jakiro
Auteur: Deep Value Memetics, Traduction: Bit Chain Vision Xiaozou
Dans cet article, nous explorerons les perspectives du cadre Crypto X AI.Nous nous concentrerons sur les quatre principaux cadres majeurs actuels (Eliza, Game, Arc, Zerepy) et leurs différences techniques respectives.
1. Avant-propos
Nous avons étudié et testé les quatre principaux cadres Crypto X AI, les quatre principaux cadres Crypto X AI d’Eliza, Game, Arc et Zerepy la semaine dernière.
Nous pensons que l’AI16Z continuera de dominer.La valeur d’Eliza (part de marché est d’environ 60%, et la valeur marchande dépasse 1 milliard de dollars américains) réside dans son premier avantage (Lindy Effect), et l’utilisation de plus en plus de développeurs, 193 contributeurs, 1 800 bits de fourchettes et plus de 6 000 Star et d’autres données le prouvent, ce qui en fait l’une des bibliothèques de code les plus populaires sur GitHub.
Jusqu’à présent, le développement du jeu (part de marché d’environ 20% et une valeur marchande d’environ 300 millions de dollars américains) est très fluide, et il est utilisé rapidement. 150 000 demandes quotidiennes de 150 000 demandes quotidiennes et de 200% de taux de croissance hebdomadaire.Le jeu continuera de bénéficier de la montée en puissance du virtuel et deviendra l’un des plus grands gagnants de son écosystème.
RIG (ARC, la part de marché est d’environ 15%, la valeur marchande est d’environ 160 millions de dollars américains) est très visible car sa conception modulaire est très facile à utiliser et peut être utilisée comme une essence « pure-play »
Zerepy (la part de marché est d’environ 5% et la valeur marchande est d’environ 300 millions de dollars américains) est une application relativement de niche.
Nous avons remarqué que notre calcul de part de marché couvre la valeur marchande, les dossiers de développement et les marchés terminaux du système d’exploitation sous-jacents.
Nous pensons que dans ce cycle de marché, le segment du cadre sera le domaine de la croissance la plus rapide. .Bien que ces cadres servent différents marchés terminaux (chaîne / écosystèmes), étant donné que nous pensons que le domaine est dans une tendance à la hausse, la méthode pondérée de la valeur marchande peut être la méthode la plus prudente.
2. Quatre principaux cadres
Dans la forme suivante, nous répertorions les technologies, les composants et les avantages clés de chaque cadre majeur.
>
(1) Aperçu du cadre
Dans l’intersection de l’IA x crypto, plusieurs cadres ont favorisé le développement de l’IA.Ce sont Eliza, Rig of Arc, Zerebro de Zerepy et Virtual of Games.Chaque cadre répond à différents besoins et concepts dans le développement de l’agence d’IA, des projets communautaires open source aux solutions d’entreprise qui se concentrent sur la performance.
Cet article présente d’abord le cadre pour dire à tout le monde ce qu’ils sont, quel langage de programmation, architecture technique, algorithme, quelles fonctions uniques et quels sont les cas potentiels que le cadre peut utiliser.Ensuite, nous comparons chaque cadre en termes de disponibilité, d’évolutivité, d’adaptabilité et de performance, et explorons leurs avantages et limitations respectifs.
Eliza (développé par AI16Z)
Eliza est un cadre open source de simulation multi-agents, qui vise à créer, déployer et gérer des agents d’IA indépendants.Il est développé dans le langage de programmation dans TypeScript.
La fonction centrale de ce cadre comprend une architecture multi-agences qui prend en charge le déploiement et la gestion de plusieurs personnalités d’IA uniques, ainsi qu’un système de caractères qui utilise le cadre de fichiers de caractères pour créer différents agents, ainsi que la mémoire à long terme et Contexte du système de génération amélioré (RAG) à travers la fonction de gestion de la mémoire perçue par système de recherche avancé (RAG).De plus, le cadre Eliza fournit également une intégration de plate-forme fluide, qui peut être fiable avec Discord, X et d’autres plateformes de médias sociaux.
