ในรายงานนี้เราจะพูดถึงทัศนียภาพสำหรับ Frameworks ภายใน Crypto X AI เราจะพิจารณาชนิดปัจจุบัน (ELIZA, GAME, ARC, ZEREPY) และความแตกต่างทางเทคโนโลยีของพวกเขา

Net/Net:

เราตรวจสอบและทดสอบกรอบการทํางานหลัก 4 ข้อตลอดสัปดาห์ที่ผ่านมาและข้อสรุปของเราระบุไว้ที่นี่ (และใช่มี Cheat Sheet)

เราเชื่อว่า $AI16Z จะยังคงเป็นผู้ครองตลาด มูลค่าใน Eliza ($ai16z, ส่วนแบ่งตลาดประมาณ 60%, มูลค่าตลาดประมาณ 900 ล้านดอลลาร์) คือความได้เปรียบเป็นครั้งแรก (Lindy Effect) และการใช้งานที่เพิ่มขึ้นอย่างรวดเร็วในส่วนของนักพัฒนาที่สาธิตโดยผู้ร่วมพัฒนา 193 คน 1.8k forks และ 6000+ ดาวน์โหลด นำมาซึ่งเป็นหนึ่งในเครื่องรางยอดนิยมที่สุดบน Github

$GAME (~20% ส่วนแบ่งตลาด, $300m Mcap), จนถึงตอนนี้, ได้เรียบร้อยมาก และกำลังประสบการันตรายในการนำมาใช้ เช่นที่แจ้งให้ทราบว่าวันนี้มีการประกาศจาก $VIRTUAL ที่ระบุว่ามีโครงการมากกว่า 200 โครงการ, 150k คำขอรายวัน และการเติบโต 200% ต่อสัปดาห์ $GAMEจะได้รับประโยชน์ต่อจากการเพิ่มขึ้นของ $VIRTUAL และมีโอกาสเป็นหนึ่งในผู้ชนะใหญ่ที่สุดในระบบนั้น

Rig ($ARC, ประมาณ 15% ตลาด, มูลค่าตลาดประมาณ 160 ล้านดอลลาร์) เป็นที่น่าสนใจมากและใช้งานได้ง่ายเนื่องจากการออกแบบแบบโมดูลของมันและสามารถเอาชนะในนิเวศ Solana (RUST) เป็น "pure-play"

Zerepy ($ZEREBRO, ~5% ส่วนแบ่งตลาด, $300m Mcap), เป็นแอปพลิเคชันที่มีความเฉพาะเจาะจงมากขึ้นภายในชุมชนคัลท์ใต้ $ZEREBRO และความร่วมมือล่าสุดกับชุมชน ai16z อาจส่งผลให้เกิดความร่วมมือได้

เราพบว่าการคำนวณส่วนแบ่งตลาดของเราเป็นการผสมผสานของ MCap, บันทึกการพัฒนา และความกว้างของตลาดเป้าหมาย OS ใต้พื้นฐาน

เราเชื่อว่าส่วน Framework จะเติบโตเร็วที่สุดในรอบปัจจุบัน เนื่องจากมีเงินตลาดรวมประมาณ 1.7 พันล้านดอลลาร์ที่สามารถเติบโตไปสู่ 20 พันล้านดอลลาร์ได้อย่างง่ายดาย ซึ่งอาจยังเป็นการปราศจากการประเมินมูลค่า L1 สูงสุดในปี 2021 โดยมีบางรายได้รับการประเมินมูลค่าเพียง 20 พันล้านดอลลาร์เท่านั้น ในขณะที่ทั้ง 3 รายนี้ให้บริการในตลาดปลายทางที่แตกต่างกัน (เชือก / ระบบนิเวศ) การใช้วิธีการกระจายน้ำหนักตามทุนตลาดอาจเป็นทางเลือกที่รู้สึกถูกต้องที่สุดโดยเรามองว่าภาคกำลังเติบโตของภาคเป็นการเพิ่มขึ้น

แผนกำหนดเฉลย:

ในตารางนี้เราจะเรียงลำดับเทคโนโลยีหลัก องค์ประกอบ และจุดเด่นสำหรับแต่ละกรอบการทำงานหลัก

เอกสารสำหรับภาพรวมของเฟรมเวิร์ก

การแนะนำ Frameworks

ในการตัดสินใจที่จะนำ AI มารวมกับ Crypto มีหลายกรอบการทำงานที่เกิดขึ้นเพื่อสนับสนุนการพัฒนา AI อย่างไรก็ตาม พวกเขารวมถึง ELIZA โดย $AI16Z และ RIG by $ARC, ZEREPY โดย $ZEREBRO, และ$GAMEโดย $VIRTUAL แต่ละกรอบการทำงานเหมาะสมกับความต้องการและปรัชญาในการพัฒนาของตัวแทนต่าง ๆ ตั้งแต่โครงการชุมชนโอเพนซอร์สไปจนถึงธุรกิจที่ให้ความสำคัญในประสิทธิภาพ

บทความนี้เริ่มต้นด้วยการแนะนำเฟรมเวิร์ก โดยอธิบายถึงคุณสมบัติของเฟรมเวิร์ก ภาษาโปรแกรมที่ใช้ สถาปัตยกรรมเทคนิค อัลกอริทึม และคุณสมบัติที่เป็นเอกลักษณ์พร้อมกับภาคผนวกที่สามารถนำเฟรมเวิร์กไปใช้งานได้ จากนั้นเราจะเปรียบเทียบเฟรมเวิร์กแต่ละรายการตามความสามารถในการใช้งาน ความยืดหยุ่น ความเข้ากันได้ และประสิทธิภาพ พร้อมกับจุดเด่นและข้อจำกัดของแต่ละเฟรมเวิร์ก

