Autor: Deep Value Memetics, tradução: Jinse Caijing xiaozou
Neste artigo, iremos explorar as perspectivas da estrutura Crypto X AI. Focaremos nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas respectivas diferenças tecnológicas.
1、Introdução
Na última semana, pesquisámos e testámos os quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC, ZEREPY. As nossas conclusões são as seguintes.
Acreditamos que o AI16Z continuará a dominar. O valor do Eliza (cerca de 60% de participação de mercado, valor de mercado superior a 1 bilhão de dólares) reside em sua vantagem de primeiro movimento (efeito Lindy) e no aumento do uso por desenvolvedores, com 193 contribuintes, 1800 forks e mais de 6000 stars, dados que comprovam isso, tornando-o um dos repositórios de código mais populares no Github.
Até agora, o desenvolvimento do GAME (com uma participação de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, adquirindo uma adoção rápida. Como anunciado recentemente pelo VIRTUAL, a plataforma possui mais de 200 projetos, 150.000 solicitações diárias e uma taxa de crescimento semanal de 200%. O GAME continuará a se beneficiar da ascensão do VIRTUAL e se tornará um dos maiores vencedores de seu ecossistema.
Rig (ARC, com uma quota de mercado de cerca de 15%, capitalização de mercado de cerca de 160 milhões de dólares) é muito impressionante, pois seu design modular é muito fácil de operar e pode se tornar um "pure-play" dominante no ecossistema Solana (RUST).
Zerepy (com uma quota de mercado de cerca de 5%, capitalização de mercado de cerca de 300 milhões de dólares) é uma aplicação relativamente nichada, direcionada à entusiástica comunidade ZEREBRO, e a recente colaboração com a comunidade ai16z pode gerar sinergias.
Notamos que o nosso cálculo de quota de mercado abrange o valor de mercado, o histórico de desenvolvimento e o mercado de terminais do sistema operativo subjacente.
Acreditamos que, neste ciclo de mercado, o segmento de estruturas será a área de crescimento mais rápido, com um valor de mercado total de 1,7 bilhões de dólares que pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação máxima de L1 em 2021, quando muitas avaliações de L1 ultrapassaram 20 bilhões de dólares. Embora essas estruturas atendam a diferentes mercados finais (cadeias/ecossistemas), considerando que acreditamos que este campo está em uma tendência crescente, o método ponderado pela capitalização de mercado pode ser a abordagem mais cautelosa.
2、Quatro grandes estruturas
No quadro abaixo, listamos as tecnologias chave, componentes e vantagens de cada um dos principais frameworks.
(1) Visão Geral do Quadro
No campo da interseção entre AI e Crypto, existem várias estruturas que promovem o desenvolvimento da IA. Elas são o ELIZA da AI16Z, o RIG da ARC, o ZEREBRO da ZEREPY, e o VIRTUAL do GAME. Cada estrutura atende a diferentes necessidades e filosofias no processo de desenvolvimento de agentes de IA, desde projetos de comunidade de código aberto até soluções empresariais focadas em desempenho.
Este artigo apresenta primeiro as estruturas, explicando o que são, quais linguagens de programação, arquiteturas técnicas e algoritmos utilizam, quais funcionalidades únicas possuem e quais são os potenciais casos de uso das estruturas. Em seguida, comparamos cada estrutura em termos de usabilidade, escalabilidade, adaptabilidade e desempenho, explorando suas respectivas vantagens e limitações.
ELIZA (desenvolvido pela ai16z)
Eliza é uma estrutura de simulação de múltiplos agentes de código aberto, destinada a criar, implantar e gerenciar agentes de IA autônomos. Foi desenvolvida na linguagem de programação TypeScript e oferece uma plataforma flexível e escalável para construir agentes inteligentes que podem interagir com humanos em múltiplas plataformas, mantendo uma personalidade e um conhecimento consistentes.
As funcionalidades centrais deste framework incluem uma arquitetura multi-agente que suporta a implementação e gestão simultânea de várias personalidades de IA únicas, bem como um sistema de papéis que cria diferentes agentes utilizando um framework de ficheiros de papéis, e funcionalidades de gestão de memória a longo prazo e consciência de contexto através de um sistema de Recuperação Aumentada de Geração (RAG). Além disso, o framework Eliza também oferece uma integração fluida na plataforma, permitindo uma conexão fiável com o Discord, X e outras plataformas de redes sociais.
Do ponto de vista das funcionalidades de comunicação e mídia do agente de IA, Eliza é uma excelente escolha. Na comunicação, a estrutura suporta a funcionalidade de canais de voz do Discord, funcionalidades do X, Telegram, bem como a integração com APIs para acesso direto a casos de uso personalizados. Por outro lado, a funcionalidade de processamento de mídia da estrutura pode ser expandida 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 diálogos, podendo lidar efetivamente com vários tipos de entradas e saídas de mídia.
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 Nous Hermes Llama 3.1B), além de integrar suporte ao Claude para lidar com tarefas complexas. Eliza adota uma arquitetura modular, com amplo suporte a sistemas operacionais, clientes personalizados e uma API abrangente, garantindo escalabilidade e adaptabilidade entre aplicativos.
Os casos de uso da Eliza abrangem várias áreas, como: assistente de IA para suporte ao cliente, revisão de comunidades e tarefas pessoais, além de criadores de conteúdo automáticos, robôs interativos e representantes de marcas em papéis de redes sociais. Também pode atuar como trabalhador do conhecimento, desempenhando funções de assistente de pesquisa, analista de conteúdo e processador de documentos, e apoiar formas de papéis interativos como robôs de interpretação, tutores educacionais e agentes de representação.
