Encaminhe o título original: é o Framework do Agente de IA a Peça Final do Puzzle? Como Interpretar a “Dualidade Onda-Partícula” dos Frameworks?

O quadro do Agente de IA, como uma peça-chave no desenvolvimento da indústria, pode abrigar o potencial duplo de impulsionar tanto a implementação da tecnologia quanto a maturação do ecossistema. Alguns dos quadros mais discutidos no mercado incluem Eliza, Rig, Swarms e ZerePy. Esses quadros atraem desenvolvedores por meio de seus repositórios do GitHub, construindo uma reputação. Através da emissão de tokens através de 'bibliotecas', esses quadros, como a luz, incorporam características tanto de onda quanto de partícula. Da mesma forma, os quadros de Agente possuem tanto externalidades sérias quanto características de Memecoin. Este artigo se concentrará em interpretar a 'dualidade onda-partícula' desses quadros e explorar por que o quadro do Agente pode ser a peça final do quebra-cabeça.

Externalidades trazidas pelos Frameworks de Agentes podem deixar crescimento duradouro após a bolha estourar

Desde o surgimento da GOAT, a narrativa do Agente tem vindo a ganhar cada vez mais atenção do mercado, semelhante a um mestre de artes marciais desferindo um golpe poderoso — com o punho esquerdo representando "Memecoin" e a palma direita incorporando "esperança da indústria", você pode ser derrotado por qualquer um desses movimentos. Na realidade, os cenários de aplicação dos Agentes de IA não estão estritamente diferenciados, e as fronteiras entre plataformas, estruturas e aplicações específicas estão borradas. No entanto, estas ainda podem ser categorizadas de forma geral de acordo com as preferências de token ou protocolo. Com base nas preferências de desenvolvimento de tokens ou protocolos, podem ser geralmente classificadas nas seguintes categorias:

• Launchpad: Plataformas de emissão de ativos. Exemplos incluem Virtuals Protocol e Clanker na cadeia Base e Dasha na cadeia Solana.
• Aplicações de Agente de IA: Estes flutuam entre Agente e Memecoin, e têm características destacadas na configuração de memória, como GOAT, aixbt, etc. Estas aplicações são geralmente saídas unidirecionais, com condições de entrada muito limitadas.
• Motores de Agente de IA: Exemplos incluem Griffain na cadeia Solana e Spectre AI na cadeia Base. Griffain evolui de um modo de leitura-escrita para um modo de leitura-escrita-ação; Spectre AI é um motor RAG usado para pesquisas on-chain.
• Estruturas de Agentes de IA: Para plataformas de estrutura, o Agente em si é um ativo. Portanto, o framework do Agente atua como uma plataforma de emissão de ativos e um Launchpad para Agentes. Os projetos representativos atualmente incluem ai16, Zerebro, ARC e o muito discutido Swarms.
• Outras Direções Menores: Projetos abrangentes do Agente como Simmi, o protocolo Mode da AgentFi, o Agente do tipo falsificação Seraph e o Criador de Agentes de API em tempo real. Bid.

Ao discutir melhor a estrutura do Agente, pode-se ver que ela tem externalidades significativas. Ao contrário dos desenvolvedores nas principais cadeias públicas e protocolos, que só podem escolher entre diferentes ambientes de linguagem de programação, o tamanho geral da comunidade de desenvolvedores no setor não mostrou uma taxa de crescimento correspondente na capitalização de mercado. Os repositórios GitHub são onde os desenvolvedores Web2 e Web3 constroem consenso. Construir uma comunidade de desenvolvedores aqui é muito mais atraente e influente para desenvolvedores Web2 do que qualquer pacote "plug-and-play" desenvolvido individualmente por um protocolo.

Os quatro frameworks mencionados neste artigo são todos de código aberto:

• O framework Eliza da ai16z recebeu 6.200 estrelas.
• O framework ZerePy da Zerebro recebeu 191 estrelas.
• O framework RIG da ARC recebeu 1.700 estrelas.
• A estrutura Swarms da Swarms recebeu 2.100 estrelas.

Atualmente, o framework Eliza é amplamente utilizado em várias aplicações de Agente e é o framework mais utilizado. O desenvolvimento do ZerePy não é altamente avançado e sua direção de desenvolvimento é principalmente X. Ainda não suporta LLMs locais e memória integrada. O RIG tem a maior dificuldade relativa de desenvolvimento, mas oferece aos desenvolvedores a maior liberdade para alcançar a otimização de desempenho. O Swarms, além do lançamento da equipe de mcs, ainda não tem outros casos de uso. No entanto, o Swarms pode se integrar a diferentes frameworks, oferecendo um potencial significativo.

