Dalam laporan ini, kami membahas lanskap Framework dalam Crypto X AI. Kami akan melihat jenis-jenis saat ini (ELIZA, GAME, ARC, ZEREPY) dan perbedaan teknologinya.

Net/Net:

Kami meninjau dan menguji 4 kerangka kerja utama selama seminggu terakhir dan kesimpulan kami dijelaskan di sini (dan ya, ada Cheat Sheet).

Kami percaya $AI 16Z akan terus mendominasi saham. Nilai di Eliza ($ai 16z, ~ 60% pangsa pasar, $ 900 juta Mcap) adalah keuntungan penggerak pertamanya (Lindy Effect) dan mempercepat penggunaan di antara pengembang dibuktikan oleh 193 kontributor, garpu 1.8k, dan 6000+ bintang, menjadikannya salah satu repositori paling populer di Github.

$GAME (~20% pangsa pasar, $300 juta Mcap), sampai saat ini, sangat lancar, dan mengalami adopsi yang cepat, seperti yang ditunjukkan oleh pengumuman hari ini dari $VIRTUAL yang menunjukkan 200+ proyek, 150k permintaan harian, dan pertumbuhan 200% w/w. $GAME akan terus mendapat manfaat dari kebangkitan $VIRTUAL dan berdiri untuk menjadi salah satu pemenang terbesar dalam ekosistem mereka.

Rig ($ARC, ~15% pangsa pasar, $160 juta Mcap) sangat menarik dan mudah dioperasikan berkat desain modularnya, dan dapat mendominasi dalam ekosistem Solana (RUST) sebagai “pure-play”.

Zerepy ($ZEREBRO, ~5% pangsa pasar, $300m Mcap), adalah aplikasi yang lebih khusus di dalam komunitas budaya, di bawah $ZEREBRO, dan kemitraannya baru-baru ini dengan komunitas ai16z kemungkinan menghasilkan sinergi.

Kami mencatat perhitungan pangsa pasar kami adalah gabungan dari MCap, catatan pengembangan, dan luasnya pasar akhir OS yang mendasar.

Kami percaya segmen Kerangka akan menjadi yang paling cepat berkembang melalui siklus saat ini, karena ~$1.7b dalam MCap gabungan dapat dengan mudah tumbuh menjadi $20b, yang mungkin masih konservatif dibandingkan dengan valuasi puncak L1 pada tahun 2021 di mana banyak mencapai $20b+ hanya dalam valuasi. Meskipun ketiganya melayani pasar akhir yang berbeda (rantai/ekosistem), pendekatan berbobot kapitalisasi pasar mungkin paling bijaksana mengingat kami melihat sektor ini sebagai gelombang naik.

Cheat Sheet Framework:

Dalam tabel ini kami menyusun teknologi kunci, komponen, dan kekuatan untuk setiap kerangka kerja utama.

Cheat sheet untuk gambaran umum kerangka kerja

Pengenalan tentang Kerangka Kerja

Di persimpangan AI x Crypto, beberapa kerangka kerja telah muncul untuk memfasilitasi pengembangan AI. Mereka termasuk ELIZA oleh $AI16Z, RIG oleh $ARC, ZEREPY oleh $ZEREBRO, dan $GAMEoleh $VIRTUAL. Setiap kerangka kerja memenuhi kebutuhan dan filosofi yang berbeda dalam pengembangan agen, mulai dari proyek komunitas sumber terbuka hingga solusi perusahaan yang berorientasi pada kinerja.

Catatan ini pertama-tama memperkenalkan kerangka kerja tentang apa yang mereka, bahasa pemrograman yang digunakan, arsitektur teknis, algoritma, dan fitur unik dengan kasus penggunaan potensial di mana kerangka kerja dapat digunakan. Kemudian kita membandingkan setiap kerangka kerja dalam hal kegunaan, skalabilitas, adaptabilitas, dan kinerja. Bersama dengan kekuatan dan keterbatasan mereka.