A arquitetura da Eliza é construída em torno do tempo de execução do agente (agent runtime), que se integra perfeitamente ao seu sistema de papéis (suportado pelos provedores de modelos), gerenciador de memória (conectado ao banco de dados) e sistema operacional (que se liga ao cliente da plataforma). As características únicas deste framework incluem um sistema de plugins que suporta a extensão modular de funcionalidades, suporte a interações multimodais, como voz, texto e mídia, e compatibilidade com modelos de IA de ponta (como Llama, GPT-4 e Claude). Com seu design versátil e poderoso, a Eliza se destaca como uma ferramenta robusta para o desenvolvimento de aplicações de IA em várias áreas.
G.A.M.E (desenvolvido pelo Virtuals Protocol)
A estrutura de entidades multimodais autônomas generativas (G.A.M.E) destina-se a fornecer acesso a APIs e SDKs para experimentação com agentes de IA para desenvolvedores. Esta estrutura oferece uma abordagem estruturada para gerenciar o comportamento, a tomada de decisões e o processo de aprendizado dos agentes de IA.
Os componentes principais são os seguintes: primeiro, a Interface de Prompting do Agente (Agent Prompting Interface) é o ponto de entrada para os desenvolvedores integrarem o GAME ao agente para acessar o comportamento do agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão através da especificação de parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.
Ele combinará as informações recebidas em um formato adequado para o mecanismo de planejamento estratégico (Strategic Planning Engine), atuando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou de resposta. O núcleo é o módulo de processamento de diálogo, que lida com mensagens e respostas do agente e colabora com o subsistema de percepção para interpretar e responder efetivamente às entradas.
O motor de planejamento estratégico trabalha em conjunto com o módulo de processamento de diálogo e o operador de carteira em cadeia para gerar respostas e planos. Este motor possui dois níveis de funcionalidade: como um planejador de alto nível, cria estratégias amplas com base no contexto ou objetivos; como um planejamento de baixo nível, converte essas estratégias em estratégias acionáveis, que são divididas em um planejador de ações para tarefas específicas e um executor de planos para a execução das tarefas.
Outro componente independente, mas importante, é o 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 juntos moldam 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 comportamentos anteriores, resultados e informações relevantes sobre o plano atual. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, atualidade e relevância. A memória de longo prazo armazena conhecimentos da experiência do agente, reflexões, personalidade dinâmica, contexto mundial e memória de trabalho, a fim de aprimorar a tomada de decisão e fornecer uma base para a aprendizagem.
O módulo de aprendizagem utiliza dados do subsistema de percepção para gerar conhecimento geral, o qual é retroalimentado no sistema para melhorar interações futuras. Os desenvolvedores podem inserir através da interface feedback sobre ações, estados de jogos e dados sensoriais para aumentar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planejamento e tomada de decisões.
O fluxo de trabalho começa com o desenvolvedor interagindo através da interface de prompt do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogo, que é responsável por gerenciar a lógica 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 tarefas imediatas. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimentos de longo prazo. O módulo de aprendizado analisa os resultados e integra novos conhecimentos ao sistema, permitindo que o comportamento e a interação do agente melhorem continuamente.
RIG (desenvolvido pela ARC)
Rig é uma estrutura de código aberto em Rust, destinada a simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ela fornece uma interface unificada para interagir com vários fornecedores de LLM, como OpenAI e Anthropic, e suporta várias armazenagens de vetores, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular da estrutura reside nos seus componentes centrais, como a camada de abstração do fornecedor (Provider Abstraction Layer), integração de armazenamento de vetores e sistema de agentes, para facilitar a interação sem costura com LLM.
O público-alvo principal do Rig inclui desenvolvedores que constroem aplicações de AI/ML usando Rust, além de organizações que buscam integrar vários fornecedores de LLM e armazenamento vetorial em suas aplicações Rust. O repositório usa uma arquitetura de workspace, com vários crates, suportando escalabilidade e gerenciamento de projetos eficiente. Suas funcionalidades principais incluem uma camada de abstração de fornecedores, que fornece padronização para a conclusão e incorporação de APIs entre diferentes fornecedores de LLM, com um tratamento de erros consistente. O componente de Integração de Armazenamento Vetorial oferece uma interface abstrata para múltiplos backends e suporta busca por similaridade vetorial. O sistema de proxy simplifica a interação com LLM, suportando recuperação aumentada por geração (RAG) e integração de ferramentas. Além disso, o framework de incorporação também oferece funcionalidades de processamento em lote e operações de incorporação com segurança de tipo.
O Rig utiliza várias vantagens tecnológicas para garantir confiabilidade e desempenho. A operação assíncrona aproveita o tempo de execução assíncrono do Rust para lidar eficientemente com um grande número de solicitações concorrentes. O mecanismo de tratamento de erros inerente ao framework melhora a capacidade de recuperação em caso de falhas de 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 eficientes de serialização e desserialização suportam o processamento de dados em formatos como JSON, o que é crucial para a comunicação e armazenamento de serviços de IA. O registro detalhado e a detecção ajudam ainda mais na depuração e monitorização da aplicação.
O fluxo de trabalho do Rig começa quando um pedido é iniciado no cliente, e esse pedido interage com o modelo LLM apropriado através da camada de abstração do fornecedor. 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 retornada ao cliente, um processo que envolve recuperação de documentos e compreensão do contexto. O sistema integra vários fornecedores de LLM e armazenamento de vetores, adaptando-se 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 eficiente de conteúdo, e chatbots ou assistentes virtuais que oferecem interações contextualmente conscientes para atendimento ao cliente ou educação. Também suporta a geração de conteúdo, permitindo a criação de textos e outros materiais com base em modos de aprendizado, tornando-o uma ferramenta versátil para desenvolvedores e organizações.