เฟรมเวิร์ก ELIZA โดย@ai16zdao via@shawmakesmagic

Eliza เป็นเฟรมเวิร์กสำหรับจำลองตัวแทนหลายตัวที่เปิดเผยซอร์สโค้ดที่ออกแบบมาเพื่อสร้าง ติดตั้ง และจัดการตัวแทน AI อัตโนมัติ พัฒนาด้วย TypeScript เป็นภาษาโปรแกรมที่ให้แพลตฟอร์มที่ยืดหยุ่นและสามารถขยายได้สำหรับการสร้างตัวแทนอัจฉริยะที่สามารถปฏิสัมพันธ์กับมนุษย์ได้บนแพลตฟอร์มหลายรูปแบบในขณะที่รักษาบุคลิกภาพและความรู้ที่เหมือนกัน

ความสามารถหลักของกรอบการทำงานนี้รวมถึงสถาปัตยกรรม multi-agent ที่สนับสนุนการติดตั้งและการจัดการของบุคคลิกภาพ AI หลายตัวพร้อมกันพร้อมกับระบบตัวละครสำหรับสร้างตัวแทนที่หลากหลายโดยใช้กรอบข้อมูลตัวละครและคุณลักษณะการจัดการแบบหน่วยความจำที่มีขั้นสูงผ่านระบบการสืบค้น-เพิ่มเติม (RAG) ที่ให้ความจำระยะยาวและความตระหนักต่อบริบท นอกจากนี้ กรอบการทำงาน Eliza ยังมีการรวมเข้ากับแพลตฟอร์มอย่างราบรื่นสำหรับการเชื่อมต่อที่เชื่อถือได้กับ Discord, X, และแพลตฟอร์มโซเชียลมีเดียอื่น ๆ

Eliza เป็นตัวเลือกที่ยอดเยี่ยมเมื่อเทียบกับความสามารถในการสื่อสารและสื่อของเอเจนต์ AI โดยที่เฟรมเวิร์กสนับสนุนการผสมผสานบน Discord ด้วยความสามารถในการใช้ช่องเสียง X ทางฟังก์ชัน, Telegram, และการเข้าถึง API โดยตรงสำหรับการใช้งานที่กำหนดเอง ในทางกลับกัน, คุณลักษณะการประมวลผลสื่อของเฟรมเวิร์กขยายไปถึงการอ่านและวิเคราะห์เอกสาร PDF, การสกัดและสรุปเนื้อหาจากลิงก์, การถอดรหัสเสียง, การประมวลผลเนื้อหาวิดีโอ, การวิเคราะห์ภาพ, และสรุปการสนทนาเพื่อจัดการข้อมูลสื่อที่หลากหลายอย่างมีประสิทธิภาพ

เฟรมเวิร์ก Eliza ให้การสนับสนุนโมเดล AI ที่ยืดหยุ่นผ่านการอินเฟอเรนซ์ในเครื่องที่ใช้โมเดลโอเพนซอร์สเมื่อใช้การอินเฟอเรนซ์บนคลาวด์ผ่าน OpenAI และการกำหนดค่าเริ่มต้นเช่น Nous Hermes Llama 3.1B พร้อมการสนับสนุนการรวบรวมข้อมูลสำหรับ Claude เพื่อจัดการคำถามที่ซับซ้อน Eliza ใช้โครงสร้างแบบโมดูลพร้อมระบบแอคชั่นที่ครอบคลุมอย่างเห็นได้ชัดการสนับสนุนลูกค้าที่กำหนดเองและการให้บริการ API อย่างครอบคลุมเพื่อให้มีความยืดหยุ่นและสามารถเข้ากันได้กับแอปพลิเคชัน

การใช้งาน Eliza ครอบคลุมภาพลักษณ์หลายด้าน เช่น: ผู้ช่วยที่ใช้ AI สำหรับการสนับสนุนลูกค้า การดูแลชุมชน และงานส่วนตัว รวมทั้งตัวตนในโซเชียลมีเดีย เช่น ผู้สร้างเนื้อหาอัตโนมัติ บอทที่ช่วยในการสร้างความสนใจ และตัวแทนของแบรนด์ นอกจากนี้ยังทำหน้าที่เป็นผู้รับรู้องค์ความรู้สำหรับบทบาทต่าง ๆ เช่น ผู้ช่วยวิจัย นักวิเคราะห์เนื้อหา และตัวประมวลผลเอกสาร และรองรับตัวละครที่สามารถโต้ตอบในรูปแบบของบอทที่เล่นบทบทบาท ตัวช่วยสอนการศึกษา และตัวแทนด้านความบันเทิง

โครงสร้างของ Eliza จะหมุนรอบระบบ runtime ของตัวแทน ซึ่งรวมระบบตัวละคร (ที่รองรับโดยผู้ให้บริการโมเดล) ผู้จัดการหน่วยความจำ (ที่เชื่อมต่อกับฐานข้อมูล) และระบบการดำเนินการ (ที่เชื่อมต่อกับลูกค้าบนแพลตฟอร์ม) คุณลักษณะเฉพาะของกรอบงานรวมถึงระบบปลั๊กอินที่ทำให้สามารถขยายฟังก์ชันอย่างโมดูล รองรับการโต้ตอบแบบมัลติโมเดล เช่น การพูดคุยเสียง ข้อความ และสื่อ และเข้ากันได้กับโมเดล AI ชั้นนำ เช่น Llama, GPT-4, และ Claude ด้วยการออกแบบที่หลากหลายและทนทาน Eliza ยังเป็นเครื่องมือที่มีพลังและเหมาะสำหรับการพัฒนาแอปพลิเคชัน AI ที่หลากหลายด้าน

G.A.M.E Framework โดย @virtuals_io via @everythingempt0

เฟรมเวิร์ก Generative Autonomous Multimodal Entities (G.A.M.E) ถูกออกแบบมาเพื่อให้นักพัฒนาได้เข้าถึง API และ SDK เพื่อทดลองเล่นกับตัวแทน AI โดยเฟรมเวิร์กนี้มีการจัดการพฤติกรรมตัวแทน AI การตัดสินใจและกระบวนการเรียนรู้อย่างเป็นโครงสร้าง

