el 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 reacción. Su núcleo es el módulo de procesamiento de diálogos, que se utiliza para manejar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder eficazmente a la entrada.
El motor de planificación estratégica trabaja junto con el módulo de procesamiento de diálogos y el operador de cartera en cadena para generar respuestas y planes. Este motor tiene dos niveles de funcionalidad: como planificador de alto nivel, crea estrategias amplias según el contexto o los objetivos; como estrategia 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 moldean el comportamiento y el proceso de toma de decisiones del agente.
Este marco utiliza procesadores de memoria de trabajo a corto y largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos anteriores, resultados y planes actuales. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, actualidad y relevancia. La memoria a largo plazo almacena conocimientos sobre la experiencia del agente, la reflexión, la personalidad dinámica, el contexto del mundo y la memoria de trabajo, para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.
El módulo de aprendizaje utiliza datos del subsistema de percepción para generar conocimientos generales, los cuales se retroalimentan al sistema para mejorar las interacciones futuras. Los desarrolladores pueden ingresar a través de la interfaz comentarios 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 del agente. 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 basándose en esta información, utilizando estrategias de alto nivel y planes de acción detallados.
Las notificaciones de datos del contexto global y del repositorio de agentes informan a 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 una mejora continua en el comportamiento e interacción de los agentes.
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 varios proveedores de LLM, como OpenAI y Anthropic, y admite varios almacenes de vectores, incluidos MongoDB y Neo4j. La singularidad de la arquitectura modular del marco radica en sus componentes centrales, como la capa de abstracción de proveedores (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, para facilitar la interacción fluida con LLM.
El público principal de Rig incluye a desarrolladores que construyen aplicaciones de IA/ML usando Rust, y también a organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento de vectores en sus propias aplicaciones Rust. El repositorio utiliza una arquitectura de espacio de trabajo, con múltiples crates, que soporta la escalabilidad y la gestión eficiente de proyectos. Sus características clave incluyen una capa de abstracción de proveedores, que proporciona estandarización para completar e incrustar API entre diferentes proveedores de LLM, con un manejo de errores consistente. El componente de integración de almacenamiento de vectores proporciona una interfaz abstracta para múltiples backend y soporta la búsqueda de similitud de vectores. El sistema de proxy simplifica la interacción con LLM, soportando generación aumentada por recuperación (RAG) e integración de herramientas. Además, el marco de incrustación también proporciona capacidades de procesamiento por lotes y operaciones de incrustación con 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 de manera efectiva una gran cantidad de solicitudes concurrentes. El mecanismo de manejo de errores inherente al marco mejora la capacidad de recuperación ante fallos de proveedores de inteligencia artificial o operaciones de base de datos. La seguridad de tipos puede prevenir errores durante el proceso de compilación, lo que aumenta la mantenibilidad del código. Un proceso eficiente de serialización y deserialización admite el procesamiento de datos en formatos como JSON, lo cual es crucial para la comunicación y el almacenamiento de servicios de IA. Un registro detallado y la detección ayudan aún más en la depuración y monitoreo de la aplicación.
El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, y esta solicitud 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 el agente puede utilizar herramientas o acceder al almacenamiento de vectores de 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 implica la recuperación de documentos y la comprensión del contexto. El sistema integra múltiples proveedores de LLM y almacenamiento de vectores, siendo adaptable a la disponibilidad o actualizaciones de rendimiento del modelo.
Los casos de uso de Rig son diversos, incluyendo sistemas de preguntas y respuestas que recuperan documentos relevantes para proporcionar respuestas precisas, sistemas de búsqueda y recuperación de documentos para un descubrimiento eficiente de contenidos, así como chatbots o asistentes virtuales que ofrecen interacciones contextualmente conscientes para servicio al cliente o educación. También soporta la generación de contenido, apoyando la creación de textos y otros materiales basados en modelos 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 lenguaje Python, diseñado para implementar agentes en X utilizando OpenAI o Anthropic LLM. Proveniente de una versión modular del backend de Zerebro, ZerePy permite a los desarrolladores lanzar agentes con funcionalidades similares al núcleo de Zerebro. Aunque el marco proporciona una base para la implementación de agentes, el ajuste fino del modelo es esencial para generar salidas creativas. ZerePy simplifica el desarrollo y la implementación de agentes de IA personalizados, especialmente para la creación de contenido en plataformas sociales, cultivando un ecosistema creativo impulsado por IA orientado a las artes y aplicaciones descentralizadas.