Zerepy (desenvolvido pela ZEREPY e blorm)
ZerePy é uma estrutura de código aberto escrita na linguagem Python, projetada para implantar agentes no X usando OpenAI ou Anthropic LLM. Originado de uma versão modular do back-end do Zerebro, o ZerePy permite que os desenvolvedores lancem 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 voltados para a criação de conteúdo em plataformas sociais, promovendo um ecossistema criativo impulsionado por IA voltado para a arte e aplicações descentralizadas.
Este framework é desenvolvido em Python, enfatiza a autonomia do agente e foca na geração de saídas criativas, mantendo consistência com a estrutura do ELIZA e sua relação de colaboração com o ELIZA. Seu design modular suporta a integração de sistemas de memória e permite a implementação do agente em plataformas sociais. As principais funcionalidades incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte aos LLM da OpenAI e Anthropic, e um sistema de conexão modular para funcionalidades aprimoradas.
Os casos de uso do ZerePy abrangem o campo da automação de mídias sociais, permitindo que os usuários implementem agentes de inteligência artificial para publicar, responder, curtir e compartilhar, aumentando assim o envolvimento na plataforma. Além disso, 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 Grandes Quadros
Na nossa opinião, cada framework oferece uma abordagem única para o desenvolvimento de inteligência artificial, alinhada com necessidades e ambientes específicos, mudamos o foco da relação competitiva entre esses frameworks para a singularidade de cada um.
ELIZA destaca-se pela sua interface amigável, especialmente para desenvolvedores familiarizados com os ambientes JavaScript e Node.js. A sua documentação abrangente ajuda na configuração de agentes de inteligência artificial em várias plataformas, embora o seu amplo conjunto de funcionalidades possa trazer uma certa curva de aprendizado. Desenvolvido em TypeScript, faz do Eliza uma escolha ideal para construir agentes integrados na web, uma vez que a maioria da infraestrutura web é desenvolvida em TypeScript. O framework é conhecido pela sua arquitetura de múltiplos agentes, podendo implantar diferentes personalidades de inteligência artificial em plataformas como Discord, X e Telegram. O seu avançado sistema de gestão de memória RAG torna-o particularmente eficaz como assistente de inteligência artificial em aplicações de suporte ao cliente ou redes sociais. Embora ofereça flexibilidade, forte apoio da comunidade e desempenho consistente em diferentes plataformas, ainda se encontra em fase inicial, podendo 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 de 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, dada a complexidade dessa linguagem, o Rig pode não ser muito amigável, o que traz desafios significativos de aprendizado, mas para aqueles que são proficientes em programação de sistemas, possui uma interação intuitiva. Em comparação com o typescript, essa linguagem de programação é conhecida por seu desempenho e segurança de memória. Ela possui verificações rigorosas em tempo de compilação e abstrações de custo zero, o que é necessário para executar algoritmos complexos de IA. A linguagem é muito eficiente, e seu controle de baixo nível a torna uma escolha ideal para aplicações de IA que consomem muitos recursos. O framework oferece soluções de alto desempenho com design modular e escalável, tornando-o uma escolha ideal para aplicações empresariais. No entanto, para desenvolvedores que não estão familiarizados com Rust, o uso da linguagem inevitavelmente enfrentará uma curva de aprendizado acentuada.
O ZerePy utiliza Python, oferecendo alta disponibilidade para tarefas de IA criativa, com uma curva de aprendizado baixa para desenvolvedores Python, especialmente aqueles com formação em IA/ML, e se beneficia de um forte suporte comunitário devido à comunidade cripto do Zerebro. O ZerePy é especializado em aplicações de inteligência artificial criativa, como NFTs, posicionando-se como uma ferramenta poderosa para mídia digital e arte. Embora prospere em criatividade, sua gama é relativamente limitada em comparação com outros frameworks.
Em termos de escalabilidade, a ELIZA fez progressos significativos na sua atualização V2, introduzindo um fluxo de mensagens unificado e uma estrutura central escalável, que suporta uma gestão eficaz através de várias plataformas. No entanto, se não forem feitas otimizações, essa gestão de interações multi-plataforma pode trazer desafios em termos de escalabilidade.
O GAME destaca-se no processamento em tempo real necessário para os jogos, e a escalabilidade é gerida através de algoritmos eficientes e de um potencial sistema distribuído de blockchain, embora possa estar limitada por motores de jogo específicos ou redes de blockchain.
O framework Rig utiliza a escalabilidade do Rust, projetado para aplicações de alto throughput, o que é particularmente eficaz para implantações em nível empresarial, embora isso possa significar que a verdadeira escalabilidade requer configurações complexas.
A escalabilidade do Zerepy está voltada para a produção criativa, com o suporte 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.
Em termos de adaptabilidade, ELIZA lidera com seu sistema de plugins e compatibilidade entre plataformas, enquanto GAME no ambiente de jogo e Rig no tratamento de tarefas complexas de IA também são excelentes. ZerePy demonstra alta adaptabilidade no campo criativo, mas não é tão adequado para aplicações de inteligência artificial mais amplas.
Em termos de desempenho, a ELIZA foi otimizada para interações rápidas em redes sociais, sendo o tempo de resposta rápido um fator chave, 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 um processo de decisão eficiente e uma blockchain potencial para operações de inteligência artificial descentralizada.
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 computacional é crucial.
O desempenho da Zerepy é personalizado para a criação de conteúdos criativos, 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 que oferece flexibilidade e escalabilidade, tornando-se altamente adaptável através do seu sistema de plugins e configuração de papéis, o que é benéfico para a interação social de IA em várias plataformas.
