Auteur : Deep Value Memetics, Traduction : Jinse Caijing xiaozou
Dans cet article, nous allons explorer les perspectives du cadre Crypto X AI. Nous nous concentrerons sur les quatre principaux cadres actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.
1. Introduction
Nous avons étudié et testé les quatre principaux cadres Crypto X AI, à savoir ELIZA, GAME, ARC et ZEREPY, au cours de la semaine dernière. Voici nos conclusions.
Nous croyons qu'AI16Z continuera à dominer. La valeur d'Eliza (environ 60 % de part de marché, une capitalisation boursière de plus de 1 milliard de dollars) réside dans son avantage d'être le premier sur le marché (effet Lindy), ainsi que dans l'augmentation du nombre de développeurs qui l'utilisent. Les données telles que 193 contributeurs, 1800 forks et plus de 6000 étoiles en témoignent, faisant d'elle l'un des dépôts de code les plus populaires sur Github.
Jusqu'à présent, le développement de GAME (avec une part de marché d'environ 20 % et une capitalisation boursière d'environ 300 millions de dollars) est très prometteur, avec une adoption rapide, comme vient de l'annoncer VIRTUAL. La plateforme compte plus de 200 projets, 150 000 demandes quotidiennes et un taux de croissance hebdomadaire de 200 %. GAME continuera de bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.
Rig (ARC, part de marché d'environ 15%, capitalisation boursière d'environ 160 millions de dollars) est très remarquable en raison de sa conception modulaire qui est très facile à utiliser, et il peut occuper une position dominante dans l'écosystème Solana (RUST) en tant que "pure-play".
Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement de niche, spécialement destinée à la communauté enthousiaste de ZEREBRO. Sa récente collaboration avec la communauté ai16z pourrait générer des synergies.
Nous avons noté que notre calcul de part de marché couvre la capitalisation boursière, les dossiers de développement et le marché des systèmes d'exploitation sous-jacents.
Nous pensons que, dans ce cycle de marché, le segment de marché des frameworks sera le domaine à la croissance la plus rapide, avec une capitalisation boursière totale de 1,7 milliard de dollars qui pourrait facilement atteindre 20 milliards de dollars. Cela reste relativement conservateur par rapport aux évaluations de pointe des L1 en 2021, lorsque de nombreuses évaluations de L1 ont dépassé les 20 milliards de dollars. Bien que ces frameworks servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous pensons que ce domaine est en tendance croissante, une approche pondérée par la capitalisation boursière pourrait être la plus prudente.
2. Quatre grands cadres
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages des principaux cadres.
(1) Aperçu du cadre
Dans le domaine croisé de l'IA et de la crypto, plusieurs cadres ont facilité le développement de l'IA. Ce sont ELIZA d'AI16Z, RIG d'ARC, ZEREBRO de ZEREPY et VIRTUAL de GAME. Chaque cadre répond à différents besoins et philosophies dans le processus de développement des agents IA, allant des projets communautaires open source aux solutions d'entreprise axées sur la performance.
Cet article présente d'abord les cadres, en expliquant ce qu'ils sont, quel langage de programmation, quelle architecture technique et quels algorithmes ils utilisent, ainsi que leurs fonctionnalités uniques et les cas d'utilisation potentiels des cadres. Ensuite, nous comparons chaque cadre en termes d'utilisabilité, d'évolutivité, d'adaptabilité et de performance, en explorant leurs avantages et limitations respectifs.
ELIZA (développé par ai16z)
Eliza est un cadre open source de simulation multi-agents, conçu pour créer, déployer et gérer des agents AI autonomes. Il est développé en langage de programmation TypeScript, offrant une plateforme flexible et extensible pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes tout en maintenant une personnalité et des connaissances cohérentes.
Les fonctionnalités clés de ce cadre comprennent une architecture multi-agents qui prend en charge le déploiement et la gestion simultanés de plusieurs personnalités AI uniques, ainsi qu'un système de rôles qui crée différents agents à l'aide d'un cadre de fichiers de rôles, et des fonctionnalités de gestion de la mémoire à long terme et de la mémoire contextuelle via un système d'amélioration de la génération par recherche avancée (RAG). De plus, le cadre Eliza offre une intégration fluide sur la plateforme, permettant des connexions fiables avec Discord, X et d'autres plateformes de médias sociaux.
Du point de vue des fonctionnalités de communication et de médias des agents AI, Eliza est un excellent choix. En matière de communication, ce cadre prend en charge les fonctionnalités des canaux vocaux de Discord, des fonctionnalités X, de Telegram et l'intégration pour un accès direct à l'API pour des cas d'utilisation personnalisés. D'autre part, les fonctionnalités de traitement des médias de ce cadre peuvent être étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu lié, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, permettant de traiter efficacement divers types d'entrées et de sorties médiatiques.