ส่วนประกอบหลักคือ: อันดับแรกคืออินเตอร์เฟซตัวแทนที่เป็นจุดเข้าสู่ระบบสำหรับนักพัฒนาในการรวม GAME เข้ากับตัวแทนในการเข้าถึงพฤติกรรมตัวแทน ระบบการรับรู้เริ่มเซสชั่นโดยระบุพารามิเตอร์เช่น session IDs, agent IDs, ผู้ใช้ และรายละเอียดที่เกี่ยวข้องอื่น ๆ

มันสังเคราะห์ข้อความเข้าในรูปแบบที่เหมาะสมสำหรับเครื่องมือวางแผนยุทธศาสตร์ ทำหน้าที่เป็นกลไกการนำเข้าทางความสัมพันธ์สำหรับตัวแทนปัจจัย AI ไม่ว่าจะเป็นในรูปแบบของการสนทนาหรือการตอบสนอง สิ่งที่สำคัญในส่วนนี้คือโมดูลการประมวลผลข้อความสำหรับการประมวลผลข้อความและการตอบสนองจากตัวแทนและการทำงานร่วมกับระบบรับรู้เพื่อตีความและตอบสนองต่อข้อมูลอย่างมีประสิทธิภาพ

เครื่องมือวางแผนกลยุทธ์ทำงานร่วมกับโมดูลประมวลผลข้อความและผู้ปฏิบัติการกระเป๋าเงินออนเชน สร้างการตอบสนองและแผน หนึ่งเครื่องมือนี้ทำงานหลายระดับ: เป็นเครื่องวางแผนระดับสูงเพื่อสร้างกลยุทธ์ที่กว้างขวางโดยขึ้นอยู่กับบริบทหรือเป้าหมายและเป็นนโยบายระดับต่ำเพื่อแปลงกลยุทธ์เหล่านี้เป็นนโยบายที่สามารถกระทำได้ซึ่งถูกแบ่งออกเป็นเครื่องวางแผนการดำเนินการเพื่อระบุงาน และผู้ดำเนินการแผนเพื่อดำเนินการ

ส่วนประกอบแยกต่างหากแต่สำคัญคือ World Context ที่อ้างอิงถึงสภาพแวดล้อม ข้อมูลโลก และสถานะเกม เพื่อให้ได้บริบทที่สำคัญสำหรับการตัดสินใจของตัวแทน นอกจากนี้ยังมี Agent Repository สำหรับเก็บคุณสมบัติในระยะยาว เช่น เป้าหมาย สะท้อนความคิด ประสบการณ์ และบุคลิกภาพที่รวมกันเป็นพฤติกรรมและกระบวนการตัดสินใจของตัวแทน

เฟรมเวิร์กนี้ใช้หน่วยความจําทํางานระยะสั้นและตัวประมวลผลหน่วยความจําระยะยาว หน่วยความจําระยะสั้นจะเก็บข้อมูลที่เกี่ยวข้องเกี่ยวกับการดําเนินการผลลัพธ์และแผนปัจจุบันก่อนหน้านี้ ในทางตรงกันข้ามตัวประมวลผลหน่วยความจําระยะยาวจะดึงข้อมูลสําคัญตามเกณฑ์เช่นความสําคัญความซ้ําซ้อนและความเกี่ยวข้อง หน่วยความจํานี้เก็บความรู้เกี่ยวกับประสบการณ์ของตัวแทนการสะท้อนบุคลิกภาพแบบไดนามิกบริบทของโลกและหน่วยความจําในการทํางานเพื่อเพิ่มการตัดสินใจและเป็นรากฐานสําหรับการเรียนรู้

ในการเพิ่มเข้าไปในโครงร่าง โมดูลการเรียนรู้ใช้ข้อมูลจากระบบระบายความรู้เพื่อสร้างความรู้ทั่วไปที่ถูกส่งกลับเข้าสู่ระบบเพื่อปรับปรุงการติดต่อในอนาคต นักพัฒนาสามารถกรอกข้อมูลสำหรับการตอบรับต่อการกระทำ สถานะของเกม และข้อมูลทางสัมผัสผ่านอินเตอร์เฟซเพื่อเพิ่มประสิทธิภาพในการเรียนรู้ของตัวแทน AI และปรับปรุงความสามารถในการวางแผนและการตัดสินใจของตัวแทน AI

กระบวนการเริ่มต้นด้วยนักพัฒนาทำงานผ่านอินเตอร์เฟซการตอบสนองของเอเจนต์ ข้อมูลขาเข้าถูกประมวลผลโดยภะการระบบการรับรู้และส่งต่อไปยังโมดูลประมวลผลข้อความ ซึ่งจัดการตรรกะการตอบสนอง โมดูลวางแผนกลยุทธ์จากนั้นจะสร้างและดำเนินแผนขึ้นอยู่กับข้อมูลนี้ โดยใช้ทั้งกลยุทธ์ระดับสูงและการวางแผนการกระทำละเอียด

ข้อมูลจาก World Context และ Agent Repository ช่วยให้กระบวนการเหล่านี้เป็นไปได้อย่างมีประสิทธิภาพ ในเวลาเดียวกัน Working Memory จะติดตามงานที่ต้องทำทันที ในขณะที่ Long-Term Memory Processor จะเก็บและดึงข้อมูลความรู้ตลอดเวลา Learning Module วิเคราะห์ผลลัพธ์และรวมความรู้ใหม่เข้ากับระบบเพื่อสนับสนุนการปรับปรุงต่อเนื่องในพฤติกรรมและปฏิสัมพันธ์ของตัวแทน

โครงสร้าง RIG โดย@arcdotfunผ่าน @Playgrounds0x

Rig เป็นเฟรมเวิร์กเบสตัวเปิดแหล่งที่มาของ Rust ที่ออกแบบมาเพื่อบำรุงและพัฒนาแอปพลิเคชัน Large Language Model อย่างรวดเร็ว มันให้การติดต่อสื่อสารร่วมกันกับผู้ให้บริการ LLM หลายราย เช่น OpenAI และ Anthropic และรองรับร้านค้าเวกเตอร์ต่าง ๆ เช่น MongoDB และ Neo4j สถาปัตยกรรมแบบโมดูลของเฟรมเวิร์กมีคุณสมบัติหลัก เช่น ชั้นข้อมูลการประมวลผลของผู้ให้บริการ การบูรณาการร้านค้าเวกเตอร์ และระบบเอเจนต์เพื่อให้การติดต่อ LLM ไม่มีข้อกังวล