O GAME oferece uma funcionalidade única de interação em tempo real nos jogos, aprimorada por uma integração de blockchain que envolve uma nova participação 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 é especializada em cultivar criatividade, está na vanguarda da aplicação de inteligência artificial em arte digital e é apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.
Cada framework tem suas limitações. O ELIZA ainda está em uma fase inicial, apresentando potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores. Jogos de nicho podem limitar aplicações mais amplas, e a blockchain adiciona complexidade. A curva de aprendizado acentuada do Rig, devido ao Rust, pode afastar alguns desenvolvedores, enquanto o foco restrito da Zerepy em saídas criativas pode limitar seu uso em outras áreas da IA.
(3) Resumo Comparativo do Quadro
Rig (ARC)：
Linguagem: Rust, focada em segurança e desempenho.
Caso de uso: a escolha ideal para aplicações de IA empresariais, pois foca na eficiência e escalabilidade.
Comunidade: não é muito impulsionada pela comunidade, mas foca mais nos desenvolvedores de tecnologia.
Eliza (AI16Z)：
Linguagem: TypeScript, enfatizando a flexibilidade do web3 e a participação da comunidade.
Caso de uso: projetado para interações sociais, DAOs e transações, com ênfase especial em sistemas multiagente.
Comunidade: altamente orientada pela comunidade, com ampla participação no GitHub.
ZerePy (ZEREBRO)：
Linguagem: Python, tornando-o acessível a 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 contribuidores da AI16Z, espera-se que cresça.
JOGO (VIRTUAL):
Foco: Agentes de inteligência artificial autônomos e adaptativos que podem evoluir com base nas interações em ambientes virtuais.
Casos de uso: os mais adequados para agentes de IA aprenderem e se adaptarem a cenários, como jogos ou mundos virtuais.
Comunidade: comunidade inovadora, mas ainda a determinar a sua posição na concorrência.
3、Tendência dos dados de Star no Github
A imagem acima mostra os dados de estrelas do GitHub desde o lançamento desses frameworks. 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):
Começando a subir a partir de uma baixa base em julho, e até um grande aumento no número de estrelas no final de novembro (chegando a 61 mil estrelas), isso indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Este crescimento exponencial indica que, devido às suas funcionalidades, atualizações e participação da comunidade, a ELIZA ganhou uma enorme atração. Sua popularidade supera em muito a de outros concorrentes, o que indica que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.
RIG (linha azul):
O Rig é o quadro mais antigo dos quatro grandes, com um número moderado de estrelas, mas que tem crescido continuamente, e é muito provável que aumente significativamente no próximo mês. Ele já atingiu 1700 estrelas, mas continua a subir. O desenvolvimento contínuo, as atualizações e o número crescente de usuários são as razões pelas quais o interesse dos usuários está se acumulando. Isso pode refletir que os usuários deste quadro são um nicho ou que ainda estão acumulando reputação.
ZEREPY (linha amarela):
ZerePy foi lançado há poucos dias e já acumulou 181 estrelas. Vale a pena 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; vale a pena notar que esta estrutura pode ser aplicada diretamente a agentes no ecossistema virtual através de API, eliminando assim a necessidade de visibilidade no Github. No entanto, esta estrutura foi aberta aos construtores apenas há pouco mais de um mês, e mais de 200 projetos estão a ser construídos utilizando o GAME.
4, Razões para uma Perspectiva Altista do Quadro
A versão V2 da Eliza irá integrar o conjunto de agentes do Coinbase. Todos os projetos que utilizam a Eliza no futuro irão suportar TEE nativo, permitindo que os agentes funcionem em um ambiente seguro. Uma das funcionalidades que a Eliza irá lançar em breve é o registro de plugins (Plugin Registry), que permitirá que os desenvolvedores registrem e integrem plugins de forma transparente.
Além disso, Eliza V2 suportará mensagens anónimas automatizadas entre plataformas. O white paper da tokenomics 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 talentos de alta qualidade, e os esforços dos seus principais contribuidores já demonstraram que ele possui essa capacidade.
O framework GAME oferece integração sem código para os agentes, permitindo o uso simultâneo do GAME e do ELIZA em um único projeto, cada um servindo a um propósito específico. Esta abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora o framework tenha sido lançado publicamente há apenas 30 dias, já fez progressos substanciais com o esforço da equipe para atrair mais contribuidores. Espera-se que todos os projetos lançados no VIRTUAL utilizem o GAME.
O Rig, representado pelo token ARC, possui um enorme potencial, embora sua estrutura ainda esteja em uma fase inicial de crescimento e o plano de adoção do projeto tenha sido lançado há apenas alguns dias. Projetos de alta qualidade que adotam o ARC devem surgir em breve, semelhante ao Virtual Flywheel, mas com o foco em Solana. A equipe é otimista em relação à colaboração com Solana, comparando a relação entre ARC e Solana àquela entre Virtual e Base. É importante notar que a equipe não apenas incentiva novos projetos a iniciar com Rig, mas também encoraja desenvolvedores a aprimorar a própria estrutura do Rig.
Zerepy é um novo framework que, devido à sua colaboração com a Eliza, está ganhando cada vez mais atenção. O framework atraiu os contribuidores da Eliza, que estão ativamente melhorando-o. Impulsionado pelos fãs do ZEREBRO, ele tem um grupo de seguidores fervorosos e oferece novas oportunidades para desenvolvedores Python que anteriormente estavam sub-representados na competição de infraestrutura de inteligência artificial. O framework desempenhará um papel importante na criatividade da IA.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Comparação entre as quatro principais estruturas Crypto X AI: ELIZA, GAME, ARC e ZEREPY
Autor: Deep Value Memetics, tradução: Jinse Caijing xiaozou
Neste artigo, iremos explorar as perspectivas da estrutura Crypto X AI. Focaremos nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas respectivas diferenças tecnológicas.
