Reenviar el título original: ¿Es el marco de agente de AI la pieza final del rompecabezas? ¿Cómo interpretar la “dualidad onda-partícula” de los marcos?

El marco AI Agent, como pieza clave en el desarrollo de la industria, puede albergar el doble potencial de impulsar tanto la implementación de la tecnología como la maduración del ecosistema. Algunos de los frameworks más discutidos en el mercado incluyen Eliza, Rig, Swarms y ZerePy. Estos frameworks atraen a los desarrolladores a través de sus repositorios de GitHub, construyendo una reputación. A través de la emisión de tokens a través de "bibliotecas", estos marcos, al igual que la luz, encarnan características similares a las de las ondas y las partículas. Del mismo modo, los marcos de los agentes poseen tanto externalidades serias como rasgos de Memecoin. Este artículo se centrará en la interpretación de la "dualidad onda-partícula" de estos marcos y explorará por qué el marco Agent puede ser la pieza final del rompecabezas.

Externalidades generadas por los marcos de agentes pueden dejar un crecimiento duradero después de que la burbuja estalle

Desde la aparición de GOAT, la narrativa de Agent ha ido ganando cada vez más atención en el mercado, similar a un maestro de artes marciales que entrega un golpe poderoso, con el puño izquierdo representando 'Memecoin' y la palma derecha personificando la 'esperanza de la industria', podrías ser derrotado por cualquiera de estos movimientos. En realidad, los escenarios de aplicación de los Agentes de IA no están estrictamente diferenciados y las fronteras entre plataformas, marcos y aplicaciones específicas están difuminadas. Sin embargo, aún se pueden clasificar aproximadamente según las preferencias de tokens o protocolos. Según las preferencias de desarrollo de tokens o protocolos, generalmente se pueden clasificar en las siguientes categorías:

• Launchpad: Plataformas de emisión de activos. Ejemplos incluyen Virtuals Protocol y Clanker en la cadena Base, y Dasha en la cadena Solana.
• Aplicaciones de Agentes de IA: Estos flotan entre Agente y Memecoin, y tienen características destacadas en la configuración de memoria, como GOAT, aixbt, etc. Estas aplicaciones son generalmente salidas unidireccionales, con condiciones de entrada muy limitadas.
• Motores de Agente de IA: Ejemplos incluyen Griffain en la cadena Solana y Spectre AI en la cadena Base. Griffain evoluciona de un modo de lectura-escritura a un modo de lectura-escritura-acción; Spectre AI es un motor RAG utilizado para búsquedas en la cadena.
• Marcos de Agentes de Inteligencia Artificial: Para las plataformas de marco, el propio Agente es un activo. Por lo tanto, el marco del Agente actúa como una plataforma de emisión de activos y un Launchpad para Agentes. Los proyectos representativos actualmente incluyen ai16, Zerebro, ARC, y el muy discutido Swarms.
• Otras Direcciones Más Pequeñas: Proyectos de Agentes completos como Simmi, el Modo del protocolo AgentFi, el Agente Seraph de tipo de falsificación y el Creador de Agentes API en tiempo real.Bid.

Cuando se analiza más a fondo el marco del agente, se puede ver que tiene externalidades significativas. A diferencia de los desarrolladores de las principales cadenas y protocolos públicos, que solo pueden elegir entre diferentes entornos de lenguajes de programación, el tamaño total de la comunidad de desarrolladores en la industria no ha mostrado una tasa de crecimiento correspondiente en la capitalización de mercado. Los repositorios de GitHub son donde los desarrolladores de Web2 y Web3 crean consenso. Construir una comunidad de desarrolladores aquí es mucho más atractivo e influyente para los desarrolladores de Web2 que cualquier paquete "plug-and-play" desarrollado individualmente por un protocolo.

Los cuatro marcos mencionados en este artículo son todos de código abierto:

• El marco Eliza de ai16z ha recibido 6,200 estrellas.
• El marco ZerePy de Zerebro ha recibido 191 estrellas.
• El marco RIG de ARC ha recibido 1,700 estrellas.
• El marco de Swarms de Swarms ha recibido 2.100 estrellas.

Actualmente, el marco Eliza se utiliza ampliamente en varias aplicaciones de Agent y es el marco más utilizado. El desarrollo de ZerePy no está muy avanzado, y su dirección de desarrollo radica principalmente en X. Todavía no admite LLMs locales y memoria integrada. RIG tiene la mayor dificultad de desarrollo relativa, pero ofrece a los desarrolladores la mayor libertad para lograr la optimización del rendimiento. Swarms, aparte del lanzamiento de mcs del equipo, aún no tiene otros casos de uso. Sin embargo, Swarms puede integrarse con diferentes marcos, ofreciendo un potencial significativo.