Kerangka ELIZA oleh@ai16zdaomelalui @shawmakesmagic

Eliza adalah kerangka kerja simulasi multi-agen sumber terbuka yang dirancang untuk membuat, mendeploy, dan mengelola agen AI otonom. Dikembangkan dalam bahasa pemrograman TypeScript, ia menyediakan platform yang fleksibel dan dapat diperluas untuk membangun agen cerdas yang mampu berinteraksi dengan manusia pada banyak platform sambil mempertahankan kepribadian dan pengetahuan yang konsisten.

Kemampuan inti kerangka kerja ini termasuk arsitektur multi-agen yang mendukung penyebaran dan manajemen beberapa kepribadian AI unik secara bersamaan, bersama dengan sistem karakter untuk membuat agen yang beragam menggunakan kerangka file karakter, dan fitur manajemen memori melalui sistem Retrieval-Augmented Generation (RAG) canggih yang menyediakan memori jangka panjang dan kesadaran kontekstual. Selain itu, kerangka kerja Eliza menawarkan integrasi platform yang mulus untuk koneksi yang dapat diandalkan dengan Discord, X, dan platform media sosial lainnya.

Eliza adalah pilihan yang sangat baik ketika datang ke kemampuan komunikasi dan media agen AI. Ketika berbicara tentang komunikasi, kerangka kerja ini mendukung integrasi di Discord dengan kemampuan saluran suara, fungsionalitas X, Telegram, dan akses API langsung untuk kasus penggunaan kustom. Di sisi lain, fitur pemrosesan media kerangka kerja ini meliputi pembacaan dan analisis dokumen PDF, ekstraksi konten dan ringkasan dari tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan percakapan untuk mengatasi beragam masukan dan keluaran media dengan efektif.

Kerangka Eliza menyediakan dukungan model AI yang fleksibel melalui inferensi lokal dengan model open-source, inferensi berbasis awan melalui OpenAI, dan konfigurasi default seperti Nous Hermes Llama 3.1B, dengan dukungan integrasi untuk Claude untuk menangani kueri kompleks. Eliza menggunakan arsitektur modular dengan sistem tindakan yang luas, dukungan klien kustom, dan API yang komprehensif, memastikan skalabilitas dan adaptabilitas di seluruh aplikasi.

Kasus penggunaan untuk Eliza meliputi beberapa domain seperti: asisten AI untuk dukungan pelanggan, moderasi komunitas, dan tugas personal, serta sosial media personas seperti pembuat konten otomatis, bot interaksi, dan perwakilan merek. Ini juga berfungsi sebagai pekerja pengetahuan untuk peran seperti asisten penelitian, analis konten, dan pemroses dokumen, dan mendukung karakter interaktif dalam bentuk bot bermain peran, tutor pendidikan, dan agen hiburan.

Arsitektur Eliza berputar di sekitar waktu jalanan agen, yang terintegrasi dengan sistem karakternya (didukung oleh penyedia model), pengelola memori (terhubung ke database), dan sistem tindakan (terhubung dengan klien platform). Fitur unik dari kerangka kerja ini termasuk sistem plugin yang memungkinkan ekstensi fungsionalitas modular, dukungan untuk interaksi multi-modal seperti suara, teks, dan media, dan kompatibilitas dengan model AI terkemuka seperti Llama, GPT-4, dan Claude. Dengan desainnya yang serbaguna dan tangguh, Eliza menjadi alat yang kuat untuk mengembangkan aplikasi AI di berbagai domain.

Kerangka G.A.M.E oleh @virtuals_iomelalui@everythingempt0

Generative Autonomous Multimodal Entities Framework (G.A.M.E), dirancang untuk memberikan akses API dan SDK kepada pengembang untuk bereksperimen dengan agen AI. Kerangka kerja ini menawarkan pendekatan terstruktur dalam mengelola perilaku, pengambilan keputusan, dan proses pembelajaran agen AI.

Komponen inti adalah: Pertama, antarmuka Prompting Agen sebagai titik masuk bagi pengembang untuk mengintegrasikan GAME ke dalam agen untuk mengakses perilaku agen. Subsistem Persepsi memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan rincian relevan lainnya.