ผู้ชมหลักสําหรับ Rig รวมถึงนักพัฒนาที่สร้างแอปพลิเคชัน AI/ML ใน Rust ในขณะที่ผู้ชมรองประกอบด้วยองค์กรที่ต้องการรวมผู้ให้บริการ LLM หลายรายและร้านค้าเวกเตอร์เข้ากับแอปพลิเคชัน Rust ของพวกเขา พื้นที่เก็บข้อมูลได้รับการจัดระเบียบโดยใช้โครงสร้างตามพื้นที่ทํางานที่มีลังหลายลังทําให้สามารถปรับขนาดได้และการจัดการโครงการที่มีประสิทธิภาพ คุณสมบัติที่สําคัญ ได้แก่ Provider Abstraction Layer ซึ่งกําหนดมาตรฐาน API เพื่อให้เสร็จสมบูรณ์และฝังในผู้ให้บริการ LLM ด้วยการจัดการข้อผิดพลาดที่สอดคล้องกัน ส่วนประกอบ Vector Store Integration นําเสนออินเทอร์เฟซนามธรรมสําหรับแบ็กเอนด์หลายตัวและรองรับการค้นหาความคล้ายคลึงกันของเวกเตอร์ ระบบ Agent ช่วยลดความยุ่งยากในการโต้ตอบ LLM รองรับ Retrieval Augmented Generation (RAG) และการรวมเครื่องมือ นอกจากนี้ Embeddings Framework ยังมีความสามารถในการประมวลผลแบบแบตช์และการดําเนินการฝังที่ปลอดภัยต่อชนิด

Rig ใช้คุณสมบัติทางเทคนิคหลายอย่างเพื่อให้มีความเชื่อถือและประสิทธิภาพ การดำเนินการแบบไม่สม่ำเสมอใช้การทำงานแบบไม่สม่ำเสมอของ Rust สำหรับการจัดการคำขอหลายตัวพร้อมกันอย่างมีประสิทธิภาพ กลไกการจัดการข้อผิดพลาดที่แท้จริงของเฟรมเวิร์กช่วยให้เพิ่มความทนทานต่อความล้มเหลวในผู้ให้บริการ AI หรือการดำเนินการฐานข้อมูล ความปลอดภัยชนิดชนิดป้องกันข้อผิดพลาดระหว่างการคอมไพล์เวลาเพิ่มประสิทธิภาพในการดูแลรักษารหัส กระบวนการ serialization และ deserialization ที่มีประสิทธิภาพช่วยให้ง่ายต่อการจัดการข้อมูลสำหรับรูปแบบเช่น JSON ที่สำคัญสำหรับการสื่อสารและการจัดเก็บบริการ AI การบันทึกข้อมูลและเครื่องมือช่วยในการตรวจสอบและการติดตามยิ่งช่วยในการแก้ไขข้อบกพร่องและการตรวจสอบแอปพลิเคชัน

การทำงานใน Rig เริ่มต้นเมื่อลูกค้าเริ่มขอคำขอ ซึ่งไหลผ่านชั้นของ Provider Abstraction Layer เพื่อสื่อสารกับโมเดล LLM ที่เหมาะสม จากนั้นข้อมูลจะถูกประมวลผลโดยชั้นหลัก ซึ่งตัวแทนสามารถใช้เครื่องมือหรือเข้าถึง vector stores เพื่อให้มีความเข้าใจในเชิงบริบท การตอบกลับจะถูกสร้างขึ้นและปรับปรุงผ่านขั้นตอนที่ซับซ้อนเช่น RAG ซึ่งผ่านการเรียกคืนเอกสารและเข้าใจบริบทก่อนที่จะส่งกลับไปยังลูกค้า ระบบรวมผู้ให้บริการ LLM และ vector stores หลายรูปแบบโดยให้สามารถปรับเปลี่ยนได้ตามการใช้งานหรือการเปลี่ยนแปลงประสิทธิภาพ

การใช้งานที่หลากหลายของ Rig รวมถึงระบบตอบคำถามที่ดึงเอกสารที่เกี่ยวข้องเพื่อให้ได้คำตอบที่แม่นยำ การค้นหาและเรียกคืนเอกสารสำหรับการค้นหาเนื้อหาที่มีประสิทธิภาพ และแชทบอตหรือผู้ช่วยเสมือนจริงที่ให้การติดต่อที่มีการรับรู้บริบทสำหรับบริการลูกค้าหรือการศึกษา นอกจากนี้ยังสนับสนุนการสร้างเนื้อหาที่ช่วยในการสร้างข้อความและวัสดุอื่น ๆ โดยอิงจากรูปแบบที่เรียนรู้ได้ ทำให้เป็นเครื่องมือที่หลากหลายสำหรับนักพัฒนาและองค์กร

โดยเฟรมเวิร์ก Zerepy @0xzerebro และ @blorm_via @jyu_eth

ZerePy เป็นโอเพ่นซอร์สที่เขียนด้วย Python เฟรมเวิร์กที่ออกแบบมาเพื่อปรับใช้เอเจนต์บน X โดยใช้ OpenAI หรือ Anthropic LLMs มาจากแบ็กเอนด์ Zerebro เวอร์ชันโมดูลาร์ ZerePy ช่วยให้นักพัฒนาสามารถเปิดตัวตัวแทนที่มีฟังก์ชันการทํางานคล้ายกับคุณสมบัติหลักของ Zerebro แม้ว่าเฟรมเวิร์กจะเป็นรากฐานสําหรับการปรับใช้เอเจนต์ แต่โมเดลการปรับแต่งอย่างละเอียดเป็นสิ่งจําเป็นสําหรับการสร้างผลลัพธ์ที่สร้างสรรค์ ZerePy ช่วยลดความยุ่งยากในการพัฒนาและปรับใช้ตัวแทน AI ส่วนบุคคลโดยเฉพาะอย่างยิ่งสําหรับการสร้างเนื้อหาบนแพลตฟอร์มโซเชียลส่งเสริมระบบนิเวศของความคิดสร้างสรรค์ที่ขับเคลื่อนด้วย AI ที่มุ่งเป้าไปที่แอปพลิเคชันศิลปะและการกระจายอํานาจ

