En este informe, discutiremos el panorama de los marcos dentro de Crypto X AI. Analizaremos los tipos actuales (ELIZA, GAME, ARC, ZEREPY) y sus diferencias tecnológicas.

Net/Net:

Revisamos y probamos los 4 marcos principales durante la semana pasada y nuestras conclusiones se detallan aquí (y sí, hay una hoja de trucos).

Creemos que $AI16Z seguirá dominando el mercado. El valor en Eliza ($ai16z, ~60% de cuota de mercado, $900 millones de capitalización de mercado) es su ventaja como pionero (efecto Lindy) y el aumento del uso entre los desarrolladores, como lo demuestran sus 193 colaboradores, 1.8k forks y más de 6000 estrellas, lo que lo convierte en uno de los repositorios más populares en Github.

$GAME (~ 20% de participación de mercado, $ 300 millones Mcap), hasta ahora, es muy fluido y está experimentando una rápida adopción, como lo indica el anuncio de hoy de $VIRTUAL que indica 200+ proyectos, 150k solicitudes diarias y un crecimiento del 200% p/w. $GAMEseguirá beneficiándose del aumento de $VIRTUAL y tiene el potencial de ser uno de los mayores ganadores en su ecosistema.

Rig ($ARC, ~15% market share, $160m Mcap) es muy convincente y fácil de operar dada su diseño modular, y puede dominar dentro del ecosistema de Solana (RUST) como un "pure-play".

Zerepy ($ZEREBRO, ~5% market share, $300m Mcap), es una aplicación más específica dentro de una comunidad de culto, bajo $ZEREBRO, y su reciente asociación con la comunidad de ai16z probablemente genere sinergias.

Destacamos que nuestros cálculos de cuota de mercado son una combinación de capitalización de mercado, registro de desarrollo y amplitud del mercado final del sistema operativo subyacente.

Creemos que el segmento de marco será el de más rápido crecimiento durante el ciclo actual, ya que ~$1.7b en MCap combinado podría crecer fácilmente hacia $20b, lo que aún podría ser conservador en comparación con las valoraciones máximas de L1 en 2021 donde muchas alcanzaron más de $20b en valoración. Aunque los 3 sirven a diferentes mercados finales (cadenas/ecosistemas), un enfoque ponderado por capitalización de mercado podría ser el más prudente dado que consideramos que el sector es una marea creciente.

Framework Cheatsheet:

En esta tabla presentamos las tecnologías clave, componentes y fortalezas de cada marco principal.

Una hoja de trucos para obtener una visión general de los marcos

Introducción a los Frameworks

En la intersección de AI x Crypto, han surgido varios marcos para facilitar el desarrollo de la IA. Entre ellos se encuentran ELIZA de $AI 16Z, RIG de $ARC, ZEREPY de $ZEREBRO, y $GAMEpor $VIRTUAL. Cada marco atiende a diferentes necesidades y filosofías en el desarrollo de agentes, desde proyectos de comunidad de código abierto hasta soluciones empresariales centradas en el rendimiento.

Esta nota presenta primero los marcos en cuanto a lo que son, el lenguaje de programación utilizado, la arquitectura técnica, los algoritmos y las características únicas con casos de uso potenciales donde se puede utilizar el marco. Luego comparamos cada marco en términos de usabilidad, escalabilidad, adaptabilidad y rendimiento. Junto con sus fortalezas y limitaciones.

ELIZA framework by@ai16zdaoa través de @shawmakesmagic

Eliza es un marco de simulación de múltiples agentes de código abierto que está diseñado para crear, implementar y gestionar agentes de IA autónomos. Desarrollado en TypeScript como lenguaje de programación, proporciona una plataforma flexible y extensible para construir agentes inteligentes que son capaces de interactuar con humanos en múltiples plataformas mientras mantienen personalidades y conocimientos coherentes.