Ini mensintesis pesan masuk ke dalam format yang sesuai untuk Mesin Perencanaan Strategis, bertindak sebagai mekanisme input sensorik untuk agen AI, baik dalam bentuk dialog atau reaksi. Inti dari ini adalah Modul Pemrosesan Dialog untuk memproses pesan dan tanggapan dari agen dan berkolaborasi dengan Subsistem Persepsi untuk menafsirkan dan menanggapi input secara efektif.

Mesin Perencanaan Strategis bekerja sama dengan Modul Pemrosesan Dialog dan operator dompet on-chain, menghasilkan tanggapan dan rencana. Mesin ini berfungsi pada dua tingkat: sebagai perencana tingkat tinggi untuk membuat strategi yang luas berdasarkan konteks atau tujuan dan sebagai kebijakan tingkat rendah untuk menerjemahkan strategi ini ke dalam kebijakan yang dapat dijalankan yang lebih jauh dibagi menjadi Perencana Tindakan untuk menentukan tugas dan Pelaksana Rencana untuk melaksanakannya.

Komponen yang terpisah namun kritis adalah Konteks Dunia, yang mengacu pada lingkungan, informasi dunia, dan status permainan, menyediakan konteks penting untuk pengambilan keputusan agen. Selain itu, Repositori Agen untuk menyimpan atribut jangka panjang seperti tujuan, refleksi, pengalaman, dan kepribadian, yang secara kolektif membentuk perilaku dan proses pengambilan keputusan agen.

Kerangka kerja ini menggunakan ingatan kerja jangka pendek dan prosesor memori jangka panjang. Memori jangka pendek menyimpan informasi relevan tentang tindakan sebelumnya, hasil, dan rencana saat ini. Sebaliknya, prosesor memori jangka panjang mengekstraksi informasi kunci berdasarkan kriteria seperti kepentingan, kebaruan, dan relevansi. Memori ini menyimpan pengetahuan tentang pengalaman agen, refleksi, kepribadian dinamis, konteks dunia, dan memori kerja untuk meningkatkan pengambilan keputusan dan memberikan dasar untuk pembelajaran.

Untuk menambahkan tata letak, Modul Pembelajaran mengkonsumsi data dari Subsistem Persepsi untuk menghasilkan pengetahuan umum, yang kemudian dikembalikan ke sistem untuk menyempurnakan interaksi di masa depan. Pengembang dapat memberikan umpan balik tentang tindakan, keadaan permainan, dan data sensorik melalui antarmuka untuk meningkatkan pembelajaran agen AI dan meningkatkan kemampuan perencanaan dan pengambilan keputusan.

Alur kerja dimulai dengan pengembang berinteraksi melalui Antarmuka Prompting Agen. Input diproses oleh Subsistem Persepsi dan diteruskan ke Modul Pemrosesan Dialog, yang mengelola logika interaksi. Mesin Perencanaan Strategis kemudian merumuskan dan menjalankan rencana berdasarkan informasi ini, menggunakan strategi tingkat tinggi dan perencanaan tindakan rinci.

Data dari Repositori Konteks Dunia dan Agen memberi informasi kepada proses-proses ini, sementara Memori Kerja melacak tugas-tugas segera. Pada saat yang bersamaan, Prosesor Memori Jangka Panjang menyimpan dan mengambil pengetahuan dari waktu ke waktu. Modul Pembelajaran menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, memungkinkan peningkatan berkelanjutan dalam perilaku dan interaksi agen.

kerangka RIG oleh@arcdotfunmelalui @Playgrounds0x

Rig adalah kerangka kerja open-source berbasis Rust yang dirancang untuk merampingkan pengembangan aplikasi Model Bahasa Besar. Ini menyediakan antarmuka terpadu untuk berinteraksi dengan beberapa penyedia LLM, seperti OpenAI dan Anthropic, dan mendukung berbagai toko vektor, termasuk MongoDB dan Neo4j. Arsitektur modular kerangka kerja ini menampilkan komponen inti seperti Lapisan Abstraksi Penyedia, Integrasi Penyimpanan Vektor, dan Sistem Agen untuk memfasilitasi interaksi LLM yang mulus.