เฟรมเวิร์กที่สร้างขึ้นใน Python เน้นความเป็นอิสระของตัวแทนโดยเน้นที่การสร้างผลลัพธ์ที่สร้างสรรค์ซึ่งสอดคล้องกับสถาปัตยกรรม + ความร่วมมือของ ELIZA กับ ELIZA การออกแบบโมดูลาร์รองรับการรวมระบบหน่วยความจําและอํานวยความสะดวกในการปรับใช้เอเจนต์บนแพลตฟอร์มโซเชียล คุณสมบัติที่สําคัญ ได้แก่ อินเทอร์เฟซบรรทัดคําสั่งสําหรับการจัดการเอเจนต์การผสานรวมกับ Twitter การสนับสนุน OpenAI และ Anthropic LLMs และระบบการเชื่อมต่อแบบแยกส่วนเพื่อการทํางานที่ดีขึ้น

การใช้งานของ ZerePy ครอบคลุมการอัตโนมัติสื่อสังคมที่ผู้ใช้สามารถใช้ AI agents เพื่อโพสต์ ตอบกลับ กดไลค์ และรีทวีต เพื่อเพิ่มความสนใจในแพลตฟอร์ม นอกจากนี้ มันยังให้บริการในการสร้างเนื้อหาในด้านเช่นเพลง มีม และ NFT ซึ่งทำให้เป็นเครื่องมือที่มีค่าสำหรับศิลปะดิจิทัลและแพลตฟอร์มเนื้อหาที่มีพื้นฐานในบล็อกเชน

เปรียบเทียบระหว่างเฟรมเวิร์กสี่แบบ

ในมุมมองของเราแต่ละกรอบงานนั้นมีวิธีการพัฒนา AI ที่ไม่เหมือนกัน ให้การดูแลที่เป็นพิเศษสำหรับความต้องการและสภาพแวดล้อมที่แตกต่างกัน ซึ่งทำให้การโต้แย้งเกี่ยวกับกรอบงานเหล่านี้ไม่ใช่การแข่งขัน แต่เป็นการเสนอข้อเสนอที่เฉพาะเจาะจงของแต่ละกรอบงาน

ELIZA โดดเด่นด้วยอินเทอร์เฟซที่ใช้งานง่ายโดยเฉพาะอย่างยิ่งสําหรับนักพัฒนาที่คุ้นเคยกับสภาพแวดล้อม JavaScript และ Node.js เอกสารที่ครอบคลุมช่วยในการตั้งค่าตัวแทน AI ในแพลตฟอร์มต่างๆ แม้ว่าชุดคุณลักษณะที่กว้างขวางอาจนําเสนอช่วงการเรียนรู้ในระดับปานกลาง พัฒนาใน TypeScript ทําให้ Eliza เหมาะอย่างยิ่งสําหรับการสร้างตัวแทนที่ฝังอยู่ในเว็บเนื่องจากส่วนหน้าของเว็บอินฟราส่วนใหญ่สร้างขึ้นใน typescript เฟรมเวิร์กนี้ยอดเยี่ยมด้วยสถาปัตยกรรมแบบหลายเอเจนต์ ทําให้สามารถปรับใช้บุคลิก AI ที่หลากหลายในแพลตฟอร์มต่างๆ เช่น Discord, X และ Telegram ระบบ RAG ขั้นสูงสําหรับการจัดการหน่วยความจําทําให้มีประสิทธิภาพเป็นพิเศษสําหรับผู้ช่วย AI ในการสนับสนุนลูกค้าหรือแอปพลิเคชันโซเชียลมีเดีย แม้ว่าจะให้ความยืดหยุ่นการสนับสนุนชุมชนที่แข็งแกร่งและประสิทธิภาพข้ามแพลตฟอร์มที่สอดคล้องกัน แต่ก็ยังคงอยู่ในระยะแรกและอาจก่อให้เกิดช่วงการเรียนรู้สําหรับนักพัฒนา

GAME ที่ออกแบบมาสำหรับนักพัฒนาเกม เสนอส่วนติดต่อโค้ดต่ำหรือไม่มีโค้ดผ่าน API เพื่อทำให้สามารถเข้าถึงได้สำหรับผู้ใช้ที่มีความเชี่ยวชาญทางเทคนิคน้อยในภาคเกม อย่างไรก็ตาม การเน้นเฉพาะในการพัฒนาเกมและการบูรณาการบล็อกเชนอาจทำให้ผู้ใช้ที่ไม่มีประสบการณ์ที่เกี่ยวข้องต้องเผชิญกับความยากลำบาก มันโดดเด่นด้วยการสร้างเนื้อหาแบบกระบวนการและพฤติกรรม NPC แต่มีข้อจำกัดจากการเน้นในตลาดเฉพาะและความซับซ้อนที่เพิ่มขึ้นจากการบูรณาการบล็อกเชน