Además, en la clasificación anterior, separar el motor del agente y el marco podría causar confusión. Pero creo que los dos son diferentes. En primer lugar, ¿por qué se llama motor? La analogía con los motores de búsqueda en la vida real es relativamente apropiada. A diferencia de las aplicaciones de agente homogeneizadas, el rendimiento del motor de agente está en un nivel superior, pero está completamente encapsulado y los ajustes se realizan a través de interfaces API como una caja negra. Los usuarios pueden experimentar el rendimiento del motor del agente bifurcándolo, pero no pueden controlar la imagen completa o la libertad de personalización como pueden hacerlo con el marco básico. El motor de cada usuario es como generar un espejo en un agente entrenado e interactuar con ese espejo. Por otro lado, el framework está diseñado fundamentalmente para adaptarse a la cadena, ya que cuando un Agente construye un framework de Agent, el objetivo final es la integración con la cadena correspondiente. Cómo definir los métodos de interacción de datos, cómo definir los métodos de validación de datos, cómo definir el tamaño de los bloques y cómo equilibrar el consenso y el rendimiento: estas son las cosas que el marco debe tener en cuenta. En cuanto al motor, solo necesita afinar el modelo y ajustar la relación entre la interacción de datos y la memoria en una dirección. El desempeño es el único estándar de evaluación, mientras que el marco no se limita a esto.

Ver el Marco del Agente desde la perspectiva de la “Dualidad Onda-Partícula” puede ser un requisito previo para mantenerse en el camino correcto

El ciclo de vida de entrada-salida de un Agente requiere tres partes. Primero, el modelo subyacente determina la profundidad y el método de pensamiento. Luego, la memoria es donde se realiza la personalización. Después de que el modelo básico produce una salida, se modifica en función de la memoria. Finalmente, se completa la operación de salida en diferentes clientes.

Fuente: @SuhailKakar

Para confirmar que el marco del Agente tiene "dualidad onda-partícula", la "onda" representa las características de "Memecoin," que representan la cultura comunitaria y la actividad de los desarrolladores, enfatizando la atractividad y la capacidad de difusión del Agente. La "partícula" representa las características de las "expectativas de la industria," que representan el rendimiento subyacente, los casos de uso reales y la profundidad técnica. Explicaré esto combinando dos aspectos, utilizando los tutoriales de desarrollo de tres marcos como ejemplos:

Marco de Integración Rápida Eliza

1. Configurar el entorno

Origen: @SuhailKakar

1. Instalar Eliza

Fuente: @SuhailKakar

1. Archivo de configuración

Fuente:@SuhailKakar

4. Establecer la personalidad del agente

Fuente: @SuhailKakar

El marco de Eliza es relativamente fácil de empezar. Está basado en TypeScript, un lenguaje con el que la mayoría de los desarrolladores de Web y Web3 están familiarizados. El marco es simple y evita la abstracción excesiva, lo que permite a los desarrolladores añadir fácilmente las características que desean. A partir del paso 3, podemos ver que Eliza soporta la integración multi-cliente, y se puede entender como un ensamblador para la integración multi-cliente. Eliza soporta plataformas como DC, TG y X, así como varios modelos de lenguaje grandes. Permite la entrada a través de las mencionadas redes sociales y la salida a través de modelos LLM, y también soporta la gestión de memoria integrada, lo que permite a cualquier desarrollador con diferentes hábitos desplegar rápidamente un Agente de AI.

Debido a la simplicidad del marco y la riqueza de sus interfaces, Eliza reduce significativamente el umbral de acceso y logra un estándar de interfaz relativamente unificado.

Uso de un solo clic del marco de trabajo ZerePy

1. Fork del Repositorio de ZerePy

Fuente:https://replit.com/

1. Configurar X y GPT

Fuente:https://replit.com/

3. Establecer la Personalidad del Agente

Fuente:https://replit.com/

Marco de plataforma optimizado para el rendimiento

Tomando la construcción de un Agente de Generación de Recuperación (RAG) como ejemplo:

1. Configurar el entorno y la clave de OpenAI

fuente:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Configurar OpenAI Client y utilizar Chunking para el procesamiento de PDF

origen:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Establecer Estructura y Embebido de Documentos

fuente:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Crear almacenamiento vectorial y agente RAG

fuente:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

Rig (ARC) es un marco de construcción de sistemas de IA basado en el lenguaje Rust para motores de flujo de trabajo LLM. Resuelve problemas de optimización del rendimiento de nivel inferior. En otras palabras, ARC es una "caja de herramientas" de motores de IA que proporciona llamadas de IA y optimización del rendimiento. , almacenamiento de datos, manejo de excepciones y otros servicios de soporte en segundo plano.