Du point de vue des fonctions de communication et de médias de l’IA, Eliza est un excellent choix.En termes de communication, le cadre prend en charge l’intégration avec les fonctions de canal vocal de Discord, les fonctions X, le télégramme et les API utilisées pour personnaliser les cas.D’un autre côté, la fonction de traitement des médias du cadre peut être étendue à la lecture et à l’analyse des documents PDF, à l’extraction du contenu et à la résumé, à la transcription audio, au traitement du contenu vidéo, à l’analyse d’image et au dialogue, qui peuvent gérer efficacement diverses entrées et sorties médiatiques.
Le framework Eliza fournit une prise en charge flexible du modèle d’IA à travers le raisonnement local du modèle open source, le cloud push -ups of openai et la configuration par défaut (tels que l’Hermes Llama 3.1b) et intègre le support pour les tâches complexes pour Claude.Eliza utilise une structure modulaire et possède une large gamme de systèmes d’exploitation, un support client personnalisé et des API complètes pour garantir l’évolutivité et l’adaptabilité entre les applications.
Les cas d’utilisation d’Eliza couvrent plusieurs champs, tels que: assistants d’IA pour le support client, l’examen de la communauté et les tâches personnelles, ainsi que des rôles de médias sociaux tels que les créateurs automatiques, les robots interactifs et les représentants de la marque.Il peut également agir en tant que travailleurs du savoir, jouer des assistants de recherche, des analystes de contenu et des processeurs de documents, et soutient les rôles interactifs dans les formes de robots de jeu de rôle, de mentors éducatifs et d’agents de divertissement.
L’architecture d’Eliza est construite autour de l’exécution de l’agent (runtime de l’agent), et le runtime de l’agence est intégré de manière transparente à son système de rôle (pris en charge par le fournisseur de modèles), à la mémoire (connectée à la base de données) et au système d’exploitation (lien avec le client de la plate-forme).Les caractéristiques uniques de ce cadre incluent le système de plug-in qui prend en charge l’expansion de la fonction modulaire, prend en charge l’interaction multimode telle que la voix, le texte et les médias, et est compatible avec les principaux modèles d’IA (tels que LLAMA, GPT-4 et Claude ).Avec sa conception diversifiée et puissante, Eliza se distingue comme un outil puissant pour le développement croisé des applications d’IA.
G.A.M.E (développé par protocole Virtuals)
G.A.M.E (G.A.M.E) pour générer l’autonomie autonome basée sur une base vise à fournir aux développeurs un accès AI et SDK aux expériences proxy d’IA.Ce cadre fournit une méthode structurée pour gérer le comportement, la prise de décision et le processus d’apprentissage des agents de l’IA.
Le composant central est le suivant: Tout d’abord, l’interface de l’incitation de l’agent est le point d’entrée où le développeur intègre le jeu dans le comportement de proxy dans l’agent.Les sous-systèmes de perception démarrent la session en spécifiant des paramètres tels que l’ID de session, l’ID proxy, l’utilisateur et d’autres détails connexes.
Il intègrera les informations dans le mécanisme d’entrée de l’agent d’IA dans le format du moteur de planification stratégique, que ce soit sous forme de dialogue ou de réponse.Le noyau est le module de traitement de dialogue, qui est utilisé pour traiter les messages et les réponses de proxy, et coopère avec le sous-système de perception pour interpréter et répondre efficacement aux entrées.
Le moteur de planification stratégique et le module de traitement de dialogue et l’opérateur de portefeuille sur la chaîne travaillent ensemble pour générer une réponse et des plans.Il y a deux niveaux de la fonction du moteur: en tant que planificateur de haut niveau, un large éventail de stratégies sont créées en fonction du contexte ou de la cible;
Une autre composante indépendante mais importante est le contexte mondial.De plus, le référentiel d’agent est utilisé pour stocker des attributs à long terme, tels que les objectifs, la réflexion, l’expérience et la personnalité, ils créent conjointement des comportements proxy et des processus de prise de décision.
Le cadre utilise la mémoire de travail à court terme et les processeurs de mémoire à long terme.La mémoire à court terme conserve les informations pertinentes, les résultats et les informations liées à la planification actuelle.En revanche, les processeurs de mémoire à long terme ont extrait des informations clés pour extraire des informations clés en fonction de normes telles que l’importance, la nature récente et la corrélation.La mémoire à long terme stocke les connaissances, la réflexion, la personnalité dynamique, le contexte du monde et la mémoire de travail, pour améliorer la prise de décision et fournir une fondation d’apprentissage.