Le framework Eliza offre un support flexible pour les modèles d'IA grâce à l'inférence locale de modèles open source, à l'inférence cloud d'OpenAI et à une configuration par défaut (comme Nous Hermes Llama 3.1B), et intègre également le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large support des systèmes d'exploitation, des clients personnalisés et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.
Les cas d'utilisation d'Eliza s'étendent sur plusieurs domaines, tels que : assistants AI pour le support client, la modération de communauté et les tâches personnelles, ainsi que des créateurs de contenu automatisés, des robots interactifs et des représentants de marque dans des rôles de médias sociaux. Elle peut également servir de travailleur du savoir, jouant des rôles d'assistant de recherche, d'analyste de contenu et de processeur de documents, et soutenir des rôles interactifs sous forme de robots de jeu de rôle, de tuteurs éducatifs et d'agents d'escorte.
L'architecture d'Eliza est construite autour d'un environnement d'exécution d'agents (agent runtime), qui s'intègre de manière transparente à son système de rôles (soutenu par les fournisseurs de modèles), à son gestionnaire de mémoire (connecté à la base de données) et à son système d'exploitation (connecté au client de la plateforme). Les caractéristiques uniques de ce cadre comprennent un système de plugins qui permet une extension fonctionnelle modulaire, supporte les interactions multimodales telles que la voix, le texte et les médias, et est compatible avec les modèles d'IA de premier plan (comme Llama, GPT-4 et Claude). Grâce à sa conception polyvalente et puissante, Eliza se distingue comme un outil puissant pour le développement d'applications d'IA dans divers domaines.
G.A.M.E (développé par Virtuals Protocol)
Le cadre d'entité multimodale autonome générative (G.A.M.E) vise à fournir aux développeurs un accès API et SDK pour expérimenter des agents IA. Ce cadre offre une approche structurée pour gérer le comportement, les décisions et le processus d'apprentissage des agents IA.
Les composants principaux sont les suivants : tout d'abord, l'interface de demande d'agent (Agent Prompting Interface) est le point d'entrée pour les développeurs intégrant le GAME dans l'agent afin d'accéder aux comportements de l'agent. Le sous-système de perception (Perception Subsystem) démarre une session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.
Il fusionnera les informations entrantes au format adapté au moteur de planification stratégique (Strategic Planning Engine) en agissant comme un mécanisme d'entrée sensorielle pour les agents d'IA, que ce soit sous forme de dialogue ou de réaction. Son cœur est un module de traitement du dialogue, utilisé pour gérer les messages et réponses provenant des agents, et collaborer avec le sous-système de perception pour interpréter efficacement et répondre aux entrées.
Le moteur de planification stratégique travaille avec le module de traitement des dialogues et l'opérateur de portefeuille sur la chaîne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalité : en tant que planificateur de haut niveau, il crée des stratégies larges en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il convertit ces stratégies en stratégies opérationnelles, qui sont ensuite subdivisées en planificateurs d'action pour des tâches spécifiques et en exécuteurs de plan pour l'exécution des tâches.
Un autre composant indépendant mais important est le World Context (contexte mondial), qui fait référence à l'environnement, aux informations mondiales et à l'état du jeu, fournissant le contexte nécessaire aux décisions de l'agent. De plus, l'Agent Repository (dépôt d'agents) est utilisé pour stocker des attributs à long terme, tels que les objectifs, les réflexions, les expériences et la personnalité, qui façonnent ensemble le comportement et le processus de décision de l'agent.
Ce cadre utilise un processeur de mémoire à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve des informations pertinentes sur les comportements, les résultats précédents et les plans en cours. En revanche, le processeur de mémoire à long terme extrait des informations clés en fonction de critères tels que l'importance, la récence et la pertinence. La mémoire à long terme stocke les expériences, les réflexions, la personnalité dynamique, le contexte mondial et les connaissances de la mémoire de travail de l'agent pour améliorer la prise de décision et servir de base à l'apprentissage.
Le module d'apprentissage utilise les données provenant du sous-système de perception pour générer des connaissances générales, qui sont renvoyées au système afin d'améliorer les interactions futures. Les développeurs peuvent saisir des retours concernant les actions, l'état du jeu et les données sensorielles via l'interface, afin d'améliorer la capacité d'apprentissage de l'agent IA et d'augmenter ses capacités de planification et de décision.
Le flux de travail commence par l'interaction des développeurs via une interface de prompt d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement des dialogues, qui est responsable de la gestion de la logique d'interaction. Ensuite, le moteur de planification stratégique élabore et exécute des plans en fonction de ces informations, en utilisant des stratégies de haut niveau et des plans d'action détaillés.