Lo que Rig quiere resolver es el problema de las "llamadas" para ayudar a los desarrolladores a elegir mejor LLM, optimizar mejor las palabras rápidas, administrar los tokens de manera más efectiva y cómo manejar el procesamiento simultáneo, administrar recursos, reducir la latencia, etc. Su enfoque está en el modelo LLM de IA Cómo "hacer un buen uso de él" cuando se colabora con el sistema AI Agent.

Plataforma mineraes una biblioteca de Rust de código abierto diseñada para simplificar el desarrollo de aplicaciones impulsadas por LLM, incluidos los Agentes RAG. Debido a que Rig es más abierto, tiene requisitos más altos para los desarrolladores y una comprensión más profunda de Rust y Agent. El tutorial aquí es el proceso de configuración más básico del Agente RAG. RAG mejora LLM combinando LLM con la recuperación de conocimiento externo. En otras DEMOs en el sitio web oficial, puedes ver que Rig tiene las siguientes características:

• Interfaz LLM unificada: compatible con API consistentes de diferentes proveedores de LLM, simplificando la integración.
• Flujo de trabajo abstracto: los componentes modulares preconstruidos permiten a Rig realizar el diseño de sistemas de IA complejos.
• Almacenamiento vectorial integrado: El soporte incorporado para el almacenamiento de géneros proporciona un rendimiento eficiente en agentes de búsqueda similares como el Agente RAG.
• Incrustación flexible: Proporciona una API fácil de usar para el procesamiento de la incrustación, reduciendo la dificultad de comprensión semántica al desarrollar agentes de búsqueda similares como el Agente RAG.

Se puede observar que en comparación con Eliza, Rig brinda a los desarrolladores un espacio adicional para la optimización del rendimiento, ayudando a los desarrolladores a depurar mejor las llamadas y la optimización de la colaboración de LLM y Agent. Rig ofrece un rendimiento impulsado por Rust, aprovechando las abstracciones de costo cero y las operaciones LLM de alta seguridad de memoria, alto rendimiento y baja latencia de Rust. Puede proporcionar un grado de libertad más rico a nivel subyacente.

Framework de Enjambres de Composición Modular

Swarms tiene como objetivo proporcionar un marco de orquestación multiagente a nivel de producción de grado empresarial. El sitio web oficial ofrece docenas de flujos de trabajo y arquitecturas paralelas/seriales para tareas de agente. A continuación se presenta una breve introducción a una pequeña parte de ellos.

Flujo de trabajo secuencial

Fuente: https://docs.swarms.world

La arquitectura de Swarm secuencial procesa tareas en una secuencia lineal. Cada agente completa su tarea antes de pasar los resultados al siguiente agente en la cadena. Esta arquitectura garantiza un procesamiento ordenado y es útil cuando las tareas tienen dependencias.

Caso de uso:

• Cada paso en el flujo de trabajo depende del anterior, como en una línea de montaje o procesamiento secuencial de datos.
• Escenarios que requieren estricta adherencia a las secuencias de operación.

Arquitectura jerárquica:

Fuente: https://docs.swarms.world

Esta arquitectura implementa el control descendente, en el que un agente de nivel superior coordina las tareas entre los agentes de nivel inferior. Los agentes ejecutan tareas simultáneamente y devuelven sus resultados al bucle para la agregación final. Esto es particularmente útil para tareas que son altamente paralelizables.

Fuente: https://docs.swarms.world

Esta arquitectura está diseñada para gestionar grupos de Agentes a gran escala que trabajan simultáneamente. Puede gestionar miles de Agentes, cada uno ejecutándose en su propio hilo. Es ideal para supervisar la salida de operaciones de Agentes a gran escala.

Swarms no es solo un marco de Agentes sino que también es compatible con los marcos Eliza, ZerePy y Rig mencionados anteriormente. Con un enfoque modular, maximiza el rendimiento del Agente en diferentes flujos de trabajo y arquitecturas para resolver los problemas correspondientes. La concepción y desarrollo de Swarms, junto con su comunidad de desarrolladores, están progresando bien.