Este marco está desarrollado en Python, enfatiza la autonomía del agente y se centra en la generación de salidas creativas, manteniendo la coherencia con la arquitectura de ELIZA y su relación de colaboración con ELIZA. Su diseño modular admite la integración del sistema de memoria y soporta 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 mejorar funcionalidades.
Los casos de uso de ZerePy abarcan el ámbito de la automatización de redes sociales, permitiendo a los usuarios implementar agentes de inteligencia artificial para publicar, responder, dar me gusta y compartir, lo que aumenta la participación en la plataforma. Además, también se adapta a la creación de contenido en áreas como la música, memes y NFT, convirtiéndose en una herramienta importante para plataformas de contenido digital y basadas en blockchain.
(2) Comparación de los cuatro grandes marcos
En nuestra opinión, cada marco proporciona un enfoque único para el desarrollo de inteligencia artificial, adaptándose a necesidades y entornos específicos, y hemos cambiado el enfoque de la competencia entre estos marcos a las singularidades de cada uno.
ELIZA se destaca por su interfaz amigable para el usuario, especialmente para los desarrolladores familiarizados con entornos de JavaScript y Node.js. Su documentación integral ayuda a configurar agentes de inteligencia artificial en diversas plataformas, aunque su amplio conjunto de funciones puede presentar una cierta curva de aprendizaje. Desarrollado en TypeScript, Eliza es una opción ideal para construir agentes integrados en la web, ya que la mayoría de la infraestructura web tiene su frontend desarrollado en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, que permite implementar diferentes personalidades de inteligencia artificial en plataformas como Discord, X y Telegram. Su avanzado sistema de gestión de memoria RAG lo hace especialmente efectivo como asistente de inteligencia artificial en aplicaciones de soporte al cliente o redes sociales. Aunque ofrece flexibilidad, un sólido apoyo de la comunidad y un rendimiento consistente en múltiples plataformas, todavía se encuentra en una etapa temprana, lo que puede representar una curva de aprendizaje para los desarrolladores.
GAME está diseñado específicamente para desarrolladores de juegos, proporcionando una interfaz de bajo código o sin código a través de API, lo que permite que los usuarios con menos conocimientos técnicos en el ámbito de los juegos también puedan utilizarlo. Sin embargo, se centra en el desarrollo de juegos y la integración con blockchain, lo que puede presentar una curva de aprendizaje empinada para aquellos sin experiencia relevante. Se destaca en la generación de contenido del programa y el comportamiento de NPC, pero está limitado por la complejidad añadida de su nicho y la integración con blockchain.
Debido al uso del lenguaje Rust, y dada la complejidad de este lenguaje, Rig puede no ser muy amigable, lo que presenta un desafío de aprendizaje significativo; sin embargo, para aquellos que son expertos en programación de sistemas, tiene una interacción intuitiva. En comparación con typescript, este lenguaje de programación es conocido por su rendimiento y seguridad de memoria. Tiene verificaciones estrictas en tiempo de compilación y abstracciones sin costo, lo que es necesario para ejecutar algoritmos complejos de IA. Este 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, usar Rust inevitablemente enfrentará una curva de aprendizaje pronunciada.
ZerePy utiliza Python, ofreciendo alta disponibilidad para tareas de IA creativa, con una curva de aprendizaje baja para los desarrolladores de Python, especialmente aquellos con antecedentes en IA/ML, y se beneficia de un fuerte apoyo comunitario gracias a la comunidad cripto de Zerebro. ZerePy es especialmente competente en aplicaciones de inteligencia artificial creativa como NFT, posicionándose como una poderosa herramienta para medios digitales y arte. Aunque prospera en creatividad, su alcance es relativamente estrecho en comparación con otros marcos.
En términos de escalabilidad, ELIZA ha logrado avances significativos en su actualización V2, introduciendo una línea de mensajes unificada y un marco central escalable que permite una gestión efectiva a través de múltiples plataformas. Sin embargo, sin una optimización, esta gestión de la interacción en múltiples plataformas podría 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 estar limitada por motores de juego específicos o redes de blockchain.
El marco Rig aprovecha el rendimiento de escalabilidad de Rust, diseñado para aplicaciones de alto rendimiento, lo cual 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 de la comunidad, pero su enfoque central podría limitar su aplicación en un entorno de inteligencia artificial más amplio. La escalabilidad podría ser puesta a prueba por la diversidad de tareas creativas en lugar de por la cantidad de usuarios.
En términos de adaptabilidad, ELIZA lidera con su sistema de plugins y compatibilidad multiplataforma, mientras que GAME en su entorno de juego y Rig para manejar tareas complejas de IA también son excelentes. ZerePy muestra una alta adaptabilidad en el campo creativo, pero no es muy adecuado para aplicaciones de inteligencia artificial más amplias.