Les notifications de données provenant des contextes mondiaux et des dépôts d'agents informent ces processus, tandis que la mémoire de travail suit les tâches instantanées. Pendant ce temps, le processeur de mémoire à long terme stocke et récupère les connaissances à long terme. Le module d'apprentissage analyse les résultats et intègre de nouvelles connaissances dans le système, permettant ainsi une amélioration continue du comportement et des interactions des agents.
RIG (développé par ARC)
Rig est un cadre open source en Rust, conçu pour simplifier le développement d'applications de grands modèles de langue. Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM, tels qu'OpenAI et Anthropic, et prend en charge divers stocks de vecteurs, y compris MongoDB et Neo4j. L'architecture modulaire de ce cadre se distingue par ses composants centraux, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration du stockage de vecteurs et le système d'agents, facilitant l'interaction sans couture avec les LLM.
Le public principal de Rig comprend les développeurs qui construisent des applications AI/ML avec Rust, ainsi que les organisations cherchant à intégrer plusieurs fournisseurs de LLM et de stockage de vecteurs dans leurs propres applications Rust. Le dépôt utilise une architecture de workspace, avec plusieurs crates, soutenant l'évolutivité et une gestion efficace des projets. Ses fonctionnalités clés incluent une couche d'abstraction des fournisseurs, qui standardise et fournit un traitement d'erreurs cohérent pour l'achèvement et l'intégration des API entre différents fournisseurs de LLM. Le composant d'intégration de stockage de vecteurs (Vector Store Integration) fournit une interface abstraite pour plusieurs backends et supporte la recherche de similarité de vecteurs. Le système d'agent simplifie l'interaction avec les LLM, prenant en charge la génération améliorée par la récupération (RAG) et l'intégration d'outils. De plus, le cadre d'intégration offre des fonctionnalités de traitement par lots et des opérations d'intégration avec sécurité de type.
Rig utilise plusieurs avantages technologiques pour garantir la fiabilité et la performance. Les opérations asynchrones exploitent le runtime asynchrone de Rust pour traiter efficacement un grand nombre de requêtes concurrentes. Le mécanisme de gestion des erreurs inhérent au cadre améliore la capacité de récupération en cas d'échec des fournisseurs d'intelligence artificielle ou des opérations de base de données. La sécurité de type peut prévenir les erreurs durant le processus de compilation, renforçant ainsi la maintenabilité du code. Des processus de sérialisation et de désérialisation efficaces soutiennent le traitement des données dans des formats tels que JSON, ce qui est essentiel pour la communication et le stockage des services d'IA. Une journalisation et une détection détaillées aident en outre au débogage et à la surveillance des applications.
Le flux de travail de Rig commence lorsque le client initie une demande, qui interagit avec le modèle LLM approprié via la couche d'abstraction du fournisseur. Ensuite, les données sont traitées par la couche centrale, où l'agent peut utiliser des outils ou accéder au stockage vectoriel du contexte. La réponse est générée et affinée à travers un flux de travail complexe (comme RAG) avant d'être renvoyée au client, le processus impliquant la récupération de documents et la compréhension du contexte. Le système intègre plusieurs fournisseurs LLM et stockages vectoriels, s'adaptant aux mises à jour de disponibilité ou de performance des modèles.
Les cas d'utilisation de Rig sont variés, notamment des systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, des systèmes de recherche et de récupération de documents pour une découverte efficace de contenu, ainsi que des chatbots ou assistants virtuels offrant des interactions contextuelles pour le service client ou l'éducation. Il prend également en charge la génération de contenu, permettant de créer des textes et d'autres matériaux basés sur des modes d'apprentissage, ce qui en fait un outil polyvalent pour les développeurs et les organisations.
Zerepy (développé par ZEREPY et blorm)
ZerePy est un cadre open source écrit en Python, conçu pour déployer des agents sur X en utilisant OpenAI ou les LLM d'Anthropic. Version modulaire dérivée du backend de Zerebro, ZerePy permet aux développeurs de lancer des agents avec des fonctionnalités similaires au cœur de Zerebro. Bien que ce cadre fournisse une base pour le déploiement d'agents, le réglage fin des modèles est essentiel pour générer des sorties créatives. ZerePy simplifie le développement et le déploiement d'agents IA personnalisés, en particulier pour la création de contenu sur les plateformes sociales, cultivant un écosystème créatif piloté par l'IA axé sur l'art et les applications décentralisées.