• Eliza: Ofrece la mejor facilidad de uso, lo que la hace adecuada para principiantes y el desarrollo rápido de prototipos, especialmente para las interacciones de inteligencia artificial en las plataformas de redes sociales. El marco es simple y fácil de integrar y modificar, adecuado para escenarios que no requieren una optimización de rendimiento extensa.
• ZerePy: Implementación con un clic, ideal para desarrollar rápidamente aplicaciones de Agentes de IA en plataformas Web3 y sociales. Es adecuado para aplicaciones de IA ligeras, con un marco simple y una configuración flexible para una configuración e iteración rápida.
• Rig: Se enfoca en la optimización del rendimiento, especialmente destacando en tareas de alta concurrencia y alto rendimiento. Es ideal para desarrolladores que necesitan un control y optimización detallados. El marco es más complejo y requiere conocimientos de Rust, por lo que es adecuado para desarrolladores más experimentados.
• Enjambres: Adecuado para aplicaciones a nivel empresarial, compatible con la colaboración multiagente y la gestión de tareas complejas. El marco es flexible, admite procesamiento en paralelo a gran escala y ofrece varias configuraciones de arquitectura. Sin embargo, debido a su complejidad, puede requerir un sólido conocimiento técnico para un uso efectivo.

En general, Eliza y ZerePy tienen ventajas en facilidad de uso y desarrollo rápido, mientras que Rig y Swarms son más adecuados para desarrolladores profesionales o aplicaciones empresariales que requieren alto rendimiento y procesamiento a gran escala.

Esta es la razón por la que el marco de trabajo del Agente posee la característica de 'esperanza de la industria'. Los marcos de trabajo mencionados anteriormente todavía se encuentran en las etapas iniciales, y la prioridad inmediata es obtener una ventaja como el primero en ingresar al mercado y establecer una comunidad activa de desarrolladores. El rendimiento del marco de trabajo y si se queda rezagado detrás de las aplicaciones populares de Web2 no son las preocupaciones principales. Los únicos marcos de trabajo que finalmente tendrán éxito son aquellos que pueden atraer continuamente a los desarrolladores, porque la industria de Web3 siempre necesita captar la atención del mercado. No importa cuán fuerte sea el rendimiento del marco de trabajo o cuán sólidos sean sus fundamentos, si es difícil de usar y, por lo tanto, no logra atraer a los usuarios, será contraproducente. Si el marco de trabajo en sí puede atraer a los desarrolladores, aquellos con un modelo de economía de tokens más maduro y completo destacarán.

La característica de "Memecoin" de los marcos de Agent es bastante fácil de entender. Los tokens de los marcos mencionados anteriormente no tienen un diseño económico de token razonable, carecen de casos de uso o tienen casos de uso muy limitados, y no han validado modelos de negocio. No hay un volante efectivo de token. Los marcos son simplemente marcos, y no ha habido una integración orgánica entre el marco y el token. El crecimiento en el precio del token, aparte de FOMO, tiene poco apoyo de los fundamentos y carece de una fuerte muralla para garantizar un crecimiento de valor estable y a largo plazo. Al mismo tiempo, los marcos mismos siguen siendo algo rudimentarios, y su valor real no se alinea con su valor de mercado actual, mostrando así fuertes características de "Memecoin".

Vale la pena señalar que la "dualidad onda-partícula" del marco Agent no es una desventaja y no debe interpretarse aproximadamente como un marco que no es ni una Memecoin pura ni una solución intermedia sin casos de uso simbólicos. Como mencioné en el artículo anterior, los agentes ligeros están cubiertos por el ambiguo velo de Memecoin. La cultura y los fundamentos de la comunidad ya no serán una contradicción, y está surgiendo gradualmente un nuevo camino de desarrollo de activos. A pesar de la burbuja inicial y la incertidumbre que rodea a los marcos de agentes, no se debe ignorar su potencial para atraer a los desarrolladores e impulsar la adopción de aplicaciones. En el futuro, los marcos con un modelo de economía de tokens bien desarrollado y un sólido ecosistema de desarrolladores pueden convertirse en los pilares clave de este sector.

Descargo de responsabilidad:

1. Este artículo es reproducido de [odaily]. Reenviar el título original: ¿Es el marco de agente de IA la pieza final del rompecabezas? ¿Cómo interpretar la “dualidad onda-partícula” de los marcos? Los derechos de autor pertenecen al autor original [Kevin, el investigador en BlockBooster]. Si tienes alguna objeción a la reproducción, por favor contáctanos.Equipo de Aprendizaje de GateEl equipo lo manejará tan pronto como sea posible de acuerdo con los procedimientos pertinentes.
2. Descargo de responsabilidad de responsabilidad: Las opiniones expresadas en este artículo son exclusivamente las del autor y no constituyen asesoramiento de inversión.
3. El equipo de gate Learn tradujo el artículo a otros idiomas. Está prohibido copiar, distribuir o plagiar los artículos traducidos a menos que se mencione.