Las capacidades principales de este marco incluyen una arquitectura multiagente que admite la implementación y gestión de múltiples personalidades de IA únicas simultáneamente, junto con un sistema de personajes para crear agentes diversos utilizando el marco de archivo de personajes, y una función de gestión de memoria a través de un sistema avanzado de generación de recuperación mejorada (RAG) que proporciona una memoria a largo plazo y una conciencia contextual. Además, el marco de Eliza ofrece una integración de plataforma fluida para una conexión confiable con Discord, X y otras plataformas de redes sociales.

Eliza es una excelente opción cuando se trata de capacidades de comunicación y medios de agentes de IA. En cuanto a la comunicación, el marco de trabajo admite integración en Discord con capacidades de canal de voz, funcionalidad X, Telegram y acceso directo a la API para casos de uso personalizados. Por otro lado, las características de procesamiento de medios del marco se extienden a la lectura y análisis de documentos PDF, extracción y resumen de contenido de enlaces, transcripción de audio, procesamiento de contenido de video, análisis de imágenes y resumen de conversaciones para manejar de manera efectiva diversas entradas y salidas de medios.

El marco Eliza proporciona un soporte de modelo de IA flexible a través de inferencia local con modelos de código abierto, inferencia basada en la nube a través de OpenAI, y configuraciones predeterminadas como Nous Hermes Llama 3.1B, con soporte de integración para Claude para manejar consultas complejas. Eliza emplea una arquitectura modular con un sistema de acción extenso, soporte de cliente personalizado y una API integral, asegurando tanto la escalabilidad como la adaptabilidad en todas las aplicaciones.

Los casos de uso para Eliza abarcan múltiples dominios, como: asistentes de IA para soporte al cliente, moderación de la comunidad y tareas personales, así como personalidades en las redes sociales como creadores de contenido automatizados, bots de interacción y representantes de marca. También actúa como un trabajador del conocimiento para roles como asistente de investigación, analista de contenido y procesador de documentos, y admite personajes interactivos en forma de bots de juegos de rol, tutores educativos y agentes de entretenimiento.

La arquitectura de Eliza gira en torno a un tiempo de ejecución del agente, que se integra perfectamente con su sistema de personajes (compatible con un proveedor de modelos), gestor de memoria (conectado a una base de datos) y sistema de acciones (vinculado con clientes de plataformas). Las características únicas del marco incluyen un sistema de complementos que permite la extensión de la funcionalidad modular, soporte para interacciones multimodales como voz, texto y medios, y compatibilidad con modelos de IA líderes como Llama, GPT-4 y Claude. Con su diseño versátil y robusto, Eliza se destaca como una herramienta poderosa para desarrollar aplicaciones de IA en diversos dominios.

Marco G.A.M.E por @virtuals_ioa través de @everythingempt0

El Generative Autonomous Multimodal Entities Framework (G.A.M.E), está diseñado para proporcionar a los desarrolladores acceso a API y SDK para experimentar con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento de los agentes de IA, la toma de decisiones y los procesos de aprendizaje.

Los componentes principales son: primero, una Interfaz de Promoción de Agente como punto de entrada para que los desarrolladores integren GAME en un agente para acceder al comportamiento agente. El Subsistema de Percepción inicia sesiones especificando parámetros como IDs de sesión, IDs de agente, usuarios y otros detalles relevantes.

Sintetiza los mensajes entrantes en un formato adecuado para el Motor de Planificación Estratégica, actuando como el mecanismo de entrada sensorial para agentes de IA, ya sea en forma de diálogo o reacciones. En el centro de esto se encuentra el Módulo de Procesamiento de Diálogo para procesar mensajes y respuestas del agente y colaborando con el Subsistema de Percepción para interpretar y responder a las entradas de manera efectiva.

El Motor de Planificación Estratégica trabaja en conjunto con el Módulo de Procesamiento de Diálogo y el operador de billetera en cadena, generando respuestas y planes. Este motor funciona en dos niveles: como un planificador de alto nivel para crear estrategias amplias basadas en el contexto o los objetivos, y como una política de bajo nivel para traducir estas estrategias en políticas ejecutables dividido en un Planificador de Acciones para especificar tareas y un Ejecutor de Planes para llevarlas a cabo.