Ce cadre est développé en Python, mettant l'accent sur l'autonomie des agents, et se concentre sur la génération de sorties créatives, en restant en accord avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire, permettant le déploiement des agents sur les plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, l'intégration avec Twitter, le support des LLM OpenAI et Anthropic, ainsi qu'un système de connexion modulaire pour améliorer les fonctionnalités.
Les cas d'utilisation de ZerePy couvrent le domaine de l'automatisation des médias sociaux, permettant aux utilisateurs de déployer des agents d'intelligence artificielle pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur la plateforme. De plus, il répond également aux domaines de la création de contenu liés à la musique, aux mèmes et aux NFT, en faisant un outil important pour l'art numérique et les plateformes de contenu basées sur la blockchain.
(2) Comparaison des quatre grands cadres
À notre avis, chaque cadre offre une approche unique pour le développement de l'intelligence artificielle, répondant à des besoins et à des environnements spécifiques. Nous déplaçons notre attention de la relation concurrentielle entre ces cadres vers l'unicité de chaque cadre.
ELIZA se distingue par son interface conviviale, en particulier pour les développeurs familiers avec les environnements JavaScript et Node.js. Sa documentation complète aide à configurer des agents d'intelligence artificielle sur diverses plateformes, bien que son large éventail de fonctionnalités puisse présenter une certaine courbe d'apprentissage. Développé en TypeScript, Eliza est un choix idéal pour construire des agents intégrés dans le web, car la plupart des infrastructures web ont leur front-end développé en TypeScript. Le cadre est connu pour son architecture multi-agents, permettant de déployer différentes personnalités d'IA sur des plateformes comme Discord, X et Telegram. Son système de gestion de mémoire avancé RAG le rend particulièrement efficace en tant qu'assistant d'IA dans le support client ou les applications de médias sociaux. Bien qu'il offre flexibilité, un fort soutien communautaire et des performances cohérentes multiplateformes, il en est encore à ses débuts et pourrait poser une courbe d'apprentissage pour les développeurs.
GAME est conçu spécifiquement pour les développeurs de jeux, offrant une interface low-code ou no-code via API, permettant ainsi aux utilisateurs ayant peu de compétences techniques dans le domaine du jeu d'y accéder. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui peut représenter une courbe d'apprentissage abrupte pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu de programme et le comportement des PNJ, mais est limité par la complexité accrue de son domaine de niche et de l'intégration de la blockchain.
En raison de l'utilisation du langage Rust, et compte tenu de la complexité de ce langage, Rig peut ne pas être très convivial, ce qui pose des défis d'apprentissage importants. Cependant, pour ceux qui maîtrisent la programmation système, il offre une interaction intuitive. Comparé à typescript, ce langage de programmation est connu pour ses performances et sa sécurité mémoire. Il dispose de vérifications strictes à la compilation et d'une abstraction à coût nul, ce qui est nécessaire pour exécuter des algorithmes d'IA complexes. Ce langage est très efficace, et son contrôle de bas niveau en fait un choix idéal pour les applications d'IA gourmandes en ressources. Le cadre propose des solutions haute performance avec un design modulaire et évolutif, ce qui en fait un choix idéal pour les applications d'entreprise. Cependant, pour les développeurs qui ne sont pas familiers avec Rust, utiliser Rust implique inévitablement de faire face à une courbe d'apprentissage abrupte.
ZerePy utilise Python, offrant une grande disponibilité pour les tâches d'IA créative. La courbe d'apprentissage pour les développeurs Python est relativement faible, surtout pour ceux ayant un background en IA/ML, et bénéficie d'un fort soutien communautaire grâce à la communauté crypto de Zerebro. ZerePy excelle dans les applications d'intelligence artificielle créative telles que les NFT, se positionnant comme un puissant outil pour les médias numériques et l'art. Bien qu'il prospère en termes de créativité, son champ d'application est relativement étroit par rapport à d'autres frameworks.
En termes de scalabilité, ELIZA a réalisé des progrès significatifs dans sa mise à jour V2, introduisant une ligne de message unifiée et un cadre de base extensible, permettant une gestion efficace sur plusieurs plateformes. Cependant, sans optimisation, cette gestion des interactions multi-plateformes pourrait poser des défis en matière de scalabilité.
GAME excelle dans le traitement en temps réel nécessaire aux jeux, et l'évolutivité est gérée par des algorithmes efficaces et un système distribué de blockchain potentiel, bien qu'elle puisse être limitée par des moteurs de jeu ou des réseaux de blockchain spécifiques.
Le cadre Rig utilise les performances d'évolutivité de Rust, conçu pour des applications à fort débit, ce qui est particulièrement efficace pour les déploiements d'entreprise, bien que cela puisse signifier que la réalisation d'une véritable évolutivité nécessite des configurations complexes.