Rig เนื่องจากการใช้ Rust อาจใช้งานง่ายน้อยกว่าเนื่องจากความซับซ้อนของภาษาทําให้เกิดความท้าทายในการเรียนรู้ที่สําคัญ แต่สําหรับผู้ที่เชี่ยวชาญในการเขียนโปรแกรมระบบมันมีการโต้ตอบที่ใช้งานง่าย ภาษาการเขียนโปรแกรมนั้นเป็นที่รู้จักในด้านประสิทธิภาพและความปลอดภัยของหน่วยความจําเมื่อเทียบกับ typescript มันมาพร้อมกับการตรวจสอบเวลาในการคอมไพล์ที่เข้มงวดและสิ่งที่เป็นนามธรรมที่ไม่มีต้นทุนซึ่งจําเป็นต่อการเรียกใช้อัลกอริทึม AI ที่ซับซ้อน ภาษามีประสิทธิภาพและการควบคุมระดับต่ําทําให้เหมาะสําหรับแอปพลิเคชัน AI ที่ใช้ทรัพยากรมาก เฟรมเวิร์กนี้นําเสนอโซลูชันประสิทธิภาพสูงพร้อมการออกแบบแบบแยกส่วนและปรับขนาดได้ทําให้เหมาะสําหรับแอปพลิเคชันระดับองค์กร อย่างไรก็ตามการใช้ Rust แนะนําช่วงการเรียนรู้ที่สูงชันสําหรับนักพัฒนาที่ไม่คุ้นเคยกับภาษา

ZerePy ซึ่งใช้ Python ให้สามารถใช้งานได้สูงสำหรับงาน AI ที่สร้างสรรค์ด้วยความเข้าใจง่ายของนักพัฒนา Python โดยเฉพาะอย่างยิ่งผู้ที่มีพื้นฐานด้าน AI/ML และได้รับประโยชน์จากการสนับสนุนจากชุมชนที่แข็งแกร่งเนื่องจากการเกี่ยวข้องกับชุมชนคริปโต ดำเนินการเป็นอย่างดีในการประยุกต์ใช้งาน AI ที่สร้างสรรค์ เช่น NFTs โดยตำแหน่งตนเองเป็นเครื่องมือที่แข็งแกร่งสำหรับสื่อดิจิทัลและศิลปะ ในขณะที่มีความเจริญรุ่งเรืองในเรื่องความคิดสร้างสรรค์ ขอบเขตของมันเล็กน้อยกว่าเฟรมเวิร์กอื่นๆ

ในเชิงขยายมาตราส่วน ELIZA ได้ทำความก้าวหน้าด้วยการอัปเดต V2 ซึ่งนำเสนอบัสข้อความที่เป็นสากลและกรอบหลักที่ยืดหยุ่นซึ่งช่วยให้การจัดการได้ต่อเนื่องในหลายแพลตฟอร์มอย่างมีประสิทธิภาพ อย่างไรก็ตาม การจัดการปฏิสัมพันธ์ระหว่างแพลตฟอร์มหลายแพลตฟอร์มนี้อาจเป็นอันตรายต่อการขยายมาตราส่วนหากไม่ได้ทำเครื่องหมายให้เหมาะสม

GAME โดดเด่นในการประมวลผลแบบเรียลไทม์ที่จำเป็นสำหรับเกม โดยที่การขยายขนาดจะถูกจัดการผ่านอัลกอริทึมที่มีประสิทธิภาพและระบบกระจายของบล็อกเชน อย่างไรก็ตาม มันอาจถูกจำกัดโดยเอนจินเกมหรือข้อจำกัดของเครือข่ายบล็อกเชน

Rig Framework ใช้ประโยชน์จากประสิทธิภาพของ Rust เพื่อการขยายสเกล ออกแบบมาอย่างสมวัยสำหรับการประยุกต์ใช้ที่มีประสิทธิภาพสูงซึ่งอาจมีประสิทธิผลอย่างยิ่งสำหรับการใช้งานในระดับองค์กร แม้ว่านี้อาจหมายความว่าการติดตั้งที่ซับซ้อนเพื่อบรรลุประสิทธิภาพที่แท้จริง

ความยืดหยุ่นของ Zerepy ถูกเน้นไปที่ผลลัพธ์ที่สร้างสรรค์ที่ได้รับการสนับสนุนจากชุมชน แต่การเน้นนี้อาจจำกัดการใช้งานในบริบท AI ที่กว้างขวางกว่า โดยความยืดหยุ่นอาจถูกทดสอบด้วยความหลากหลายของงานที่สร้างสรรค์มากกว่าปริมาณผู้ใช้

เกี่ยวกับความเข้ากันได้ ELIZA นำด้วยระบบปลั๊กอินและความเข้ากันได้ทั่วระบบ ตามด้วย GAME ในสภาพแวดล้อมเกมและ Rig สำหรับการจัดการงาน AI ที่ซับซ้อน ZerePy สามารถปรับตัวได้สูงในโดเมนสร้างสรรค์ แต่ไม่เหมาะสำหรับการประยุกต์ใช้ AI ที่กว้างขวาง

ประสิทธิภาพที่ชาญฉลาด ELIZA ได้รับการปรับให้เหมาะสมสําหรับการโต้ตอบทางโซเชียลมีเดียอย่างรวดเร็วซึ่งเวลาตอบสนองที่รวดเร็วเป็นกุญแจสําคัญ แต่ประสิทธิภาพอาจแตกต่างกันไปเมื่อจัดการกับงานคํานวณที่ซับซ้อนมากขึ้น

GAME โดย Virtual Protocol เน้นการโต้ตอบแบบ real-time ความสามารถในสถานการณ์เกมมิ่งที่สูง โดยใช้กระบวนการตัดสินใจที่มีประสิทธิภาพและอาจใช้ blockchain สำหรับการดำเนินการ AI แบบกระจาย

Rig Framework พร้อมรากฐาน Rust มอบประสิทธิภาพที่ยอดเยี่ยมสําหรับงานประมวลผลประสิทธิภาพสูงเหมาะสําหรับแอปพลิเคชันระดับองค์กรที่ประสิทธิภาพการคํานวณเป็นสิ่งสําคัญยิ่ง

ประสิทธิภาพของ Zerepy ถูกปรับแต่งให้เหมาะสมกับการสร้างเนื้อหาที่สร้างสรรค์ โดยมีตัวชี้วัดที่เน้นไปที่ประสิทธิภาพและคุณภาพของการสร้างเนื้อหา อาจจะไม่สามารถใช้งานได้หลากหลายนอกเหนือจากโดเมนที่เกี่ยวข้องกับการสร้างสรรค์