Audience utama untuk Rig termasuk pengembang yang membangun aplikasi AI/ML dalam Rust, sementara audiens sekundernya meliputi organisasi yang mencari untuk mengintegrasikan beberapa penyedia LLM dan penyimpan vektor ke dalam aplikasi Rust mereka. Repositori ini diatur menggunakan struktur berbasis workspace dengan beberapa crate, memungkinkan skalabilitas dan manajemen proyek yang efisien. Fitur kunci termasuk Provider Abstraction Layer, yang mengstandarisasi API untuk penyelesaian dan penyemat di seluruh penyedia LLM dengan penanganan kesalahan yang konsisten. Komponen Integrasi Penyimpanan Vektor menawarkan antarmuka abstrak untuk beberapa backend dan mendukung pencarian kesamaan vektor. Sistem Agen menyederhanakan interaksi LLM, mendukung Retrieval Augmented Generation (RAG) dan integrasi alat. Selain itu, Framework Embeddings menyediakan kemampuan pemrosesan batch dan operasi embedding yang aman tipe.

Rig memanfaatkan beberapa keunggulan teknis untuk memastikan keandalan dan kinerja. Operasi asinkron menggunakan waktu tunggu Rust untuk menangani banyak permintaan secara efisien. Mekanisme penanganan kesalahan bawaan kerangka kerja meningkatkan ketahanan terhadap kegagalan dalam penyedia AI atau operasi database. Keamanan jenis mencegah kesalahan saat waktu kompilasi, meningkatkan pemeliharaan kode. Proses serialisasi dan deserialisasi yang efisien memfasilitasi penanganan data untuk format seperti JSON, penting untuk komunikasi dan penyimpanan layanan AI. Pencatatan dan instrumen yang rinci lebih membantu dalam debugging dan memantau aplikasi.

Alur kerja di Rig dimulai ketika klien memulai permintaan, yang mengalir melalui Lapisan Abstraksi Penyedia untuk berinteraksi dengan model LLM yang sesuai. Data kemudian diproses oleh lapisan inti, di mana agen dapat menggunakan alat atau mengakses toko vektor untuk konteks. Respons dihasilkan dan disempurnakan melalui alur kerja kompleks seperti RAG, yang melibatkan pengambilan dokumen dan pemahaman konteks, sebelum dikembalikan ke klien. Sistem mengintegrasikan beberapa penyedia LLM dan toko vektor, memungkinkan adaptabilitas terhadap ketersediaan model atau perubahan kinerja.

Penggunaan yang beragam dari Rig termasuk sistem tanya jawab yang mengambil dokumen yang relevan untuk memberikan respons yang akurat, pencarian dan pengambilan dokumen untuk penemuan konten yang efisien, dan chatbot atau asisten virtual yang menyediakan interaksi yang sadar konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung generasi konten, memungkinkan pembuatan teks dan materi lain berdasarkan pola yang dipelajari, sehingga menjadi alat yang serbaguna bagi pengembang dan organisasi.

Kerangka kerja Zerepy oleh @0xzerebrodan@blorm_melalui@jyu_eth

ZerePy adalah kerangka kerja sumber terbuka, ditulis dalam Python, yang dirancang untuk mendeploy agen pada X, memanfaatkan OpenAI atau Anthropic LLMs. Diambil dari versi modularisasi dari backend Zerebro, ZerePy memungkinkan pengembang meluncurkan agen dengan fungsionalitas yang mirip dengan fitur inti Zerebro. Sementara kerangka kerja ini menyediakan dasar untuk penempatan agen, penyetelan model diperlukan untuk menghasilkan output kreatif. ZerePy menyederhanakan pengembangan dan penempatan agen AI yang dipersonalisasi, khususnya untuk kreasi konten di platform sosial, memupuk ekosistem kreativitas yang didorong AI yang ditujukan untuk aplikasi artistik dan terdesentralisasi.