1、Introdução
Na última semana, pesquisámos e testámos os quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC, ZEREPY. As nossas conclusões são as seguintes.
Acreditamos que o AI16Z continuará a dominar. O valor do Eliza (cerca de 60% de participação de mercado, valor de mercado superior a 1 bilhão de dólares) reside em sua vantagem de primeiro movimento (efeito Lindy) e no aumento do uso por desenvolvedores, com 193 contribuintes, 1800 forks e mais de 6000 stars, dados que comprovam isso, tornando-o um dos repositórios de código mais populares no Github.
Até agora, o desenvolvimento do GAME (com uma participação de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, adquirindo uma adoção rápida. Como anunciado recentemente pelo VIRTUAL, a plataforma possui mais de 200 projetos, 150.000 solicitações diárias e uma taxa de crescimento semanal de 200%. O GAME continuará a se beneficiar da ascensão do VIRTUAL e se tornará um dos maiores vencedores de seu ecossistema.
Rig (ARC, com uma quota de mercado de cerca de 15%, capitalização de mercado de cerca de 160 milhões de dólares) é muito impressionante, pois seu design modular é muito fácil de operar e pode se tornar um "pure-play" dominante no ecossistema Solana (RUST).
Zerepy (com uma quota de mercado de cerca de 5%, capitalização de mercado de cerca de 300 milhões de dólares) é uma aplicação relativamente nichada, direcionada à entusiástica comunidade ZEREBRO, e a recente colaboração com a comunidade ai16z pode gerar sinergias.
Notamos que o nosso cálculo de quota de mercado abrange o valor de mercado, o histórico de desenvolvimento e o mercado de terminais do sistema operativo subjacente.
Acreditamos que, neste ciclo de mercado, o segmento de estruturas será a área de crescimento mais rápido, com um valor de mercado total de 1,7 bilhões de dólares que pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação máxima de L1 em 2021, quando muitas avaliações de L1 ultrapassaram 20 bilhões de dólares. Embora essas estruturas atendam a diferentes mercados finais (cadeias/ecossistemas), considerando que acreditamos que este campo está em uma tendência crescente, o método ponderado pela capitalização de mercado pode ser a abordagem mais cautelosa.
2、Quatro grandes estruturas
No quadro abaixo, listamos as tecnologias chave, componentes e vantagens de cada um dos principais frameworks.
(1) Visão Geral do Quadro
No campo da interseção entre AI e Crypto, existem várias estruturas que promovem o desenvolvimento da IA. Elas são o ELIZA da AI16Z, o RIG da ARC, o ZEREBRO da ZEREPY, e o VIRTUAL do GAME. Cada estrutura atende a diferentes necessidades e filosofias no processo de desenvolvimento de agentes de IA, desde projetos de comunidade de código aberto até soluções empresariais focadas em desempenho.
Este artigo apresenta primeiro as estruturas, explicando o que são, quais linguagens de programação, arquiteturas técnicas e algoritmos utilizam, quais funcionalidades únicas possuem e quais são os potenciais casos de uso das estruturas. Em seguida, comparamos cada estrutura em termos de usabilidade, escalabilidade, adaptabilidade e desempenho, explorando suas respectivas vantagens e limitações.
ELIZA (desenvolvido pela ai16z)
Eliza é uma estrutura de simulação de múltiplos agentes de código aberto, destinada a criar, implantar e gerenciar agentes de IA autônomos. Foi desenvolvida na linguagem de programação TypeScript e oferece uma plataforma flexível e escalável para construir agentes inteligentes que podem interagir com humanos em múltiplas plataformas, mantendo uma personalidade e um conhecimento consistentes.
As funcionalidades centrais deste framework incluem uma arquitetura multi-agente que suporta a implementação e gestão simultânea de várias personalidades de IA únicas, bem como um sistema de papéis que cria diferentes agentes utilizando um framework de ficheiros de papéis, e funcionalidades de gestão de memória a longo prazo e consciência de contexto através de um sistema de Recuperação Aumentada de Geração (RAG). Além disso, o framework Eliza também oferece uma integração fluida na plataforma, permitindo uma conexão fiável com o Discord, X e outras plataformas de redes sociais.
Do ponto de vista das funcionalidades de comunicação e mídia do agente de IA, Eliza é uma excelente escolha. Na comunicação, a estrutura suporta a funcionalidade de canais de voz do Discord, funcionalidades do X, Telegram, bem como a integração com APIs para acesso direto a casos de uso personalizados. Por outro lado, a funcionalidade de processamento de mídia da estrutura pode ser expandida 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 diálogos, podendo lidar efetivamente com vários tipos de entradas e saídas de mídia.
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 Nous Hermes Llama 3.1B), além de integrar suporte ao Claude para lidar com tarefas complexas. Eliza adota uma arquitetura modular, com amplo suporte a sistemas operacionais, clientes personalizados e uma API abrangente, garantindo escalabilidade e adaptabilidade entre aplicativos.
Os casos de uso da Eliza abrangem várias áreas, como: assistente de IA para suporte ao cliente, revisão de comunidades e tarefas pessoais, além de criadores de conteúdo automáticos, robôs interativos e representantes de marcas em papéis de redes sociais. Também pode atuar como trabalhador do conhecimento, desempenhando funções de assistente de pesquisa, analista de conteúdo e processador de documentos, e apoiar formas de papéis interativos como robôs de interpretação, tutores educacionais e agentes de representação.