Un componente separado pero crítico es el World Context, que hace referencia al entorno, la información mundial y los estados del juego, proporcionando un contexto esencial para la toma de decisiones del agente. Además, el Repositorio de Agentes para almacenar atributos a largo plazo como metas, reflexiones, experiencias y personalidades, que en conjunto dan forma al comportamiento del agente y a los procesos de toma de decisiones.

Este marco utiliza la memoria de trabajo a corto plazo y un procesador de memoria a largo plazo. La memoria a corto plazo retiene información relevante sobre acciones anteriores, resultados y planes actuales. En contraste, el procesador de memoria a largo plazo extrae información clave basada en criterios como importancia, actualidad y relevancia. Esta memoria almacena conocimientos sobre las experiencias del agente, reflexiones, personalidad dinámica, contexto mundial y memoria de trabajo para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.

Para agregar al diseño, el Módulo de Aprendizaje consume datos del Subsistema de Percepción para generar conocimiento general, que se retroalimenta en el sistema para refinar futuras interacciones. Los desarrolladores pueden ingresar comentarios sobre acciones, estados de juego y datos sensoriales a través de la interfaz para mejorar el aprendizaje del agente de IA y mejorar sus capacidades de planificación y toma de decisiones.

El flujo de trabajo comienza con los desarrolladores interactuando a través de la Interfaz de Sugerencias del Agente. Las entradas son procesadas por el Subsistema de Percepción y enviadas al Módulo de Procesamiento del Diálogo, que gestiona la lógica de interacción. El Motor de Planificación Estratégica formula y ejecuta planes basados en esta información, utilizando tanto estrategias de alto nivel como planificación de acciones detallada.

Los procesos se informan con datos del Contexto Mundial y el Repositorio de Agentes, mientras que la Memoria de Trabajo realiza un seguimiento de las tareas inmediatas. Al mismo tiempo, el Procesador de Memoria a Largo Plazo almacena y recupera conocimientos a lo largo del tiempo. El Módulo de Aprendizaje analiza los resultados e integra nuevos conocimientos al sistema, lo que permite una mejora continua en el comportamiento e interacciones del agente.

marco RIG por @arcdotfun a través de @Playgrounds0x

Rig es un marco de código abierto basado en Rust diseñado para agilizar el desarrollo de aplicaciones de modelos de lenguaje grandes. Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM, como OpenAI y Anthropic, y es compatible con varios almacenes vectoriales, incluidos MongoDB y Neo4j. La arquitectura modular del marco cuenta con componentes básicos como la capa de abstracción del proveedor, la integración del almacén de vectores y un sistema de agentes para facilitar las interacciones fluidas de LLM.

La audiencia principal para Rig incluye a los desarrolladores que construyen aplicaciones de IA/ML en Rust, mientras que su audiencia secundaria comprende a las organizaciones que buscan integrar múltiples proveedores de LLM y almacenes de vectores en sus aplicaciones Rust. El repositorio está organizado utilizando una estructura basada en espacios de trabajo con múltiples cajas, lo que permite escalabilidad y una gestión eficiente del proyecto. Las características clave incluyen la Capa de Abstracción del Proveedor, que estandariza las API para completar e incrustar en todos los proveedores de LLM con un manejo consistente de errores. El componente de Integración del Almacén de Vectores ofrece una interfaz abstracta para múltiples backends y admite búsquedas de similitud de vectores. El Sistema del Agente simplifica las interacciones de LLM, admitiendo la Generación Aumentada de Recuperación (RAG) y la integración de herramientas. Además, el Marco de Incrustaciones proporciona capacidades de procesamiento por lotes y operaciones de incrustación seguras desde el punto de vista del tipo.

Rig aprovecha varias ventajas técnicas para garantizar la confiabilidad y el rendimiento. Las operaciones asíncronas utilizan el tiempo de ejecución async de Rust para manejar de manera eficiente numerosas solicitudes concurrentes. Los mecanismos inherentes de manejo de errores del marco mejoran la resiliencia contra fallas en los proveedores de IA o las operaciones de la base de datos. La seguridad del tipo evita errores en tiempo de compilación, mejorando la mantenibilidad del código. Los procesos eficientes de serialización y deserialización facilitan el manejo de datos para formatos como JSON, crucial para la comunicación y el almacenamiento de servicios de IA. El registro detallado y la instrumentación adicional ayudan en la depuración y el monitoreo de aplicaciones.