Kerangka kerja, yang dibangun di Python, menekankan otonomi agen dengan fokus pada generasi output kreatif, sejalan dengan arsitektur ELIZA + Kemitraan dengan ELIZA. Desain modularnya mendukung integrasi sistem memori dan memfasilitasi penempatan agen di platform sosial. Fitur utamanya termasuk antarmuka baris perintah untuk manajemen agen, integrasi dengan Twitter, dukungan untuk OpenAI dan Anthropic LLMs, dan sistem koneksi modular untuk fungsionalitas yang lebih baik.

Kasus penggunaan ZerePy meliputi otomatisasi media sosial, di mana pengguna dapat menerapkan agen AI untuk memposting, membalas, menyukai, dan retweet, meningkatkan keterlibatan platform. Selain itu, itu melayani pembuatan konten di bidang musik, meme, dan NFT, menjadikannya alat berharga untuk seni digital dan platform konten berbasis blockchain.

Perbandingan antara empat kerangka kerja

Menurut pandangan kami, setiap kerangka kerja menawarkan pendekatan unik dalam pengembangan AI, memenuhi kebutuhan dan lingkungan tertentu yang menjauhkan perdebatan dari kerangka kerja ini sebagai pesaing untuk mendekati argumen dari setiap kerangka kerja yang menawarkan proposisi unik.

ELIZA menonjol dengan antarmuka yang mudah digunakan, terutama untuk pengembang yang sudah familiar dengan lingkungan JavaScript dan Node.js. Dokumentasi yang komprehensif membantu dalam mempersiapkan agen AI di berbagai platform, meskipun fitur yang luas mungkin menunjukkan tingkat pembelajaran yang sedang. Dikembangkan dalam TypeScript, membuat Eliza sangat ideal untuk membangun agen yang tertanam di web karena sebagian besar frontend infrastruktur web dibangun dalam typescript. Kerangka kerja ini sangat baik dengan arsitektur multi-agen, memungkinkan penyebaran kepribadian AI yang beragam di platform seperti Discord, X, dan Telegram. Sistem RAG canggihnya untuk manajemen memori membuatnya sangat efektif untuk asisten AI dalam aplikasi dukungan pelanggan atau media sosial. Meskipun menyediakan fleksibilitas, dukungan komunitas yang kuat, dan performa lintas platform yang konsisten, ia tetap berada dalam tahap awal dan mungkin menimbulkan tingkat pembelajaran bagi para pengembang.

GAME, dirancang dengan mempertimbangkan para pengembang game, menawarkan antarmuka kode rendah atau tanpa kode melalui API, sehingga dapat diakses oleh pengguna yang kurang teknis di dalam sektor gaming. Namun, fokus khususnya pada pengembangan game dan integrasi blockchain dapat menimbulkan kurva pembelajaran yang curam bagi mereka yang tidak memiliki pengalaman relevan. Ia menonjol untuk generasi konten prosedural dan perilaku NPC tetapi terbatas oleh fokus niche-nya dan kompleksitas yang ditambahkan oleh integrasi blockchain.

Rig, karena penggunaan Rust, mungkin kurang ramah pengguna karena kompleksitas bahasa tersebut, menimbulkan tantangan belajar yang signifikan, tetapi bagi mereka yang terbiasa dengan pemrograman sistem, bahasa ini menawarkan interaksi yang intuitif. Bahasa pemrograman itu sendiri dikenal karena kinerja dan keamanan memori dibandingkan dengan typescript. Ini dilengkapi dengan pemeriksaan waktu kompilasi yang ketat dan abstraksi biaya nol yang diperlukan untuk menjalankan algoritma AI kompleks. Bahasa ini efisien dan kontrol tingkat rendahnya membuatnya ideal untuk aplikasi AI yang membutuhkan sumber daya intensif. Framework ini menawarkan solusi berkinerja tinggi dengan desain modular dan scalable, sehingga cocok untuk aplikasi enterprise. Namun, penggunaan Rust memperkenalkan kurva pembelajaran yang curam bagi pengembang yang tidak familiar dengan bahasa ini.