A arquitetura da Eliza é construída em torno do tempo de execução do agente (agent runtime), que se integra perfeitamente ao seu sistema de papéis (suportado pelos provedores de modelos), gerenciador de memória (conectado ao banco de dados) e sistema operacional (que se liga ao cliente da plataforma). As características únicas deste framework incluem um sistema de plugins que suporta a extensão modular de funcionalidades, suporte a interações multimodais, como voz, texto e mídia, e compatibilidade com modelos de IA de ponta (como Llama, GPT-4 e Claude). Com seu design versátil e poderoso, a Eliza se destaca como uma ferramenta robusta para o desenvolvimento de aplicações de IA em várias áreas.
G.A.M.E (desenvolvido pelo Virtuals Protocol)
A estrutura de entidades multimodais autônomas generativas (G.A.M.E) destina-se a fornecer acesso a APIs e SDKs para experimentação com agentes de IA para desenvolvedores. Esta estrutura oferece uma abordagem estruturada para gerenciar o comportamento, a tomada de decisões e o processo de aprendizado dos agentes de IA.
Os componentes principais são os seguintes: primeiro, a Interface de Prompting do Agente (Agent Prompting Interface) é o ponto de entrada para os desenvolvedores integrarem o GAME ao agente para acessar o comportamento do agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão através da especificação de parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.
Ele combinará as informações recebidas em um formato adequado para o mecanismo de planejamento estratégico (Strategic Planning Engine), atuando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou de resposta. O núcleo é o módulo de processamento de diálogo, que lida com mensagens e respostas do agente e colabora com o subsistema de percepção para interpretar e responder efetivamente às entradas.
O motor de planejamento estratégico trabalha em conjunto com o módulo de processamento de diálogo e o operador de carteira em cadeia para gerar respostas e planos. Este motor possui dois níveis de funcionalidade: como um planejador de alto nível, cria estratégias amplas com base no contexto ou objetivos; como um planejamento de baixo nível, converte essas estratégias em estratégias acionáveis, que são divididas em um planejador de ações para tarefas específicas e um executor de planos para a execução das tarefas.
Outro componente independente, mas importante, é o 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 juntos moldam 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 comportamentos anteriores, resultados e informações relevantes sobre o plano atual. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, atualidade e relevância. A memória de longo prazo armazena conhecimentos da experiência do agente, reflexões, personalidade dinâmica, contexto mundial e memória de trabalho, a fim de aprimorar a tomada de decisão e fornecer uma base para a aprendizagem.
O módulo de aprendizagem utiliza dados do subsistema de percepção para gerar conhecimento geral, o qual é retroalimentado no sistema para melhorar interações futuras. Os desenvolvedores podem inserir através da interface feedback sobre ações, estados de jogos e dados sensoriais para aumentar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planejamento e tomada de decisões.
O fluxo de trabalho começa com o desenvolvedor interagindo através da interface de prompt do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogo, que é responsável por gerenciar a lógica 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 tarefas imediatas. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimentos de longo prazo. O módulo de aprendizado analisa os resultados e integra novos conhecimentos ao sistema, permitindo que o comportamento e a interação do agente melhorem continuamente.
RIG (desenvolvido pela ARC)
Rig é uma estrutura de código aberto em Rust, destinada a simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ela fornece uma interface unificada para interagir com vários fornecedores de LLM, como OpenAI e Anthropic, e suporta várias armazenagens de vetores, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular da estrutura reside nos seus componentes centrais, como a camada de abstração do fornecedor (Provider Abstraction Layer), integração de armazenamento de vetores e sistema de agentes, para facilitar a interação sem costura com LLM.
O público-alvo principal do Rig inclui desenvolvedores que constroem aplicações de AI/ML usando Rust, além de organizações que buscam integrar vários fornecedores de LLM e armazenamento vetorial em suas aplicações Rust. O repositório usa uma arquitetura de workspace, com vários crates, suportando escalabilidade e gerenciamento de projetos eficiente. Suas funcionalidades principais incluem uma camada de abstração de fornecedores, que fornece padronização para a conclusão e incorporação de APIs entre diferentes fornecedores de LLM, com um tratamento de erros consistente. O componente de Integração de Armazenamento Vetorial oferece uma interface abstrata para múltiplos backends e suporta busca por similaridade vetorial. O sistema de proxy simplifica a interação com LLM, suportando recuperação aumentada por geração (RAG) e integração de ferramentas. Além disso, o framework de incorporação também oferece funcionalidades de processamento em lote e operações de incorporação com segurança de tipo.
O Rig utiliza várias vantagens tecnológicas para garantir confiabilidade e desempenho. A operação assíncrona aproveita o tempo de execução assíncrono do Rust para lidar eficientemente com um grande número de solicitações concorrentes. O mecanismo de tratamento de erros inerente ao framework melhora a capacidade de recuperação em caso de falhas de 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 eficientes de serialização e desserialização suportam o processamento de dados em formatos como JSON, o que é crucial para a comunicação e armazenamento de serviços de IA. O registro detalhado e a detecção ajudam ainda mais na depuração e monitorização da aplicação.
O fluxo de trabalho do Rig começa quando um pedido é iniciado no cliente, e esse pedido interage com o modelo LLM apropriado através da camada de abstração do fornecedor. 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 retornada ao cliente, um processo que envolve recuperação de documentos e compreensão do contexto. O sistema integra vários fornecedores de LLM e armazenamento de vetores, adaptando-se 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 eficiente de conteúdo, e chatbots ou assistentes virtuais que oferecem interações contextualmente conscientes para atendimento ao cliente ou educação. Também suporta a geração de conteúdo, permitindo a criação de textos e outros materiais com base em modos de aprendizado, tornando-o uma ferramenta versátil para desenvolvedores e organizações.