La scalabilité de Zerepy est axée sur la production créative, soutenue par la contribution de la communauté, mais son orientation pourrait limiter son application dans des environnements d'intelligence artificielle plus larges. La scalabilité pourrait être mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.
En termes d'adaptabilité, ELIZA se distingue par son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour le traitement des tâches complexes d'IA sont également remarquables. ZerePy montre une grande adaptabilité dans le domaine créatif, mais est moins adapté à des applications d'intelligence artificielle plus larges.
En termes de performance, ELIZA est optimisé pour des interactions rapides sur les réseaux sociaux, un temps de réponse rapide étant crucial, mais ses performances peuvent varier lors du traitement de tâches de calcul plus complexes.
Le GAME développé par Virtual Protocol se concentre sur les interactions en temps réel à haute performance dans les scénarios de jeu, en utilisant des processus décisionnels efficaces et une blockchain potentielle pour des opérations d'intelligence artificielle décentralisées.
Le cadre Rig, basé sur le langage Rust, offre des performances exceptionnelles pour les tâches de calcul haute performance, adapté aux applications d'entreprise où l'efficacité de calcul est cruciale.
La performance de Zerepy est spécifiquement conçue pour la création de contenus créatifs, ses indicateurs étant centrés sur l'efficacité et la qualité de la génération de contenu, ce qui peut être moins pertinent en dehors du domaine créatif.
Les avantages d'ELIZA résident dans sa flexibilité et son évolutivité, grâce à son système de plugins et sa configuration de rôles, ce qui lui confère une grande adaptabilité, favorable aux interactions sociales d'IA multiplateformes.
GAME offre des fonctionnalités d'interaction en temps réel uniques dans le jeu, renforcées par l'intégration de la blockchain et d'une participation innovante de l'IA.
Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, avec un accent sur la fourniture d'un code modulaire propre pour la santé des projets à long terme.
Zerepy excelle dans le développement de la créativité, est à la pointe des applications d'intelligence artificielle dans l'art numérique et est soutenue par un modèle de développement dynamique basé sur une communauté active.
Chaque cadre a ses propres limites, ELIZA est encore à un stade précoce, avec des problèmes de stabilité potentiels et une courbe d'apprentissage pour les nouveaux développeurs. Les jeux de niche peuvent limiter une application plus large, et la blockchain ajoute également de la complexité. Rig, en raison de la courbe d'apprentissage abrupte de Rust, pourrait décourager certains développeurs, tandis que l'attention restreinte de Zerepy sur la production créative pourrait limiter son utilisation dans d'autres domaines de l'IA.
(3) Résumé de la comparaison des cadres
Rig (ARC) :
Langage : Rust, axé sur la sécurité et la performance.
Cas d'utilisation : un choix idéal pour les applications d'IA de niveau entreprise, car il met l'accent sur l'efficacité et l'évolutivité.
Communauté : pas vraiment axée sur la communauté, mais davantage sur les développeurs techniques.
Eliza (AI16Z)：
Langage : TypeScript, mettant l'accent sur la flexibilité de web3 et la participation de la communauté.
Cas d'utilisation : conçu pour l'interaction sociale, les DAO et le trading, avec un accent particulier sur les systèmes multi-agents.
Communauté : fortement axée sur la communauté, avec une large participation sur GitHub.
ZerePy (ZEREBRO) :
Langage : Python, le rendant accessible à une base de développeurs IA plus large.
Cas d'utilisation : adapté à l'automatisation des réseaux sociaux et à des tâches d'agents IA plus simples.
Communauté : relativement nouvelle, mais devrait croître en raison de la popularité de Python et du soutien des contributeurs d'AI16Z.
JEU (VIRTUEL) :
Focal point : agents d'intelligence artificielle autonomes et auto-adaptatifs qui peuvent évoluer en fonction des interactions dans un environnement virtuel.
Cas d'utilisation : le plus adapté aux scénarios d'apprentissage et d'adaptation des agents IA, comme les jeux ou les mondes virtuels.
Communauté : communauté innovante, mais qui est encore en train de déterminer sa position dans la concurrence.
3. Tendances des données Star sur Github
L'image ci-dessus montre les données de suivi des étoiles GitHub depuis la publication de ces cadres. Il est important de noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité du projet et de la valeur perçue du projet.
ELIZA (ligne rouge) :
Depuis le bas niveau de juillet, la quantité de stars a fortement augmenté fin novembre (atteignant 61 000 étoiles), ce qui indique un intérêt croissant des gens, attirant l'attention des développeurs. Cette croissance exponentielle montre qu'ELIZA a acquis une énorme attraction grâce à ses fonctionnalités, ses mises à jour et la participation de la communauté. Sa popularité dépasse largement celle des autres concurrents, ce qui indique un fort soutien de la communauté et une applicabilité ou un intérêt plus large dans la communauté de l'intelligence artificielle.