ZerePy, menggunakan Python, menyediakan kegunaan tinggi untuk tugas AI kreatif, dengan kurva pembelajaran yang lebih rendah bagi pengembang Python, khususnya mereka dengan latar belakang AI/ML, dan mendapat manfaat dari dukungan komunitas yang kuat karena keterlibatan Zerebro dalam komunitas kripto. Unggul dalam aplikasi AI kreatif seperti NFT, memposisikan dirinya sebagai alat yang kuat untuk media digital dan seni. Meskipun berkembang dalam kreativitas, cakupannya relatif lebih sempit dibandingkan dengan kerangka kerja lain.

Dalam hal skalabilitas, ELIZA telah membuat kemajuan dengan pembaruan V2-nya, yang memperkenalkan bus pesan terpadu dan kerangka inti yang dapat discaling, memungkinkan manajemen yang efisien di beberapa platform. Namun, mengelola interaksi multi-platform ini dapat menimbulkan tantangan skalabilitas jika tidak dioptimalkan.

GAME unggul dalam pemrosesan real-time yang diperlukan untuk game, di mana skalabilitas diatur melalui algoritma yang efisien dan sistem terdistribusi blockchain yang potensial, meskipun mungkin dibatasi oleh mesin game atau batasan jaringan blockchain yang spesifik.

Rig Framework memanfaatkan performa Rust untuk skalabilitas, didesain secara inheren untuk aplikasi high-throughput, yang bisa sangat efektif untuk implementasi level enterprise, meskipun ini bisa berarti setup yang kompleks untuk mencapai skalabilitas yang sebenarnya.

Skalabilitas Zerepy ditujukan untuk hasil kreatif, didukung oleh kontribusi komunitas, tetapi fokusnya mungkin membatasi aplikasinya dalam konteks AI yang lebih luas, dengan skalabilitas yang mungkin diuji oleh keragaman tugas kreatif daripada volume pengguna.

Dalam hal adaptabilitas, ELIZA memimpin dengan sistem plugin dan kompatibilitas lintas platformnya, diikuti oleh GAME dalam lingkungan permainan dan Rig untuk menangani tugas AI kompleks. ZerePy menunjukkan adaptabilitas tinggi dalam domain kreatif tetapi kurang cocok untuk aplikasi AI yang lebih luas.

Dalam hal kinerja, ELIZA dioptimalkan untuk interaksi media sosial yang cepat, di mana waktu respons cepat menjadi kunci, tetapi kinerjanya mungkin bervariasi ketika menangani tugas komputasi yang lebih kompleks.

GAME oleh Virtual Protocol berfokus pada interaksi real-time berkinerja tinggi dalam skenario permainan, menggunakan proses pengambilan keputusan yang efisien dan mungkin juga blockchain untuk operasi AI terdesentralisasi.

Kerangka Rig, dengan dasar Rust-nya, menawarkan kinerja yang sangat baik untuk tugas komputasi berkinerja tinggi, cocok untuk aplikasi perusahaan di mana efisiensi komputasi sangat penting.

Kinerja Zerepy ditujukan untuk pembuatan konten kreatif, dengan metrik yang berfokus pada efisiensi dan kualitas generasi konten, mungkin kurang serbaguna di luar domain kreatif.

Mempertimbangkan keuntungannya, ELIZA menyediakan fleksibilitas dan kemampuan ekstensibilitas, menjadikannya sangat dapat diadaptasi melalui sistem plugin dan konfigurasi karakternya, bermanfaat untuk interaksi AI sosial di berbagai platform.

GAME menawarkan kemampuan interaksi real-time yang unik dalam permainan, ditingkatkan oleh integrasi blockchain untuk keterlibatan kecerdasan buatan yang baru.

Keuntungan Rig terletak pada kinerjanya dan skalabilitas untuk tugas AI perusahaan, dengan fokus pada kode bersih dan modular untuk kesehatan proyek jangka panjang.