El flujo de trabajo en Rig comienza cuando un cliente inicia una solicitud, que fluye a través de la Capa de Abstracción del Proveedor para interactuar con el modelo LLM apropiado. Los datos son luego procesados por la capa central, donde los agentes pueden usar herramientas o acceder a almacenes de vectores para el contexto. Las respuestas son generadas y refinadas a través de flujos de trabajo complejos como RAG, que implica la recuperación de documentos y la comprensión del contexto, antes de ser devueltos al cliente. El sistema integra múltiples proveedores de LLM y almacenes de vectores, lo que permite adaptabilidad a cambios en la disponibilidad o rendimiento del modelo.

Los diversos casos de uso de Rig incluyen sistemas de respuesta a preguntas que recuperan documentos relevantes para ofrecer respuestas precisas, búsqueda y recuperación de documentos para descubrimiento eficiente de contenido, y chatbots o asistentes virtuales que brindan interacciones contextualmente conscientes para servicio al cliente o educación. También admite la generación de contenido, lo que permite la creación de texto y otros materiales basados en patrones aprendidos, lo que lo convierte en una herramienta versátil para desarrolladores y organizaciones por igual.

Marco Zerepy por @0xzerebro and @blorm_ a través de @jyu_eth

ZerePy es un marco de código abierto, escrito en Python, diseñado para implementar agentes en X, utilizando OpenAI o Anthropic LLMs. Derivado de una versión modularizada del backend de Zerebro, ZerePy permite a los desarrolladores lanzar agentes con funcionalidades similares a las características principales de Zerebro. Si bien el marco proporciona una base para la implementación de agentes, es necesario ajustar los modelos para generar salidas creativas. ZerePy simplifica el desarrollo y la implementación de agentes de IA personalizados, especialmente para la creación de contenido en plataformas sociales, fomentando un ecosistema de creatividad impulsado por IA dirigido a aplicaciones artísticas y descentralizadas.

El marco, construido en Python, enfatiza la autonomía del agente con un enfoque en la generación de resultados creativos, alineándose con la arquitectura de ELIZA + Asociación con ELIZA. Su diseño modular admite la integración del sistema de memoria y facilita la implementación del agente en plataformas sociales. Las características clave incluyen una interfaz de línea de comandos para la gestión del agente, integración con Twitter, soporte para OpenAI y Anthropic LLMs, y un sistema de conexión modular para una funcionalidad mejorada.

Los casos de uso de ZerePy abarcan la automatización de redes sociales, donde los usuarios pueden desplegar agentes de inteligencia artificial para publicar, responder, dar me gusta y retuitear, aumentando la participación en la plataforma. Además, se enfoca en la creación de contenido en áreas como música, memes y NFT, lo que lo convierte en una herramienta valiosa para las artes digitales y las plataformas de contenido basadas en blockchain.

Comparación entre los cuatro marcos

En nuestra opinión, cada marco ofrece un enfoque único para el desarrollo de IA, atendiendo a necesidades y entornos específicos, lo que aleja el debate de estos marcos como competidores para centrarse en los argumentos de cada marco que ofrece una propuesta única.

ELIZA destaca por su interfaz fácil de usar, especialmente para desarrolladores familiarizados con entornos JavaScript y Node.js. Su documentación exhaustiva ayuda a configurar agentes de IA en diversas plataformas, aunque su amplio conjunto de funciones puede presentar una curva de aprendizaje moderada. Desarrollado en TypeScript, Eliza es ideal para construir agentes integrados en la web, ya que la mayoría de la interfaz frontal de la infraestructura web está construida en TypeScript. El marco sobresale por su arquitectura multiagente, lo que permite implementar diversas personalidades de IA en plataformas como Discord, X y Telegram. Su avanzado sistema RAG para la gestión de la memoria lo hace especialmente eficaz para los asistentes de IA en aplicaciones de atención al cliente o redes sociales. Si bien proporciona flexibilidad, un sólido apoyo de la comunidad y un rendimiento constante en múltiples plataformas, todavía se encuentra en sus primeras etapas y puede representar una curva de aprendizaje para los desarrolladores.