Zerepy (desenvolvido pela ZEREPY e blorm)
ZerePy é uma estrutura de código aberto escrita na linguagem Python, projetada para implantar agentes no X usando OpenAI ou Anthropic LLM. Originado de uma versão modular do back-end do Zerebro, o ZerePy permite que os desenvolvedores lancem 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 voltados para a criação de conteúdo em plataformas sociais, promovendo um ecossistema criativo impulsionado por IA voltado para a arte e aplicações descentralizadas.
Este framework é desenvolvido em Python, enfatiza a autonomia do agente e foca na geração de saídas criativas, mantendo consistência com a estrutura do ELIZA e sua relação de colaboração com o ELIZA. Seu design modular suporta a integração de sistemas de memória e permite a implementação do agente em plataformas sociais. As principais funcionalidades incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte aos LLM da OpenAI e Anthropic, e um sistema de conexão modular para funcionalidades aprimoradas.
Os casos de uso do ZerePy abrangem o campo da automação de mídias sociais, permitindo que os usuários implementem agentes de inteligência artificial para publicar, responder, curtir e compartilhar, aumentando assim o envolvimento na plataforma. Além disso, 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 Grandes Quadros
Na nossa opinião, cada framework oferece uma abordagem única para o desenvolvimento de inteligência artificial, alinhada com necessidades e ambientes específicos, mudamos o foco da relação competitiva entre esses frameworks para a singularidade de cada um.
ELIZA destaca-se pela sua interface amigável, especialmente para desenvolvedores familiarizados com os ambientes JavaScript e Node.js. A sua documentação abrangente ajuda na configuração de agentes de inteligência artificial em várias plataformas, embora o seu amplo conjunto de funcionalidades possa trazer uma certa curva de aprendizado. Desenvolvido em TypeScript, faz do Eliza uma escolha ideal para construir agentes integrados na web, uma vez que a maioria da infraestrutura web é desenvolvida em TypeScript. O framework é conhecido pela sua arquitetura de múltiplos agentes, podendo implantar diferentes personalidades de inteligência artificial em plataformas como Discord, X e Telegram. O seu avançado sistema de gestão de memória RAG torna-o particularmente eficaz como assistente de inteligência artificial em aplicações de suporte ao cliente ou redes sociais. Embora ofereça flexibilidade, forte apoio da comunidade e desempenho consistente em diferentes plataformas, ainda se encontra em fase inicial, podendo 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 de 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, dada a complexidade dessa linguagem, o Rig pode não ser muito amigável, o que traz desafios significativos de aprendizado, mas para aqueles que são proficientes em programação de sistemas, possui uma interação intuitiva. Em comparação com o typescript, essa linguagem de programação é conhecida por seu desempenho e segurança de memória. Ela possui verificações rigorosas em tempo de compilação e abstrações de custo zero, o que é necessário para executar algoritmos complexos de IA. A linguagem é muito eficiente, e seu controle de baixo nível a torna uma escolha ideal para aplicações de IA que consomem muitos recursos. O framework oferece soluções de alto desempenho com design modular e escalável, tornando-o uma escolha ideal para aplicações empresariais. No entanto, para desenvolvedores que não estão familiarizados com Rust, o uso da linguagem inevitavelmente enfrentará uma curva de aprendizado acentuada.
O ZerePy utiliza Python, oferecendo alta disponibilidade para tarefas de IA criativa, com uma curva de aprendizado baixa para desenvolvedores Python, especialmente aqueles com formação em IA/ML, e se beneficia de um forte suporte comunitário devido à comunidade cripto do Zerebro. O ZerePy é especializado em aplicações de inteligência artificial criativa, como NFTs, posicionando-se como uma ferramenta poderosa para mídia digital e arte. Embora prospere em criatividade, sua gama é relativamente limitada em comparação com outros frameworks.
Em termos de escalabilidade, a ELIZA fez progressos significativos na sua atualização V2, introduzindo um fluxo de mensagens unificado e uma estrutura central escalável, que suporta uma gestão eficaz através de várias plataformas. No entanto, se não forem feitas otimizações, essa gestão de interações multi-plataforma pode trazer desafios em termos de escalabilidade.
O GAME destaca-se no processamento em tempo real necessário para os jogos, e a escalabilidade é gerida através de algoritmos eficientes e de um potencial sistema distribuído de blockchain, embora possa estar limitada por motores de jogo específicos ou redes de blockchain.
O framework Rig utiliza a escalabilidade do Rust, projetado para aplicações de alto throughput, o que é particularmente eficaz para implantações em nível empresarial, embora isso possa significar que a verdadeira escalabilidade requer configurações complexas.
A escalabilidade do Zerepy está voltada para a produção criativa, com o suporte 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.
Em termos de adaptabilidade, ELIZA lidera com seu sistema de plugins e compatibilidade entre plataformas, enquanto GAME no ambiente de jogo e Rig no tratamento de tarefas complexas de IA também são excelentes. ZerePy demonstra alta adaptabilidade no campo criativo, mas não é tão adequado para aplicações de inteligência artificial mais amplas.
Em termos de desempenho, a ELIZA foi otimizada para interações rápidas em redes sociais, sendo o tempo de resposta rápido um fator chave, 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 um processo de decisão eficiente e uma blockchain potencial para operações de inteligência artificial descentralizada.
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 computacional é crucial.
O desempenho da Zerepy é personalizado para a criação de conteúdos criativos, 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 que oferece flexibilidade e escalabilidade, tornando-se altamente adaptável através do seu sistema de plugins e configuração de papéis, o que é benéfico para a interação social de IA em várias plataformas.