Zerepy sangat unggul dalam merangsang kreativitas, memimpin dalam aplikasi AI untuk seni digital, didukung oleh model pengembangan yang didorong oleh komunitas yang penuh semangat.

Setiap kerangka kerja memiliki keterbatasan masing-masing, ELIZA masih dalam tahap awal dengan potensi masalah stabilitas dan tingkat kesulitan bagi pengembang baru, fokus niche Game mungkin membatasi aplikasi yang lebih luas, dan blockchain menambah kompleksitas, tingkat kesulitan yang tinggi pada Rig karena Rust dapat menghalangi beberapa pengembang, dan fokus sempit Zerepy pada output kreatif mungkin membatasi penggunaannya dalam bidang AI lainnya.

Poin-poin Penting dalam Perbandingan Kerangka Kerja

Rig ($ARC):

Bahasa: Rust, berfokus pada keamanan dan performa.

Penggunaan: Ideal untuk aplikasi kecerdasan buatan tingkat perusahaan karena fokusnya pada efisiensi dan skalabilitas.

Komunitas: Ada sedikit partisipasi dari komunitas, lebih fokus pada pengembang teknis.

Eliza ($AI16Z):

Bahasa: TypeScript, menekankan fleksibilitas web3 dan keterlibatan komunitas.

Gunakan Kasus: Dirancang untuk interaksi sosial, DAO, dan perdagangan, dengan penekanan kuat pada sistem multi-agen.

Komunitas: Sangat didorong oleh komunitas, dengan keterlibatan GitHub yang luas.

ZerePy ($ZEREBRO):

Bahasa: Python, membuatnya dapat diakses oleh basis pengembang AI yang lebih luas.

Gunakan Kasus: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.

Komunitas: Relatif baru tetapi siap untuk pertumbuhan karena popularitas Python + dukungan kontributor AI16Z.

GAME ($VIRTUAL):

Fokus: Pada agen AI otonom dan adaptif yang dapat berkembang berdasarkan interaksi dalam lingkungan virtual.

Gunakan Kasus: Terbaik untuk skenario di mana agen perlu belajar dan beradaptasi, seperti permainan atau dunia virtual.

Komunitas: Inovatif tetapi masih mendefinisikan tempatnya di tengah persaingan.

Sejarah Bintang di Github

Sejarah Bintang Github

Ilustrasi di atas adalah referensi untuk sejarah bintang GitHub dari kerangka kerja sejak diluncurkan. Diketahui bahwa bintang GitHub berfungsi sebagai indikator minat komunitas, popularitas proyek, dan nilai yang dirasakan dari proyek tersebut.

ELIZA - Jalur Merah:

Menunjukkan peningkatan yang signifikan dan stabil dalam jumlah bintang, dimulai dari basis rendah pada bulan Juli dan mengalami lonjakan signifikan dalam jumlah bintang mulai akhir November, mencapai 6.1k bintang. Ini menunjukkan lonjakan minat yang cepat yang menarik perhatian para pengembang. Pertumbuhan eksponensial menunjukkan bahwa ELIZA telah mendapatkan daya tarik yang substansial karena fitur-fiturnya, pembaruan, dan keterlibatan komunitasnya. Popularitasnya jauh melebihi yang lainnya yang menunjukkan dukungan komunitas yang kuat dan aplikabilitas atau minat yang lebih luas dalam komunitas AI.

RIG - Garis Biru:

Rig adalah yang tertua di antara empat, menunjukkan pertumbuhan bintang yang sederhana namun konsisten, dengan peningkatan yang nyata pada bulan yang sedang berlangsung. Ini telah mencapai 1.7k bintang tetapi berada pada lintasan ke atas. Akumulasi minat yang stabil adalah karena pengembangan berkelanjutan, pembaruan, dan basis pengguna yang berkembang. Ini bisa mencerminkan audiens khusus atau kerangka kerja yang masih membangun reputasinya.