Le module d’apprentissage utilise les données du sous-système de perception pour générer des connaissances générales.Les développeurs peuvent saisir la rétroaction de l’action, l’état du jeu et les données sensorielles via l’interface pour améliorer la capacité d’apprentissage des agents d’IA et améliorer leurs capacités de planification et de décision.
Le workflow a commencé à interagir au développeur via l’interface invite de l’agence.L’entrée est traitée par le sous-système de perception et republiée dans le module de traitement de dialogue.Le moteur de planification stratégique a ensuite formulé et mis en œuvre le plan en fonction de ces informations et a utilisé des plans d’action stratégiques et détaillés de haut niveau.
Les données du contexte mondial et du référentiel d’agent informent ces processus, tout en suivant la mémoire de suivi des tâches instantanées.Dans le même temps, le stockage du processeur de mémoire à long terme et la récupération des connaissances à long terme.Apprenez les résultats du module et intégrez de nouvelles connaissances dans le système, afin que le comportement et l’interaction de l’agent puissent être améliorés en continu.
Rig (développé par arc)
RIG est un cadre de rouille open source, qui vise à simplifier le développement d’applications de modèle de grande langue.Il fournit une interface unifiée pour l’interaction avec plusieurs fournisseurs de LLM (tels que OpenAI et Anthropic) pour prendre en charge divers stockages vectoriels, y compris MongoDB et NEO4J.L’unicité de l’architecture modulaire de ce cadre est son composant central, tel que la couche abstraite du fournisseur, et l’intégration de stockage vectoriel et le système de proxy pour promouvoir l’interaction transparente de LLM.
Le public principal de Rig comprend les développeurs utilisant des applications AI / ML en utilisant Rust, et incluent deuxièmement la recherche d’intégrer plusieurs fournisseurs de LLM et vecteurs dans diverses organisations de leurs propres applications de rouille.Le référentiel utilise une architecture spatiale de travail, avec plusieurs caisses, prend en charge l’évolutivité et la gestion efficace de projet.Les fonctions clés sont la couche abstraite du fournisseur, qui fournit une normalisation de l’API d’achèvement et d’intégration entre différents fournisseurs de LLM, et a des erreurs cohérentes.Le composant d’intégration du magasin vectoriel fournit une interface abstraite pour la recherche similaire à un backend et un vecteur de support.Le système proxy simplifie l’interaction LLM et prend en charge la génération améliorée (RAG) et l’intégration des outils.De plus, le cadre intégré fournit également une opération intégrée des fonctions de traitement par lots et la sécurité des types.
RIG utilise un certain nombre d’avantages techniques pour assurer la fiabilité et les performances.L’opération asynchrone utilise le fonctionnement asynchrone de Rust pour traiter efficacement un grand nombre de demandes simultanées.Le mécanisme de traitement incorrect inhérent dans le cadre améliore la capacité de récupération des fournisseurs d’intelligence artificielle ou des opérations de base de données.La sécurité des types peut empêcher les erreurs dans le processus de compilation, améliorant ainsi la maintenance du code.La sérialisation et le processus désertiles efficaces prennent en charge le traitement des données de JSON et d’autres formats, qui est essentiel pour la communication et le stockage des services d’IA.Les enregistrements de journal détaillés et la détection aident encore le débogage et la surveillance des applications.
Le flux de travail de Rig commence lorsque le client initie une demande.Les données sont ensuite traitées par la couche centrale.En réponse, avant de retourner au client, il a été généré et affiné à travers des workflows complexes (tels que RAG).Le système intègre plusieurs fournisseurs de LLM et stockage vectoriel, qui est adaptable aux mises à jour de la disponibilité ou des performances du modèle.
Il existe de nombreux cas de RIG, y compris des documents liés à la récupération pour fournir des systèmes de questions-réponses de réponse précis, une recherche de documents et un système de récupération pour une découverte à haute efficacité, et des robots de chat ou des assistants virtuels qui fournissent aux clients une interaction de compréhension contextuelle.Il prend également en charge la génération de contenu, prend en charge la création et d’autres matériaux basés sur des modèles d’apprentissage, ce qui en fait un outil général pour les développeurs et les organisations.