GAME, diseñado pensando en los desarrolladores de juegos, ofrece interfaces de bajo código o sin código a través de una API, lo que lo hace accesible para usuarios menos técnicos dentro del sector de los videojuegos. Sin embargo, su enfoque especializado en el desarrollo de juegos y la integración de blockchain podría representar una curva de aprendizaje pronunciada para aquellos sin experiencia relevante. Se destaca por la generación de contenido procedural y el comportamiento de NPC, pero está limitado por su enfoque de nicho y la complejidad añadida por la integración de blockchain.

Rig, debido a su uso de Rust, podría ser menos fácil de usar debido a la complejidad del lenguaje, lo que representa un desafío significativo de aprendizaje, pero para aquellos familiarizados con la programación de sistemas, ofrece una interacción intuitiva. El propio lenguaje de programación es conocido por su rendimiento y seguridad de memoria en comparación con TypeScript. Viene con estrictas comprobaciones en tiempo de compilación y abstracciones sin costo, que son necesarias para ejecutar algoritmos de IA complejos. El lenguaje es eficiente y su control de bajo nivel lo hace ideal para aplicaciones de IA intensivas en recursos. Este marco ofrece soluciones de alto rendimiento con un diseño modular y escalable, lo que lo hace ideal para aplicaciones empresariales. Sin embargo, el uso de Rust introduce una curva de aprendizaje pronunciada para los desarrolladores que no están familiarizados con el lenguaje.

ZerePy, utilizando Python, proporciona una alta usabilidad para tareas de IA creativas, con una curva de aprendizaje más baja para los desarrolladores de Python, especialmente aquellos con antecedentes en IA/ML, y se beneficia del fuerte apoyo de la comunidad debido a la participación de Zerebro en la comunidad cripto. Sobresale en aplicaciones de IA creativas como NFT, posicionándose como una herramienta sólida para los medios digitales y las artes. Si bien prospera en la creatividad, su alcance es relativamente más estrecho en comparación con otros marcos.

En cuanto a la escalabilidad, ELIZA ha dado pasos agigantados con su actualización V2, que introduce un bus de mensajes unificado y un marco central escalable, lo que permite una gestión eficiente en múltiples plataformas. Sin embargo, la gestión de esta interacción multiplataforma puede presentar desafíos de escalabilidad si no se optimiza.

GAME se destaca en el procesamiento en tiempo real necesario para los juegos, donde la escalabilidad se gestiona a través de algoritmos eficientes y potencialmente sistemas distribuidos de blockchain, aunque puede verse limitado por el motor de juego específico o las limitaciones de la red blockchain.

El marco Rig aprovecha el rendimiento de Rust para la escalabilidad, diseñado inherentemente para aplicaciones de alto rendimiento, lo cual podría ser particularmente efectivo para implementaciones a nivel empresarial, aunque esto podría significar configuraciones complejas para lograr una verdadera escalabilidad.

La escalabilidad de Zerepy está orientada hacia salidas creativas, respaldada por contribuciones de la comunidad, pero su enfoque podría limitar su aplicación en contextos de IA más amplios, con la escalabilidad potencialmente probada por la diversidad de tareas creativas en lugar del volumen de usuarios.

En cuanto a la adaptabilidad, ELIZA lidera con su sistema de complementos y compatibilidad multiplataforma, seguido por GAME dentro de los entornos de juegos y Rig para manejar tareas complejas de IA. ZerePy demuestra una alta adaptabilidad en los dominios creativos pero es menos adecuado para aplicaciones de IA más amplias.

En cuanto al rendimiento, ELIZA está optimizado para interacciones rápidas en redes sociales, donde los tiempos de respuesta rápidos son clave, pero su rendimiento puede variar al tratar con tareas computacionales más complejas.