ZEREPY - Garis Kuning:

ZerePy baru saja diluncurkan beberapa hari yang lalu dan telah tumbuh 181 bintang. Ditekankan bahwa ZerePy membutuhkan pengembangan lebih lanjut untuk meningkatkan visibilitas dan adopsinya. Kemitraan dengan $AI16Z kemungkinan akan menarik lebih banyak kontributor ke basis kode.

GAME - Garis Hijau:

Proyek ini memiliki bintang minimal, dicatat bahwa kerangka kerja ini dapat langsung diterapkan pada agen-agen di dalam ekosistem virtual melalui API yang menghilangkan kebutuhan akan visibilitas di Github. Namun, kerangka kerja ini baru saja tersedia untuk pembangun secara publik kurang dari sebulan yang lalu dengan lebih dari 200 proyek yang dibangun dengan GAME.

Bull Thesis untuk kerangka kerja

Versi 2 Eliza akan mencakup integrasi dengan kit agen Coinbase. Semua proyek yang menggunakan Eliza akan mendapatkan dukungan di masa depan untuk TEE asli, memungkinkan agen beroperasi di lingkungan yang aman. Fitur yang akan datang dari Eliza adalah Plugin Registry, memungkinkan pengembang mendaftar dan mengintegrasikan plugin secara mulus.

Selain itu, Eliza V2 akan mendukung pesan lintas platform otomatis dan anonim. Whitepaper Tokenomics, yang dijadwalkan untuk dirilis pada 1 Januari 2025, diharapkan akan berdampak positif pada token AI16Z, yang menjadi dasar dari kerangka Eliza. AI16Z berencana untuk terus meningkatkan utilitas kerangka tersebut, dengan memanfaatkan perekrutan bakat berkualitas tinggi seperti yang telah ditunjukkan oleh kontributor utamanya.

Kerangka kerja GAME menawarkan integrasi no-code untuk agen, memungkinkan penggunaan GAME dan ELIZA secara bersamaan dalam satu proyek, masing-masing melayani tujuan tertentu. Pendekatan ini diharapkan dapat menarik pembangun yang fokus pada logika bisnis daripada kompleksitas teknis. Meskipun baru tersedia secara publik selama lebih dari 30 hari, kerangka kerja ini telah menunjukkan kemajuan yang signifikan, didukung oleh upaya tim untuk melibatkan lebih banyak kontributor. Diharapkan setiap proyek yang diluncurkan di $VIRTUAL akan mengadopsi GAME.

Rig, diwakili oleh $ARCtoken, memiliki potensi yang signifikan, meskipun pertumbuhan kerangka kerjanya masih dalam tahap awal. Program handshake untuk pengenalan proyek menggunakan Rig baru berjalan selama beberapa hari. Namun, proyek-proyek berkualitas yang dipasangkan dengan ARC diantisipasi segera, mirip dengan Virtual flywheel, tetapi dengan fokus pada Solana. Tim sangat optimis tentang kemitraan dengan Solana, memposisikan ARC ke Solana seperti halnya Virtual ke Base. Perlu dicatat, tim memberikan insentif tidak hanya untuk proyek-proyek baru yang diluncurkan dengan Rig, tetapi juga pengembang untuk meningkatkan kerangka kerja Rig itu sendiri.

Zerepy, sebuah kerangka kerja yang baru diluncurkan, mulai mendapatkan daya tarik karena kemitraannya dengan $AI16Z (Eliza). Kerangka kerja ini telah menarik kontributor dari Eliza, yang secara aktif bekerja untuk memperbaikinya. Ini menikmati pengikut fanatik, didorong oleh penggemar $ZEREBRO, dan telah membuka peluang baru bagi pengembang Python, yang sebelumnya kurang diwakili dalam lanskap kompetitif infrastruktur AI. Kerangka kerja ini siap untuk memainkan peran penting dalam aspek kreatif dari AI.

Disclaimer:

1. Artikel ini dicetak ulang dari [ X]. Semua hak cipta milik penulis asli [ @DV_Memetics]. Jika ada keberatan terhadap cetakan ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi.
3. Tim Learn gate menerjemahkan artikel tersebut ke dalam bahasa lain. Menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang kecuali dinyatakan.