RIG (ligne bleue) :
Rig est le cadre le plus ancien parmi les quatre grands, avec un nombre d'étoiles modéré mais en croissance continue, et il est très probable qu'il augmente considérablement au cours du mois prochain. Il a atteint 1700 étoiles, mais continue d'augmenter. Le développement continu, les mises à jour et le nombre croissant d'utilisateurs sont les raisons de l'accumulation continue de l'intérêt des utilisateurs. Cela peut refléter le fait que les utilisateurs de ce cadre sont une niche ou qu'il est encore en train d'accumuler sa réputation.
ZEREPY (ligne jaune) :
ZerePy a été lancé il y a quelques jours et a déjà accumulé 181 étoiles. Il est important de souligner que ZerePy nécessite plus de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs de code.
JEU (ligne verte) :
Ce projet a le moins de stars. Il convient de noter que ce cadre peut être appliqué directement aux agents dans l'écosystème virtuel via une API, éliminant ainsi le besoin de visibilité sur Github. Cependant, ce cadre n'a été ouvert aux constructeurs que depuis un peu plus d'un mois, et plus de 200 projets utilisent GAME pour se construire.
4. Raisons haussières du cadre
La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront en charge le TEE natif à l'avenir, permettant aux proxies de fonctionner dans un environnement sécurisé. Une fonctionnalité à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs de s'inscrire et d'intégrer des plugins de manière transparente.
De plus, Eliza V2 prendra en charge la messagerie anonyme automatisée multiplateforme. Le livre blanc de l'économie des tokens sera publié le 1er janvier 2025, et devrait avoir un impact positif sur le token AI16Z sous-jacent au cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre et à attirer des talents de haute qualité, dont les efforts des principaux contributeurs ont déjà prouvé qu'il avait cette capacité.
Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser à la fois GAME et ELIZA dans un seul projet, chacun servant des objectifs spécifiques. Cette approche devrait attirer des constructeurs qui se concentrent sur la logique métier plutôt que sur la complexité technique. Bien que ce cadre n'ait été publié publiquement que depuis environ 30 jours, il a fait des progrès substantiels grâce aux efforts de l'équipe pour attirer le soutien de contributeurs supplémentaires. Tous les projets lancés sur VIRTUAL devraient utiliser GAME.
Le Rig, représenté par le token ARC, a un énorme potentiel, bien que son cadre soit encore à un stade de croissance précoce et que le plan pour favoriser l'adoption du projet ne soit en ligne que depuis quelques jours. Cependant, des projets de haute qualité adoptant l'ARC devraient apparaître rapidement, similaires à Virtual, mais en mettant l'accent sur Solana. L'équipe est optimiste quant à la collaboration avec Solana, comparant la relation entre l'ARC et Solana à celle entre Virtual et Base. Il est à noter que l'équipe encourage non seulement les nouveaux projets à utiliser Rig pour leur lancement, mais également les développeurs à améliorer le cadre Rig lui-même.
Zerepy est un nouveau cadre lancé, qui attire de plus en plus d'attention grâce à sa collaboration avec Eliza. Ce cadre attire les contributeurs d'Eliza, qui travaillent activement à son amélioration. Grâce à l'enthousiasme des fans de ZEREBRO, il possède un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui manquaient auparavant de représentation dans la compétition pour les infrastructures d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité de l'IA.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Comparaison des quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY
Auteur : Deep Value Memetics, Traduction : Jinse Caijing xiaozou
Dans cet article, nous allons explorer les perspectives du cadre Crypto X AI. Nous nous concentrerons sur les quatre principaux cadres actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.
1. Introduction
Nous avons étudié et testé les quatre principaux cadres Crypto X AI, à savoir ELIZA, GAME, ARC et ZEREPY, au cours de la semaine dernière. Voici nos conclusions.
Nous croyons qu'AI16Z continuera à dominer. La valeur d'Eliza (environ 60 % de part de marché, une capitalisation boursière de plus de 1 milliard de dollars) réside dans son avantage d'être le premier sur le marché (effet Lindy), ainsi que dans l'augmentation du nombre de développeurs qui l'utilisent. Les données telles que 193 contributeurs, 1800 forks et plus de 6000 étoiles en témoignent, faisant d'elle l'un des dépôts de code les plus populaires sur Github.