Além disso, na classificação mencionada acima, separar o mecanismo do Agente e o framework pode causar confusão. Mas eu acredito que os dois são diferentes. Primeiro, por que é chamado de mecanismo? A analogia com os mecanismos de busca na vida real é relativamente apropriada. Ao contrário das aplicações de Agente homogeneizadas, o desempenho do mecanismo do Agente está em um nível mais alto, mas é completamente encapsulado e os ajustes são feitos através de interfaces de API como uma caixa preta. Os usuários podem experimentar o desempenho do mecanismo do Agente fazendo fork, mas eles não podem controlar a imagem completa ou a liberdade de personalização como podem com o framework básico. O mecanismo de cada usuário é como gerar um espelho em um Agente treinado e interagir com esse espelho. Por outro lado, o framework é fundamentalmente projetado para se adaptar à cadeia, porque quando um Agente constrói um framework de Agente, o objetivo final é a integração com a cadeia correspondente. Como definir os métodos de interação de dados, como definir os métodos de validação de dados, como definir o tamanho do bloco e como equilibrar o consenso e o desempenho - estas são as coisas que o framework precisa considerar. Quanto ao mecanismo, ele só precisa ajustar o modelo e ajustar a relação entre interação de dados e memória em uma direção. O desempenho é o único padrão de avaliação, enquanto o framework não se limita a isso.

Visualizar a Estrutura do Agente a partir da Perspectiva da “Dualidade Onda-Partícula” pode ser um Pré-requisito para Permanecer no Caminho Certo

O ciclo de entrada e saída de um Agente requer três partes. Primeiro, o modelo subjacente determina a profundidade e o método de pensamento. Em seguida, a memória é onde ocorre a personalização. Após o modelo básico produzir uma saída, ele é modificado com base na memória. Por fim, a operação de saída é concluída em clientes diferentes.

Origem: @SuhailKakar

Para confirmar que o framework Agente tem a "dualidade onda-partícula," a "onda" representa as características do "Memecoin," que representam a cultura da comunidade e atividade do desenvolvedor, enfatizando a atratividade e habilidade de disseminação do Agente. A "partícula" representa as características das "expectativas da indústria," que representam o desempenho subjacente, casos reais de uso e profundidade técnica. Vou explicar isso combinando dois aspectos, usando os tutoriais de desenvolvimento de três frameworks como exemplos:

Estrutura Eliza de Integração Rápida

1. Configurar o ambiente

Origem: @SuhailKakar

1. Instalar Eliza

Origem: @SuhailKakar

1. Ficheiro de configuração

Origem: @SuhailKakar

4. Definir personalidade do Agente

Origem: @SuhailKakar

O framework Eliza é relativamente fácil de começar. É baseado em TypeScript, uma linguagem com a qual a maioria dos desenvolvedores Web e Web3 está familiarizada. O framework é simples e evita abstração excessiva, permitindo que os desenvolvedores adicionem facilmente as funcionalidades que desejam. A partir do passo 3, podemos ver que o Eliza suporta integração multi-cliente e pode ser entendido como um montador para integração multi-cliente. O Eliza suporta plataformas como DC, TG e X, bem como vários modelos de linguagem grandes. Permite a entrada através das redes sociais mencionadas acima e a saída através de modelos LLM, e também suporta gerenciamento de memória integrado, permitindo que qualquer desenvolvedor com diferentes hábitos implante rapidamente um Agente de IA.

Devido à simplicidade do framework e à riqueza de suas interfaces, Eliza reduz significativamente o limiar de acesso e alcança um padrão de interface relativamente unificado.

Utilize o Framework ZerePy com apenas um clique

1. Fork do Repositório ZerePy

Origem:https://replit.com/

1. Configurar X e GPT

Origem:https://replit.com/

3. Definir Personalidade do Agente

Origem:https://replit.com/

Estrutura de Rig otimizada para desempenho

Tomando a construção de um Agente de Geração Aumentada de Recuperação (RAG) como exemplo:

1. Configurar o ambiente e a chave OpenAI

fonte:https://dev.to/0thtachi/construa-um-sistema-de-rag-com-rig-em-menos-de-100-linhas-de-codigo-4422

1. Configurar Cliente OpenAI e Utilizar Chunking para Processamento de PDF

origem:https://dev.to/0thtachi/construa-um-sistema-de-rag-com-rig-em-menos-de-100-linhas-de-codigo-4422

1. Definir Estrutura do Documento e Incorporação

origem:https://dev.to/0thtachi/construa-um-sistema-de-rag-com-rig-em-menos-de-100-linhas-de-codigo-4422

1. Criar Armazenamento Vetorial e Agente RAG

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

Rig (ARC) é um framework de construção de sistema de IA baseado na linguagem Rust para motores de fluxo de trabalho LLM. Resolve problemas de otimização de desempenho de nível inferior. Em outras palavras, ARC é uma "caixa de ferramentas" de motor de IA que fornece chamadas de IA e otimização de desempenho, armazenamento de dados, tratamento de exceções e outros serviços de suporte em segundo plano.