Zerepy (développé par Zerepy et Blorm)
Zerepy est un framework open source écrit en langue python, qui vise à utiliser OpenAI ou anthropic LLM pour déployer des agents sur X.Une version modulaire dérivée du back-end Zerebro, Zerepy permet aux développeurs de démarrer des agents similaires à la fonction centrale de Zerebro.Bien que le cadre fournit les bases du déploiement des agences, il est essentiel de former des modèles créatifs et de tas fin.Zerepy simplifie le développement et le déploiement d’agents d’IA personnalisés, en particulier pour la création de contenu sur les plateformes sociales, et cultive un écosystème créatif axé sur l’IA pour l’art et les applications décentralisées.
Ce cadre utilise le développement de Python, mettant l’accent sur l’autonomie des agences, en se concentrant sur la génération de résultats créatifs et cohérent avec l’architecture d’Eliza et la coopération avec Eliza.Sa conception modulaire prend en charge l’intégration du système de mémoire et prend en charge les agents de déploiement sur les plateformes sociales.Les fonctions principales incluent une interface de ligne de commande pour la gestion des agences, l’intégration avec Twitter, la prise en charge d’OpenAI et Anthropic LLM et des systèmes de connexion modulaires pour des fonctions améliorées.
Le cas d’utilisation de Zerepy couvre le domaine de l’automatisation des médias sociaux.De plus, il s’adresse également à la création de contenu dans les domaines de la musique, du mème et du NFT, ce qui en fait un outil important pour les plateformes de contenu basé sur l’art numérique et la blockchain.
(2) Comparaison de quatre principaux cadres
À notre avis, chaque cadre fournit une méthode unique pour le développement de l’intelligence artificielle, qui répond aux besoins et à l’environnement spécifiques.
Eliza se démarque avec son interface amicale, en particulier pour les développeurs qui connaissent l’environnement JavaScript et Node.js.Ses documents complets aident à établir des agents d’intelligence artificielle sur diverses plates-formes, bien que son vaste ensemble fonctionnel puisse apporter une certaine courbe d’apprentissage.Développé à l’aide de TypeScript pour faire d’Eliza un choix idéal pour construire un agent intégré dans le Web, car la plupart de l’extrémité avant de l’infrastructure Web est développée avec TypeScript.Ce cadre est connu pour son architecture multi-agences et peut déployer différentes personnalités de l’intelligence artificielle sur des plates-formes telles que Discord, X et Telegram.Son système avancé de la gestion de la mémoire le rend particulièrement efficace pour le support client ou les applications de médias sociaux.Bien qu’il offre un soutien communautaire flexible et puissant et des performances de plate-forme croisée cohérentes, il est encore à un stade précoce et peut constituer une courbe d’apprentissage pour les développeurs.
Le jeu est conçu pour les développeurs de jeux.Cependant, il se concentre sur le développement de jeux et l’intégration de la blockchain, ce qui peut constituer une courbe d’apprentissage abrupte pour ceux qui n’ont aucune expérience pertinente.Il a des performances exceptionnelles dans le contenu du programme et le comportement des PNJ, mais il est limité par la complexité augmentée par ses segments et l’intégration de la blockchain.
En raison de l’utilisation du langage de la rouille, la plate-forme peut ne pas être très amicale donnée par la complexité de la langue, qui apporte des défis d’apprentissage majeurs, mais pour ceux qui maîtrisent la programmation système, il a une interaction intuitive.Par rapport à TypeCripe, le langage de programmation lui-même est connu pour ses performances et sa sécurité mémoire.Il a une inspection de compilation stricte et une abstraction nulle en pourcentage, ce qui est nécessaire pour exécuter des algorithmes AI complexes.Cette langue est très efficace, et son faible degré de contrôle en a fait un choix idéal pour les applications d’intelligence artificielle à forte intensité de ressources.Ce cadre fournit des solutions à haute performance avec des conceptions modulaires et évolutives, ce qui en fait un choix idéal pour les applications d’entreprise.Cependant, pour les développeurs qui ne connaissent pas la rouille, l’utilisation de la rouille ne peut pas éviter de faire face à des courbes d’apprentissage abruptes.