Jusqu'à présent, le développement de GAME (avec une part de marché d'environ 20 % et une capitalisation boursière d'environ 300 millions de dollars) est très prometteur, avec une adoption rapide, comme vient de l'annoncer VIRTUAL. La plateforme compte plus de 200 projets, 150 000 demandes quotidiennes et un taux de croissance hebdomadaire de 200 %. GAME continuera de bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.
Rig (ARC, part de marché d'environ 15%, capitalisation boursière d'environ 160 millions de dollars) est très remarquable en raison de sa conception modulaire qui est très facile à utiliser, et il peut occuper une position dominante dans l'écosystème Solana (RUST) en tant que "pure-play".
Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement de niche, spécialement destinée à la communauté enthousiaste de ZEREBRO. Sa récente collaboration avec la communauté ai16z pourrait générer des synergies.
Nous avons noté que notre calcul de part de marché couvre la capitalisation boursière, les dossiers de développement et le marché des systèmes d'exploitation sous-jacents.
Nous pensons que, dans ce cycle de marché, le segment de marché des frameworks sera le domaine à la croissance la plus rapide, avec une capitalisation boursière totale de 1,7 milliard de dollars qui pourrait facilement atteindre 20 milliards de dollars. Cela reste relativement conservateur par rapport aux évaluations de pointe des L1 en 2021, lorsque de nombreuses évaluations de L1 ont dépassé les 20 milliards de dollars. Bien que ces frameworks servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous pensons que ce domaine est en tendance croissante, une approche pondérée par la capitalisation boursière pourrait être la plus prudente.
2. Quatre grands cadres
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages des principaux cadres.
(1) Aperçu du cadre
Dans le domaine croisé de l'IA et de la crypto, plusieurs cadres ont facilité le développement de l'IA. Ce sont ELIZA d'AI16Z, RIG d'ARC, ZEREBRO de ZEREPY et VIRTUAL de GAME. Chaque cadre répond à différents besoins et philosophies dans le processus de développement des agents IA, allant des projets communautaires open source aux solutions d'entreprise axées sur la performance.
Cet article présente d'abord les cadres, en expliquant ce qu'ils sont, quel langage de programmation, quelle architecture technique et quels algorithmes ils utilisent, ainsi que leurs fonctionnalités uniques et les cas d'utilisation potentiels des cadres. Ensuite, nous comparons chaque cadre en termes d'utilisabilité, d'évolutivité, d'adaptabilité et de performance, en explorant leurs avantages et limitations respectifs.
ELIZA (développé par ai16z)
Eliza est un cadre open source de simulation multi-agents, conçu pour créer, déployer et gérer des agents AI autonomes. Il est développé en langage de programmation TypeScript, offrant une plateforme flexible et extensible pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes tout en maintenant une personnalité et des connaissances cohérentes.
Les fonctionnalités clés de ce cadre comprennent une architecture multi-agents qui prend en charge le déploiement et la gestion simultanés de plusieurs personnalités AI uniques, ainsi qu'un système de rôles qui crée différents agents à l'aide d'un cadre de fichiers de rôles, et des fonctionnalités de gestion de la mémoire à long terme et de la mémoire contextuelle via un système d'amélioration de la génération par recherche avancée (RAG). De plus, le cadre Eliza offre une intégration fluide sur la plateforme, permettant des connexions fiables avec Discord, X et d'autres plateformes de médias sociaux.
Du point de vue des fonctionnalités de communication et de médias des agents AI, Eliza est un excellent choix. En matière de communication, ce cadre prend en charge les fonctionnalités des canaux vocaux de Discord, des fonctionnalités X, de Telegram et l'intégration pour un accès direct à l'API pour des cas d'utilisation personnalisés. D'autre part, les fonctionnalités de traitement des médias de ce cadre peuvent être étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu lié, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, permettant de traiter efficacement divers types d'entrées et de sorties médiatiques.
Le framework Eliza offre un support flexible pour les modèles d'IA grâce à l'inférence locale de modèles open source, à l'inférence cloud d'OpenAI et à une configuration par défaut (comme Nous Hermes Llama 3.1B), et intègre également le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large support des systèmes d'exploitation, des clients personnalisés et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.
Les cas d'utilisation d'Eliza s'étendent sur plusieurs domaines, tels que : assistants AI pour le support client, la modération de communauté et les tâches personnelles, ainsi que des créateurs de contenu automatisés, des robots interactifs et des représentants de marque dans des rôles de médias sociaux. Elle peut également servir de travailleur du savoir, jouant des rôles d'assistant de recherche, d'analyste de contenu et de processeur de documents, et soutenir des rôles interactifs sous forme de robots de jeu de rôle, de tuteurs éducatifs et d'agents d'escorte.