En términos de rendimiento, ELIZA está optimizada para interacciones rápidas en redes sociales, donde el tiempo de respuesta rápido es clave, pero su rendimiento puede variar al manejar tareas de cálculo más complejas.
El GAME desarrollado por Virtual Protocol se centra en la interacción en tiempo real de alto rendimiento en escenarios de juego, utilizando procesos de decisión eficientes y blockchain potencial para operaciones de inteligencia artificial descentralizada.
El marco Rig, basado en el lenguaje Rust, ofrece un rendimiento excepcional para tareas de cómputo 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, y sus métricas se centran 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 proporciona flexibilidad y escalabilidad, lo que le confiere una gran adaptabilidad a través de su sistema de plugins y configuración de roles, favoreciendo la interacción social de IA en múltiples plataformas.
GAME ofrece una función de interacción en tiempo real única en los juegos, mejorada por la integración de blockchain que potencia la participación novedosa de la 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 limpio para la salud de proyectos a largo plazo.
Zerepy se especializa en fomentar 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 está en una etapa temprana, existen problemas de estabilidad potencial 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 la pronunciada curva de aprendizaje de 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.
(3) Resumen de comparación de marcos
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, DAOs y transacciones, con un énfasis especial en sistemas multiagente.
Comunidad: altamente impulsada por la comunidad, con una amplia participación en GitHub.
ZerePy (ZEREBRO)：
Idioma: 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 más simples de agentes de IA.
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 según las interacciones en un entorno virtual.
Caso de uso: el más adecuado para que los agentes de IA aprendan y se adapten a escenarios, como juegos o mundos virtuales.
Comunidad: comunidad innovadora, pero aún definiendo su posición en la competencia.
3. Tendencias de datos de estrellas en Github
La imagen anterior muestra los datos de estrellas en GitHub desde el lanzamiento de estos marcos. Cabe destacar que las estrellas en GitHub son 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 aumento significativo en el número de stars a finales de noviembre (alcanzando 61,000 stars), esto indica que el interés de las personas ha crecido rápidamente, atrayendo la atención de los desarrolladores. Este crecimiento exponencial sugiere que ELIZA ha ganado una gran atracción debido a sus funciones, actualizaciones y participación de la comunidad. Su popularidad supera con creces 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 más antiguo 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 número creciente de usuarios son las razones por las que el interés de los usuarios sigue acumulándose. Esto puede reflejar que los usuarios de este marco son un nicho o que aún están acumulando reputación.
ZEREPY (línea amarilla):
ZerePy fue lanzado 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. Es importante señalar que este marco se puede aplicar directamente a los agentes dentro del ecosistema virtual a través de 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 el proxy funcione en un entorno seguro. Una de las características que se lanzará pronto es el registro de complementos (Plugin Registry), que permitirá a los desarrolladores registrar e integrar complementos sin problemas.
Además, Eliza V2 soportará el envío de mensajes anónimos automatizados entre plataformas. El libro blanco de la economía de tokens está programado para ser publicado el 1 de enero de 2025, y se espera que tenga un impacto positivo en el token AI16Z subyacente al marco de Eliza. AI16Z planea seguir mejorando la utilidad del marco, atrayendo talento de alta calidad, y los esfuerzos de sus principales contribuyentes ya han demostrado que tiene esta capacidad.
El marco GAME proporciona integración sin código para los agentes, permitiendo el uso simultáneo de GAME y ELIZA en un solo proyecto, cada uno sirviendo a un propósito específico. Este enfoque promete atraer a 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 durante solo unos 30 días, ha logrado avances sustanciales con el esfuerzo del equipo por 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 solo ha estado en línea por unos pocos días. Sin embargo, se espera que pronto aparezcan proyectos de alta calidad que adopten ARC, similar a Virtual Flywheel, pero con un enfoque en Solana. El equipo es optimista sobre la colaboración con Solana, comparando la relación de ARC con Solana como la de Virtual con Base. Es importante destacar que el equipo no solo alienta a los nuevos proyectos a usar Rig para su lanzamiento, sino que también anima a los desarrolladores a mejorar el marco de Rig en sí.
Zerepy es un nuevo marco lanzado que, gracias a su relación de colaboración con Eliza, está ganando cada vez más atención. Este marco ha atraído a los contribuyentes de Eliza, quienes están trabajando activamente en su mejora. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades para los desarrolladores de Python, quienes anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco desempeñará un papel importante en la creatividad de la IA.