O GAME oferece uma funcionalidade única de interação em tempo real nos jogos, aprimorada por uma integração de blockchain que envolve uma nova participação 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 é especializada em cultivar criatividade, está na vanguarda da aplicação de inteligência artificial em arte digital e é apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.
Cada framework tem suas limitações. O ELIZA ainda está em uma fase inicial, apresentando potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores. Jogos de nicho podem limitar aplicações mais amplas, e a blockchain adiciona complexidade. A curva de aprendizado acentuada do Rig, devido ao Rust, pode afastar alguns desenvolvedores, enquanto o foco restrito da Zerepy em saídas criativas pode limitar seu uso em outras áreas da IA.
(3) Resumo Comparativo do Quadro
Rig (ARC)：
Linguagem: Rust, focada em segurança e desempenho.
Caso de uso: a escolha ideal para aplicações de IA empresariais, pois foca na eficiência e escalabilidade.
Comunidade: não é muito impulsionada pela comunidade, mas foca mais nos desenvolvedores de tecnologia.
Eliza (AI16Z)：
Linguagem: TypeScript, enfatizando a flexibilidade do web3 e a participação da comunidade.
Caso de uso: projetado para interações sociais, DAOs e transações, com ênfase especial em sistemas multiagente.
Comunidade: altamente orientada pela comunidade, com ampla participação no GitHub.
ZerePy (ZEREBRO)：
Linguagem: Python, tornando-o acessível a 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 contribuidores da AI16Z, espera-se que cresça.
JOGO (VIRTUAL):
Foco: Agentes de inteligência artificial autônomos e adaptativos que podem evoluir com base nas interações em ambientes virtuais.
Casos de uso: os mais adequados para agentes de IA aprenderem e se adaptarem a cenários, como jogos ou mundos virtuais.
Comunidade: comunidade inovadora, mas ainda a determinar a sua posição na concorrência.
3、Tendência dos dados de Star no Github
A imagem acima mostra os dados de estrelas do GitHub desde o lançamento desses frameworks. 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):
Começando a subir a partir de uma baixa base em julho, e até um grande aumento no número de estrelas no final de novembro (chegando a 61 mil estrelas), isso indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Este crescimento exponencial indica que, devido às suas funcionalidades, atualizações e participação da comunidade, a ELIZA ganhou uma enorme atração. Sua popularidade supera em muito a de outros concorrentes, o que indica que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.
RIG (linha azul):
O Rig é o quadro mais antigo dos quatro grandes, com um número moderado de estrelas, mas que tem crescido continuamente, e é muito provável que aumente significativamente no próximo mês. Ele já atingiu 1700 estrelas, mas continua a subir. O desenvolvimento contínuo, as atualizações e o número crescente de usuários são as razões pelas quais o interesse dos usuários está se acumulando. Isso pode refletir que os usuários deste quadro são um nicho ou que ainda estão acumulando reputação.
ZEREPY (linha amarela):
ZerePy foi lançado há poucos dias e já acumulou 181 estrelas. Vale a pena 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; vale a pena notar que esta estrutura pode ser aplicada diretamente a agentes no ecossistema virtual através de API, eliminando assim a necessidade de visibilidade no Github. No entanto, esta estrutura foi aberta aos construtores apenas há pouco mais de um mês, e mais de 200 projetos estão a ser construídos utilizando o GAME.
4, Razões para uma Perspectiva Altista do Quadro
A versão V2 da Eliza irá integrar o conjunto de agentes do Coinbase. Todos os projetos que utilizam a Eliza no futuro irão suportar TEE nativo, permitindo que os agentes funcionem em um ambiente seguro. Uma das funcionalidades que a Eliza irá lançar em breve é o registro de plugins (Plugin Registry), que permitirá que os desenvolvedores registrem e integrem plugins de forma transparente.
Além disso, Eliza V2 suportará mensagens anónimas automatizadas entre plataformas. O white paper da tokenomics 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 talentos de alta qualidade, e os esforços dos seus principais contribuidores já demonstraram que ele possui essa capacidade.
O framework GAME oferece integração sem código para os agentes, permitindo o uso simultâneo do GAME e do ELIZA em um único projeto, cada um servindo a um propósito específico. Esta abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora o framework tenha sido lançado publicamente há apenas 30 dias, já fez progressos substanciais com o esforço da equipe para atrair mais contribuidores. Espera-se que todos os projetos lançados no VIRTUAL utilizem o GAME.
O Rig, representado pelo token ARC, possui um enorme potencial, embora sua estrutura ainda esteja em uma fase inicial de crescimento e o plano de adoção do projeto tenha sido lançado há apenas alguns dias. Projetos de alta qualidade que adotam o ARC devem surgir em breve, semelhante ao Virtual Flywheel, mas com o foco em Solana. A equipe é otimista em relação à colaboração com Solana, comparando a relação entre ARC e Solana àquela entre Virtual e Base. É importante notar que a equipe não apenas incentiva novos projetos a iniciar com Rig, mas também encoraja desenvolvedores a aprimorar a própria estrutura do Rig.
Zerepy é um novo framework que, devido à sua colaboração com a Eliza, está ganhando cada vez mais atenção. O framework atraiu os contribuidores da Eliza, que estão ativamente melhorando-o. Impulsionado pelos fãs do ZEREBRO, ele tem um grupo de seguidores fervorosos e oferece novas oportunidades para desenvolvedores Python que anteriormente estavam sub-representados na competição de infraestrutura de inteligência artificial. O framework desempenhará um papel importante na criatividade da IA.