O que Rig quer resolver é o problema de "chamada" para ajudar os desenvolvedores a escolher melhor LLM, otimizar melhor as palavras de prompt, gerenciar tokens de forma mais eficaz e como lidar com processamento concorrente, gerenciar recursos, reduzir a latência, etc. Seu foco está no modelo AI LLM Como "fazer bom uso dele" ao colaborar com o sistema AI Agent.

Rigé uma biblioteca Rust de código aberto projetada para simplificar o desenvolvimento de aplicativos impulsionados por LLM, incluindo os Agentes RAG. Como o Rig é mais aberto, tem requisitos mais altos para desenvolvedores e um maior entendimento de Rust e Agent. O tutorial aqui é o processo de configuração de agente RAG mais básico. O RAG melhora o LLM combinando-o com a recuperação de conhecimento externo. Em outros DEMOs no site oficial, você pode ver que Rig tem as seguintes características:

• Interface LLM unificada: suporta APIs consistentes de diferentes fornecedores de LLM, simplificando a integração.
• Fluxo de trabalho abstrato: Componentes modulares pré-construídos permitem que o Rig realize o design de sistemas de IA complexos.
• Armazenamento vetorial integrado: Suporte incorporado para armazenamento de gênero oferece desempenho eficiente em agentes de pesquisa semelhantes, como o Agente RAG.
• Incorporação flexível: Fornece uma API fácil de usar para processar a incorporação, reduzindo a dificuldade de compreensão semântica ao desenvolver agentes de pesquisa semelhantes, como o Agente RAG.

Pode-se observar que, em comparação com Eliza, Rig oferece aos desenvolvedores um espaço adicional para otimização de desempenho, ajudando os desenvolvedores a depurar melhor as chamadas e a otimização da colaboração entre LLM e Agent. Rig oferece desempenho impulsionado por Rust, aproveitando as abstrações de custo zero e as operações LLM de alto desempenho, seguras em termos de memória e baixa latência de Rust. Ele pode fornecer um grau de liberdade mais rico no nível subjacente.

Estrutura Modular de Enxames de Composição

Swarms tem como objetivo fornecer um framework de orquestração multi-agente de nível empresarial e produção. O site oficial oferece dezenas de fluxos de trabalho e arquiteturas paralelas/sequeciais para tarefas de agente. Abaixo está uma breve introdução de uma pequena parte deles.

Fluxo de trabalho sequencial

Origem: https://docs.swarms.world

A arquitetura Sequencial Swarm processa tarefas em uma sequência linear. Cada Agente completa sua tarefa antes de passar os resultados para o próximo Agente na cadeia. Essa arquitetura garante um processamento ordenado e é útil quando as tarefas têm dependências.

Caso de uso:

• Cada passo no fluxo de trabalho depende do anterior, como numa linha de montagem ou processamento de dados sequencial.
• Cenários que exigem uma estrita adesão às sequências de operação.

Arquitetura hierárquica:

Origem: https://docs.swarms.world

Esta arquitetura implementa controlo de cima para baixo, onde um Agente de nível superior coordena as tarefas entre Agentes de nível inferior. Os Agentes executam tarefas em simultâneo e alimentam os seus resultados de volta no ciclo para agregação final. Isto é particularmente útil para tarefas altamente paralelizáveis.

Origem: https://docs.swarms.world

Esta arquitetura foi projetada para gerenciar grupos em grande escala de Agentes que trabalham simultaneamente. Pode gerenciar milhares de Agentes, cada um executando em sua própria thread. É ideal para supervisionar a saída de operações em grande escala do Agente.

Swarms não é apenas um framework de Agente, mas também é compatível com os frameworks Eliza, ZerePy e Rig mencionados anteriormente. Com uma abordagem modular, maximiza o desempenho do Agente em diferentes fluxos de trabalho e arquiteturas para resolver os problemas correspondentes. A conceção e o desenvolvimento de Swarms, juntamente com a sua comunidade de desenvolvedores, estão a progredir bem.