เมื่อพิจารณาจากด้านข้อดี ELIZA มอบความยืดหยุ่นและความสามารถในการขยายตัวซึ่งทำให้มันเหมาะสมอย่างยิ่งผ่านระบบปลั๊กอินและการกําหนดค่าตัวละครที่เป็นประโยชน์สําหรับการโต้ตอบกับ AI ทางสังคมที่แตกต่างกัน

GAME นําเสนอความสามารถในการโต้ตอบแบบเรียลไทม์ที่ไม่เหมือนใครภายในเกม ซึ่งได้รับการปรับปรุงโดยการรวมบล็อกเชนเพื่อการมีส่วนร่วมของ AI แบบใหม่

ความได้เปรียบของ Rig อยู่ในประสิทธิภาพและความสามารถในการขยายขนาดสำหรับงาน AI ขององค์กร โดยให้ความสำคัญกับรหัสที่สะอาดและมีโมดูลสำหรับความเป็นไปได้ในระยะยาวของโครงการ

Zerepy มีความเชี่ยวชาญในการส่งเสริมความคิดสร้างสรรค์ นำมาใช้ในการประยุกต์ใช้ AI สำหรับศิลปะดิจิตอล รองรับโดยโมเดลการพัฒนาที่ได้รับการสนับสนุนจากชุมชนที่หลากหลายและมีแนวโน้มที่มั่นคง

แต่ละกรอบการทำงานมีข้อจำกัดของตนเอง ELIZA ยังอยู่ในช่วงเริ่มต้น มีปัญหาเกี่ยวกับความเสถียรและมีความยากในการเรียนรู้สำหรับนักพัฒนาใหม่ Game's การเน้นสำคัญอาจจำกัดการใช้งานที่กว้างขวาง และบล็อกเชนเพิ่มความซับซ้อน Rig's มีความยากในการเรียนรู้เนื่องจาก Rust อาจขัดขวางบางนักพัฒนา และการเน้นของ Zerepy ที่จำกัดไวยากรณ์ในการสร้างผลลัพธ์อาจจำกัดการใช้งานในสาขา AI อื่น

Key Takeaways ในการเปรียบเทียบกรอบงาน

Rig ($ARC):

ภาษา: Rust, เน้นความปลอดภัยและประสิทธิภาพ

กรณีใช้งาน: เหมาะสำหรับแอปพลิเคชัน AI ระดับองค์กรเนื่องจากมีการให้ความสำคัญกับประสิทธิภาพและความยืดหยุ่นในการขยายขนาด

ชุมชน: น้อยกว่าการขับเคลื่อนโดยชุมชน มากขึ้นที่จะเน้นผู้พัฒนาเทคนิค

Eliza ($AI16Z):

ภาษา: TypeScript ที่เน้นความยืดหยุ่นของ web3 และการมีส่วนร่วมของชุมชน

Use Case: ออกแบบสำหรับการโต้ตอบทางสังคม, DAOs, และการซื้อขาย, โดยเน้นที่มากบนระบบหลายตัวแทน

ชุมชน: มีการเคลื่อนไหวของชุมชนอย่างสูง มีการมุ่งเน้นที่ GitHub อย่างแพร่หลาย

ZerePy ($ZEREBRO):

ภาษา: Python ทำให้สามารถเข้าถึงได้สำหรับผู้พัฒนา AI กลุ่มที่กว้างขึ้น

กรณีใช้งาน: เหมาะสำหรับอัตโนมัติสำหรับสื่อสังคมและงานตัวแทน AI ที่ง่ายกว่า

ชุมชน: ค่อนข้างใหม่ แต่พร้อมสําหรับการเติบโตเนื่องจากความนิยมของ Python +การสนับสนุนผู้สนับสนุน AI16Z

GAME ($VIRTUAL):

โฟกัส: บนตัวแทน AI ที่สามารถทำงานอิสระและปรับตัวได้ ซึ่งสามารถพัฒนาต่อไปได้ตามประสบการณ์ที่เกิดขึ้นในสภาพแวดล้อมเสมือนจริง

กรณีการใช้งาน: เหมาะสำหรับสถานการณ์ที่ตัวแทนต้องเรียนรู้และปรับตัว เช่น เกมหรือโลกเสมือนจริง

ชุมชน: นวัตกรรมแต่ยังกำหนดตัวเองในตลาดที่แข่งขันอยู่กลาง

ประวัติดาวบน Github

ประวัติดาว Github

ภาพประกอบด้านบนเป็นการอ้างอิงถึงประวัติศาสตร์ของดาว GitHub ของเฟรมเวิร์กตั้งแต่เริ่มต้น โดยมีการระบุว่าดาว GitHub เป็นตัวบ่งชี้ความสนใจของชุมชน ความนิยมของโครงการ และค่าความรู้สึกที่มีต่อโครงการ

ELIZA - สายสีแดง:

แสดงให้เห็นถึงการเพิ่มขึ้นอย่างมีนัยสําคัญและมั่นคงของดาวฤกษ์เริ่มต้นจากฐานต่ําในเดือนกรกฎาคมและประสบกับการเพิ่มขึ้นของดาวฤกษ์อย่างมีนัยสําคัญตั้งแต่ปลายเดือนพฤศจิกายนถึง 6.1k ดาว สิ่งนี้บ่งบอกถึงความสนใจที่เพิ่มขึ้นอย่างรวดเร็วซึ่งดึงดูดความสนใจของนักพัฒนา การเติบโตแบบทวีคูณแสดงให้เห็นว่า ELIZA ได้รับแรงฉุดอย่างมากเนื่องจากคุณสมบัติการอัปเดตและการมีส่วนร่วมของชุมชน ความนิยมของมันเหนือกว่าคนอื่น ๆ ซึ่งบ่งบอกถึงการสนับสนุนชุมชนที่แข็งแกร่งและการบังคับใช้หรือความสนใจในวงกว้างในชุมชน AI

RIG - บรรทัดสีฟ้า:

Rig is the oldest among four, showing a modest but consistent growth in stars, with a noticeable uptick in the ongoing month. It has reached 1.7k stars but is on an upward trajectory. The steady accumulation of interest is due to continuous development, updates, and a growing user base. This could reflect a niche audience or a framework that is still building its reputation.