Zerepy utilise Python pour fournir un degré élevé de disponibilité pour les tâches créatives de l’IA.Zerepy est bon dans les applications créatives de l’intelligence artificielle telles que NFT et se positionnant comme un outil puissant pour les médias numériques et l’art.Bien qu’il soit en plein essor de créativité, la plage est relativement étroite par rapport aux autres cadres.
En termes d’évolutivité, Eliza a fait de grands progrès dans sa mise à jour V2.Cependant, si aucune optimisation n’est effectuée, cette gestion d’interaction multiplateforme peut susciter des défis d’évolutivité.
Le jeu fonctionne bien dans le traitement réel requis par le jeu.
Le cadre RIG utilise les propriétés d’évolutivité de Rust pour la concevoir pour des applications à haut débit, ce qui est particulièrement efficace pour le déploiement de niveau d’entreprise, bien que cela puisse signifier que l’évolutivité réelle nécessite des paramètres complexes.
L’évolutivité de Zerepy est confrontée à la sortie créative et soutient le soutien des contributions communautaires, mais son centre de gravité de concentration peut limiter son application dans un environnement d’intelligence artificielle plus large.
En termes d’adaptabilité, Eliza mène son système de plug -in et la compatibilité en plate-forme croisée.Zerepy a montré une grande adaptabilité dans le domaine créatif, mais ne convient pas aux applications d’intelligence artificielle plus larges.
En termes de performances, Eliza optimise l’interaction rapide sur les réseaux sociaux.
Le jeu développé par le protocole virtuel se concentre sur l’interaction à haute performance en temps réel dans les scénarios de jeu et utilise des processus de prise de décision efficaces et des blockchains potentiels pour les opérations d’intelligence artificielle décentralisées.
Le cadre RIG est basé sur le langage de la rouille, qui offre d’excellentes performances pour les tâches informatiques à haute performance, et convient au calcul des applications d’entreprise avec une efficacité cruciale.
Les performances de Zerepy sont fabriquées sur mesure pour la création de contenu créatif.
L’avantage d’Eliza est qu’il offre une flexibilité et une évolutivité.
Le jeu offre une fonction interactive réelle unique dans le jeu, ce qui améliore la nouvelle participation de l’IA à travers la blockchain.
L’avantage de la plate-forme réside dans ses performances et son évolutivité pour les tâches d’intelligence artificielle d’entreprise, en se concentrant sur la fourniture d’un code modulaire propre pour la santé du projet à long terme.
Zerepy est bon pour cultiver la créativité, menant des applications d’intelligence artificielle de l’art numérique et soutenant le modèle de développement dynamique axé sur la communauté.
Chaque cadre a ses propres limites. La rouille peut effrayer certains développeurs, la petite attention de Zerepy pour la sortie créative peut limiter son utilisation dans d’autres champs d’IA.
(3) Résumé de la comparaison du cadre
RIGNE (ARC):
Langue: rouille, faites attention à la sécurité et aux performances.
Exemple: choix idéal pour les applications d’IA d’entreprise car elle se concentre sur l’efficacité et l’évolutivité.
Communauté: Pas très motivée par la communauté, accordez plus d’attention aux développeurs techniques.
Eliza (AI16Z):
Langue: dactylographiée, soulignant la flexibilité de la participation Web3 et de la communauté.
Exemple: Conçu pour l’interaction sociale, le DAO et les transactions, en particulier l’accent mis sur les systèmes multi-agences.
Communauté: High Community-axée, avec une vaste participation au Github.
Zerepy (Zerebro):
Langue: Python, afin qu’il puisse être utilisé pour une gamme plus large de développeurs d’IA.
Exemple: Convient à l’automatisation des médias sociaux et aux tâches d’agence IA plus simples.
Communauté: relativement nouveau, mais en raison de la popularité de Python et du soutien des contributeurs AI16Z, il devrait croître.
GAMEAL (virtuel):
Focus: Les agents d’intelligence artificielle autonomes et adaptatifs peuvent évoluer en fonction de l’interaction dans l’environnement virtuel.