• Eliza: Oferece a melhor facilidade de uso, tornando-a adequada para iniciantes e desenvolvimento rápido de protótipos, especialmente para interações de IA em plataformas de mídia social. O framework é simples e fácil de integrar e modificar, adequado para cenários que não exigem otimização de desempenho extensiva.
• ZerePy: Implantação com um clique, ideal para desenvolver rapidamente aplicações de agente de IA em Web3 e plataformas sociais. É adequado para aplicações de IA leves, com uma estrutura simples e configuração flexível para configuração rápida e iteração.
• Rig: Concentra-se na otimização de desempenho, especialmente destacando-se em tarefas de alta concorrência e alto desempenho. É ideal para desenvolvedores que precisam de controle detalhado e otimização. A estrutura é mais complexa e requer conhecimento de Rust, tornando-a adequada para desenvolvedores mais experientes.
• Enxames: Adequado para aplicações de nível empresarial, suportando colaboração multiagente e gestão de tarefas complexas. O framework é flexível, suporta processamento paralelo em grande escala e oferece várias configurações de arquitetura. No entanto, devido à sua complexidade, pode exigir um background técnico mais forte para uso eficaz.

Em geral, Eliza e ZerePy têm vantagens em facilidade de uso e desenvolvimento rápido, enquanto Rig e Swarms são mais adequados para desenvolvedores profissionais ou aplicações empresariais que requerem alto desempenho e processamento em grande escala.

É por isso que o framework Agent possui a característica de "esperança da indústria". Os frameworks mencionados acima ainda estão em estágios iniciais, e a prioridade imediata é obter uma vantagem pioneira e estabelecer uma comunidade ativa de desenvolvedores. O desempenho do framework e se ele fica para trás em relação às aplicações populares da Web2 não são as principais preocupações. Os únicos frameworks que terão sucesso no final são aqueles que conseguem atrair continuamente desenvolvedores, pois a indústria Web3 sempre precisa capturar a atenção do mercado. Independentemente de quão forte seja o desempenho do framework ou quão sólidos sejam seus fundamentos, se for difícil de usar e, portanto, não conseguir atrair usuários, será contraproducente. Desde que o framework em si possa atrair desenvolvedores, aqueles com um modelo de economia de tokens mais maduro e completo se destacarão.

A característica de “Memecoin” nos sistemas de Agente é bastante fácil de entender. Os tokens dos sistemas mencionados acima não têm um design de economia de tokens razoável, falta de casos de uso ou têm casos muito limitados e não têm modelos de negócios validados. Não há um ciclo efetivo de tokens. Os sistemas são apenas sistemas e não houve integração orgânica entre o sistema e o token. O crescimento no preço do token, além do FOMO, tem pouco suporte nos fundamentos e falta um forte fosso para garantir um crescimento estável e de longo prazo do valor. Ao mesmo tempo, os próprios sistemas ainda são um tanto rudimentares e seu valor real não está alinhado com seu valor de mercado atual, exibindo assim fortes características de “Memecoin”.

Vale a pena notar que a "dualidade onda-partícula" da estrutura Agent não é uma desvantagem e não deve ser interpretada aproximadamente como uma estrutura que não é nem um Memecoin puro nem uma solução intermediária sem casos de uso simbólicos. Como mencionei no artigo anterior, os agentes leves são cobertos pelo véu ambíguo de Memecoin. A cultura e os fundamentos comunitários deixarão de ser uma contradição e um novo caminho de desenvolvimento de ativos está a emergir gradualmente. Apesar da bolha inicial e da incerteza em torno das estruturas do Agente, seu potencial para atrair desenvolvedores e impulsionar a adoção de aplicativos não deve ser ignorado. No futuro, frameworks com um modelo de economia de tokens bem desenvolvido e um forte ecossistema de desenvolvedores podem se tornar os principais pilares desse setor.

Aviso Legal:

1. Este artigo é reproduzido a partir de [ odaily]. Encaminhe o título original: A estrutura do agente de IA é a peça final do quebra-cabeça? Como interpretar a "dualidade onda-partícula" dos frameworks? Os direitos autorais pertencem ao autor original [Kevin, o pesquisador do BlockBooster]. Se você tiver alguma objeção à reimpressão, entre em contato Equipa Gate Learn, a equipa tratará do assunto o mais brevemente possível, de acordo com os procedimentos relevantes.
2. Responsabilidade de Isenção: As opiniões expressas neste artigo são exclusivamente do autor e não constituem aconselhamento de investimento.
3. A equipa de aprendizagem da Gate traduziu o artigo para outras línguas. Copiar, distribuir ou plagiar os artigos traduzidos é proibido, a menos que mencionado.