ZEREPY - สายสีเหลือง:

ZerePy ถูกเปิดใช้งานเมื่อไม่กี่วันก่อนและได้รับการชื่นชมอย่างมาก โดยได้รับการเน้นว่า ZerePy ต้องการการพัฒนาเพิ่มเติมเพื่อเพิ่มความเห็นให้มากขึ้นและเพิ่มการใช้งาน การร่วมงานกับ $AI16Z อาจดึงคนร่วมงานมากขึ้น

GAME - Green Line:

โครงการนี้มีดาวน้อยที่สุดมีการตั้งข้อสังเกตว่าเฟรมเวิร์กนี้สามารถนําไปใช้กับตัวแทนภายในระบบนิเวศเสมือนได้โดยตรงผ่าน API ซึ่งไม่จําเป็นต้องมองเห็นบน Github อย่างไรก็ตามเฟรมเวิร์กนี้พร้อมใช้งานสําหรับผู้สร้างต่อสาธารณะเมื่อเดือนที่แล้วโดยมี 200+ โครงการที่สร้างขึ้นด้วย GAME

Bull Thesis สำหรับ Frameworks

เวอร์ชัน 2 ของ Eliza จะรวมการใช้งานกับ Coinbase agent kit โครงการทั้งหมดที่ใช้ Eliza จะได้รับการสนับสนุนในอนาคตสำหรับ TEE ธรรมชาติซึ่งทำให้เอเจนต์สามารถทำงานในสภาพแวดล้อมที่ปลอดภัยได้ คุณสมบัติที่กำลังจะมาของ Eliza คือ Plugin Registry ที่อนุญาตให้นักพัฒนาลงทะเบียนและรวมปลั๊กอินได้อย่างราบรื่น

นอกจากนี้ Eliza V2 ยังรองรับการสื่อสารแบบอัตโนมัติและไม่ระบุชื่อบนหลายแพลตฟอร์ม Whitepaper ของ Tokenomics ที่กำหนดวางจะเผยแพร่ในวันที่ 1 มกราคม 2025 คาดว่าจะมีผลต่อโทเค็น AI16Z ที่เป็นพื้นฐานของเฟรมเวิร์ก Eliza บริษัท AI16Z วางแผนที่จะดำเนินการปรับปรุงประสิทธิภาพของเฟรมเวิร์กโดยใช้ประโยชน์จากการรับสมัครคนที่มีคุณภาพสูง ซึ่งได้แสดงให้เห็นในการทำงานของผู้มีส่วนร่วมหลักของบริษัท

เฟรมเวิร์คเกมไม่มีการผสมรวมโค้ดสำหรับตัวแทน ทำให้สามารถใช้ GAME และ ELIZA พร้อมกันในโปรเจกต์เดียวที่มีวัตถุประสงค์เฉพาะ วิธีการนี้คาดว่าจะดึงดูดผู้สร้างที่มุ่งเน้นตรรกะธุรกิจมากกว่าความซับซ้อนทางเทคนิค แม้ว่าจะมีเพียง 30 วันเท่านั้นที่เฟรมเวิร์คถูกเปิดเผยแล้ว แต่ได้รับความคืบหน้ามากมาย โดยได้รับการสนับสนุนจากทีมเพื่อเข้าร่วมเป็นผู้มีส่วนร่วมมากขึ้น คาดว่าทุกโครงการที่เริ่มต้นบน $VIRTUAL จะนำ GAME มาใช้

Rig ที่แทนโดย $ARCโทเค็นนี้มีศักยภาพที่สำคัญ แม้ว่าโครงสร้างของมันจะเติบโตในช่วงเริ่มต้น โปรแกรมการสื่อสารสมาชิกสำหรับโปรเจคที่ใช้ Rig อยู่ในช่วงลงทะเบียนเพียงไม่กี่วันเท่านั้น อย่างไรก็ตามโปรเจคที่มีคุณภาพที่จับคู่กับ ARC คาดว่าจะมีในเร็วๆนี้ คล้ายกับลูกกลมเสมือนที่เป็นเสมือนกับ Solana ทีมตั้งสมมติฐานในการเป็นพันธมิตรกับ Solana จัดตำแหน่ง ARC เพื่อ Solana เช่นเดียวกับ Virtual กับ Base ความสำคัญอย่างมากคือทีมเสริมสร้างสรรค์ไม่ใช่เพียงเพื่อโปรเจคใหม่ที่เริ่มใช้ Rig เท่านั้น แต่ยังรวบรวมนักพัฒนาเพื่อเสริมเสร่อ Rig เอง

Zerepy เป็นเฟรมเวิร์คที่เพิ่งเปิดตัว กำลังได้รับความสนใจจากพันธมิตรกับ $AI16Z (Eliza) โครงสร้างนี้ได้ดึงดูดผู้ร่วมมือจาก Eliza ที่กำลังทำงานอย่างเต็มที่เพื่อปรับปรุงมัน มันได้รับความนิยมจากแฟนๆของ $ZEREBRO และเปิดโอกาสใหม่สำหรับนักพัฒนา Python ซึ่งก่อนหน้านี้ขาดแทนที่ในแวดวงการสร้างพื้นฐาน AI ที่แข่งขัน โครงสร้างนี้กำลังจะเล่นบทบาทสำคัญในด้านสร้างสรรค์ของ AI

คำปฏิเสธ:

1. บทความนี้ถูกนำเสนอใหม่จาก [ X]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [@DV_Memetics]. If there are objections to this reprint, please contact the เกตเรียนทีม และพวกเขาจะดำเนินการโดยเร็ว
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำทางการลงทุน
3. ทีม Gate Learn ได้แปลบทความเป็นภาษาอื่น ๆ ห้ามคัดลอก กระจาย หรือลอกเลียนบทความที่ถูกแปล นอกจากจะระบุไว้