Cas d’utilisation: la scène d’apprentissage et d’adaptation des agents AI le plus appropriée, tels que des jeux ou des mondes virtuels.
Communauté: innover la communauté, mais détermine toujours son positionnement en compétition.
3. Tendance des données des étoiles sur GitHub
>
L’image ci-dessus est l’étoile GitHub depuis la sortie de ces frameworks.Il convient de noter que GitHub Star est un indicateur des intérêts communautaires, de la popularité du projet et de la valeur de perception du projet.
Eliza (ligne rouge):
Depuis la base basse de juillet, le nombre d’étoiles fin novembre (atteignant 61 000 étoiles), ce qui indique que les intérêts des gens ont augmenté rapidement et ont attiré l’attention des développeurs.Cette croissance au niveau de l’indice montre qu’Eliza a obtenu un grand appel en raison de ses fonctions, de ses mises à jour et de sa participation communautaire.Sa popularité est bien plus que les autres compétitions, ce qui montre qu’elle a un solide soutien communautaire et a une applicabilité ou un intérêt plus large pour la communauté de l’intelligence artificielle.
Rig (ligne bleue):
RIG est le plus long des quatre cadres majeurs.Il a atteint 1700 étoiles, mais il est toujours en hausse.Le développement continu, le renouvellement et l’augmentation du nombre d’utilisateurs sont la raison de l’accumulation continue d’intérêt des utilisateurs.Cela peut refléter que la niche des utilisateurs du cadre peut encore accumuler la réputation.
Zerepy (ligne jaune):
Zerepy vient de lancer il y a quelques jours et a accumulé 181 étoiles.Il convient de souligner que Zerepy a besoin de plus de développement pour améliorer sa visibilité et son taux d’adoption.La coopération avec AI16Z peut attirer plus de contributeurs de code.
Jeu (ligne verte):
Le nombre d’étoiles dans ce projet est le moins.Cependant, ce cadre était ouvert aux constructeurs il y a plus d’un mois, et plus de 200 projets sont construits à l’aide du jeu.
4. Raisons des conneries du cadre
La version V2 d’Eliza intègrera le kit proxy Coinbase.Tous les projets utilisant Eliza soutiendront le Tee natif à l’avenir, afin que l’agent puisse fonctionner dans un environnement sûr.Une caractéristique d’Eliza est le Registre Plug -in (Registre des plugins), qui permet aux développeurs de s’inscrire et de plug -in intégrés et intégrés.
De plus, Eliza V2 prendra en charge les messages automatisés Anonymous Cross-Plateform.Le livre blanc d’économie de jetons devrait être publié le 1er janvier 2025, et il devrait avoir un impact positif sur le jeton AI16Z sous-jacent du cadre Eliza.Le plan AI16Z continue d’améliorer l’efficacité du cadre et continue d’attirer des talents de haute qualité.
Le Framework de jeu fournit à un agent une intégration sans code, permettant d’utiliser Game et Eliza dans un seul projet pour servir des objectifs spécifiques.Cette méthode devrait attirer les constructeurs qui sont préoccupés par la logique commerciale plutôt que la complexité technique.Bien que le cadre ne soit publié que depuis plus de 30 jours, avec le soutien des efforts de l’équipe pour attirer plus de contributeurs, il a fait des progrès substantiels.Il est prévu que tous les éléments commençant sur Virtual utiliseront le jeu.
RIG, représenté par des jetons ARC, a un énorme potentiel.Cependant, le projet de haute qualité de l’ARC devrait apparaître bientôt, similaire au volant virtuel, mais axé sur Solana.L’équipe est optimiste quant à la coopération avec Solana et compare la relation entre l’ARC et Solana à virtuelle à la base.Il convient de noter que l’équipe encourage non seulement les nouveaux projets à utiliser la startup RIG, mais encourage également les développeurs à améliorer le cadre RIG lui-même.
Zerepy est un cadre nouvellement lancé qui reçoit de plus en plus d’attention en raison de la coopération avec Eliza.Le cadre a attiré les contributeurs d’Eliza et ils l’améliorent activement.Présenté par les fans de Zerebro, il a un groupe de followers fanatiques et offre de nouvelles opportunités aux développeurs Python.Ce cadre jouera un rôle important dans la créativité de l’IA.