GAME de Virtual Protocol se centra en la interacción en tiempo real de alto rendimiento en escenarios de juegos, utilizando procesos eficientes de toma de decisiones y posiblemente blockchain para operaciones descentralizadas de IA.

El marco de Rig, con su base en Rust, ofrece un excelente rendimiento para tareas de computación de alto rendimiento, adecuado para aplicaciones empresariales donde la eficiencia computacional es primordial.

El rendimiento de Zerepy está diseñado para la creación de contenido creativo, con métricas centradas en la eficiencia y calidad de la generación de contenido, potencialmente menos versátil fuera de los dominios creativos.

Teniendo en cuenta las ventajas, ELIZA proporciona flexibilidad y escalabilidad, lo que la hace altamente adaptable a través de su sistema de complementos y configuración de personajes, beneficioso para las interacciones de IA social en diferentes plataformas.

GAME ofrece capacidades de interacción en tiempo real únicas dentro de los juegos, mejoradas por la integración de la cadena de bloques para un novedoso compromiso de IA.

La ventaja de Rig radica en su rendimiento y escalabilidad para tareas de inteligencia artificial empresarial, con un enfoque en un código limpio y modular para la salud a largo plazo del proyecto.

Zerepy sobresale en fomentar la creatividad, liderando en aplicaciones de IA para las artes digitales, respaldado por un vibrante modelo de desarrollo impulsado por la comunidad.

Cada marco tiene sus limitaciones, ELIZA todavía está en sus primeras etapas con posibles problemas de estabilidad y una curva de aprendizaje para nuevos desarrolladores, el enfoque de Game en un nicho puede limitar aplicaciones más amplias y blockchain agrega complejidad, la empinada curva de aprendizaje de Rig debido a Rust podría disuadir a algunos desarrolladores y el enfoque limitado de Zerepy en salidas creativas podría restringir su uso en otros campos de IA.

Puntos clave en la comparación de marcos

Rig ($ARC):

Idioma: Rust, centrándose en la seguridad y el rendimiento.

Caso de uso: Ideal para aplicaciones de inteligencia artificial a nivel empresarial debido a su enfoque en la eficiencia y escalabilidad.

Comunidad: Menos impulsado por la comunidad, más enfocado en los desarrolladores técnicos.

Eliza ($AI16Z):

Lenguaje: TypeScript, haciendo hincapié en la flexibilidad web3 y la participación de la comunidad.

Casos de uso: Diseñado para interacciones sociales, DAOs y trading, con un fuerte énfasis en sistemas multiagente.

Comunidad: Altamente impulsada por la comunidad, con una amplia participación en GitHub.

ZerePy ($ZEREBRO):

Idioma: Python, lo que lo hace accesible para una base más amplia de desarrolladores de IA.

Caso de uso: Adecuado para la automatización de las redes sociales y tareas más simples de agentes de IA.

Comunidad: Relativamente nueva pero con posibilidades de crecimiento debido a la popularidad de Python y al apoyo de los contribuyentes de AI16Z.

JUEGO ($VIRTUAL):

Enfoque: en agentes de inteligencia artificial autónoma y adaptativa que pueden evolucionar en función de las interacciones dentro de entornos virtuales.

Caso de uso: Ideal para escenarios donde los agentes necesitan aprender y adaptarse, como juegos o mundos virtuales.

Comunidad: Innovadora pero aún definiendo su nicho en medio de la competencia.

Historial de Estrellas en Github

Historial de Estrellas en Github

La ilustración anterior es una referencia al historial de estrellas de GitHub de los marcos desde su lanzamiento. Se señala que las estrellas de GitHub sirven como indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.

ELIZA - Línea Roja:

Demuestra un aumento significativo y constante en las estrellas, comenzando desde una base baja en julio y experimentando un aumento significativo en las estrellas a partir de finales de noviembre, alcanzando 6.1k estrellas. Esto indica un rápido aumento en el interés que capturó la atención de los desarrolladores. El crecimiento exponencial sugiere que ELIZA ha ganado una tracción sustancial debido a sus características, actualizaciones y participación de la comunidad. Su popularidad supera con creces a las demás, lo que indica un fuerte apoyo de la comunidad y una mayor aplicabilidad o interés en la comunidad de IA.

RIG - Línea Azul:

Rig es el más antiguo de los cuatro, mostrando un crecimiento modesto pero constante en estrellas, con un aumento notable en el mes en curso. Ha alcanzado las 1.7k estrellas pero está en una trayectoria ascendente. La acumulación constante de interés se debe al desarrollo continuo, las actualizaciones y una base de usuarios en crecimiento. Esto podría reflejar una audiencia de nicho o un marco que aún está construyendo su reputación.

ZEREPY - Línea Amarilla:

ZerePy acaba de ser lanzado hace unos días y ha crecido 181 estrellas. Se destaca que ZerePy necesita más desarrollo para aumentar su visibilidad y adopción. La asociación con $AI16Z probablemente atraerá a más colaboradores a la base de código.

JUEGO - Línea Verde:

Este proyecto tiene un número mínimo de estrellas, se destaca que este marco se puede aplicar directamente a los agentes dentro del ecosistema virtual a través de una API que elimina la necesidad de visibilidad en Github. Sin embargo, este marco solo se ha vuelto disponible para los constructores públicamente hace poco más de un mes, y se han construido más de 200 proyectos con GAME.

Tesis alcista para los marcos

La versión 2 de Eliza incluirá la integración con el kit de agente de Coinbase. Todos los proyectos que utilicen Eliza contarán con soporte futuro para TEE nativo, lo que permitirá que los agentes operen en entornos seguros. Una próxima característica de Eliza es el Registro de complementos, que permite a los desarrolladores registrar e integrar complementos de forma sencilla.

Además, Eliza V2 admitirá mensajería automatizada y anónima entre plataformas. Se espera que el whitepaper de Tokenomics, programado para ser lanzado el 1 de enero de 2025, impacte positivamente en el token AI16Z, que respalda el marco de Eliza. AI16Z planea seguir mejorando la utilidad del marco, aprovechando la incorporación de talento de alta calidad, como se demuestra en los esfuerzos de su principal colaborador.

El marco GAME ofrece integración sin código para agentes, permitiendo el uso simultáneo de GAME y ELIZA en un solo proyecto, cada uno sirviendo propósitos específicos. Se espera que este enfoque atraiga a constructores centrados en la lógica empresarial en lugar de las complejidades técnicas. A pesar de estar disponible al público durante poco más de 30 días, el marco ha visto un progreso sustancial, respaldado por los esfuerzos del equipo para incorporar más colaboradores. Se espera que cada proyecto lanzado en $VIRTUAL adopte GAME.

Rig, representado por el $ARCtoken, tiene un potencial significativo, aunque el crecimiento de su marco está en las primeras etapas. El programa de handshake para la incorporación de proyectos utilizando Rig ha estado en funcionamiento solo por unos pocos días. Sin embargo, se anticipan proyectos de calidad emparejados con ARC pronto, al igual que el flywheel virtual, pero con un enfoque en Solana. El equipo es optimista acerca de una asociación con Solana, posicionando ARC como Virtual es a Base. Es importante destacar que el equipo incentiva no solo a nuevos proyectos lanzados con Rig, sino también a los desarrolladores para mejorar el propio marco de Rig.

Zerepy, un marco recién lanzado, está ganando tracción debido a su asociación con $AI16Z (Eliza). El marco ha atraído contribuyentes de Eliza, que están trabajando activamente para mejorarlo. Goza de un seguimiento entusiasta, impulsado por los fans de $ZEREBRO, y ha abierto nuevas oportunidades para los desarrolladores de Python, que anteriormente carecían de representación en el competitivo paisaje de la infraestructura de IA. Este marco está preparado para desempeñar un papel significativo en los aspectos creativos de la IA.

Descargo de responsabilidad:

1. Este artículo se reproduce de [X]. Todos los derechos de autor pertenecen al autor original [@DV_Memetics]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Learnequipo, y lo manejarán rápidamente.
2. Aviso de responsabilidad: Las vistas y opiniones expresadas en este artículo son únicamente 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.