L'architecture d'Eliza est construite autour d'un environnement d'exécution d'agents (agent runtime), qui s'intègre de manière transparente à son système de rôles (soutenu par les fournisseurs de modèles), à son gestionnaire de mémoire (connecté à la base de données) et à son système d'exploitation (connecté au client de la plateforme). Les caractéristiques uniques de ce cadre comprennent un système de plugins qui permet une extension fonctionnelle modulaire, supporte les interactions multimodales telles que la voix, le texte et les médias, et est compatible avec les modèles d'IA de premier plan (comme Llama, GPT-4 et Claude). Grâce à sa conception polyvalente et puissante, Eliza se distingue comme un outil puissant pour le développement d'applications d'IA dans divers domaines.
G.A.M.E (développé par Virtuals Protocol)
Le cadre d'entité multimodale autonome générative (G.A.M.E) vise à fournir aux développeurs un accès API et SDK pour expérimenter des agents IA. Ce cadre offre une approche structurée pour gérer le comportement, les décisions et le processus d'apprentissage des agents IA.
Les composants principaux sont les suivants : tout d'abord, l'interface de demande d'agent (Agent Prompting Interface) est le point d'entrée pour les développeurs intégrant le GAME dans l'agent afin d'accéder aux comportements de l'agent. Le sous-système de perception (Perception Subsystem) démarre une session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.
Il fusionnera les informations entrantes au format adapté au moteur de planification stratégique (Strategic Planning Engine) en agissant comme un mécanisme d'entrée sensorielle pour les agents d'IA, que ce soit sous forme de dialogue ou de réaction. Son cœur est un module de traitement du dialogue, utilisé pour gérer les messages et réponses provenant des agents, et collaborer avec le sous-système de perception pour interpréter efficacement et répondre aux entrées.
Le moteur de planification stratégique travaille avec le module de traitement des dialogues et l'opérateur de portefeuille sur la chaîne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalité : en tant que planificateur de haut niveau, il crée des stratégies larges en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il convertit ces stratégies en stratégies opérationnelles, qui sont ensuite subdivisées en planificateurs d'action pour des tâches spécifiques et en exécuteurs de plan pour l'exécution des tâches.
Un autre composant indépendant mais important est le World Context (contexte mondial), qui fait référence à l'environnement, aux informations mondiales et à l'état du jeu, fournissant le contexte nécessaire aux décisions de l'agent. De plus, l'Agent Repository (dépôt d'agents) est utilisé pour stocker des attributs à long terme, tels que les objectifs, les réflexions, les expériences et la personnalité, qui façonnent ensemble le comportement et le processus de décision de l'agent.
Ce cadre utilise un processeur de mémoire à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve des informations pertinentes sur les comportements, les résultats précédents et les plans en cours. En revanche, le processeur de mémoire à long terme extrait des informations clés en fonction de critères tels que l'importance, la récence et la pertinence. La mémoire à long terme stocke les expériences, les réflexions, la personnalité dynamique, le contexte mondial et les connaissances de la mémoire de travail de l'agent pour améliorer la prise de décision et servir de base à l'apprentissage.
Le module d'apprentissage utilise les données provenant du sous-système de perception pour générer des connaissances générales, qui sont renvoyées au système afin d'améliorer les interactions futures. Les développeurs peuvent saisir des retours concernant les actions, l'état du jeu et les données sensorielles via l'interface, afin d'améliorer la capacité d'apprentissage de l'agent IA et d'augmenter ses capacités de planification et de décision.
Le flux de travail commence par l'interaction des développeurs via une interface de prompt d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement des dialogues, qui est responsable de la gestion de la logique d'interaction. Ensuite, le moteur de planification stratégique élabore et exécute des plans en fonction de ces informations, en utilisant des stratégies de haut niveau et des plans d'action détaillés.
Les notifications de données provenant des contextes mondiaux et des dépôts d'agents informent ces processus, tandis que la mémoire de travail suit les tâches instantanées. Pendant ce temps, le processeur de mémoire à long terme stocke et récupère les connaissances à long terme. Le module d'apprentissage analyse les résultats et intègre de nouvelles connaissances dans le système, permettant ainsi une amélioration continue du comportement et des interactions des agents.
RIG (développé par ARC)
Rig est un cadre open source en Rust, conçu pour simplifier le développement d'applications de grands modèles de langue. Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM, tels qu'OpenAI et Anthropic, et prend en charge divers stocks de vecteurs, y compris MongoDB et Neo4j. L'architecture modulaire de ce cadre se distingue par ses composants centraux, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration du stockage de vecteurs et le système d'agents, facilitant l'interaction sans couture avec les LLM.
Le public principal de Rig comprend les développeurs qui construisent des applications AI/ML avec Rust, ainsi que les organisations cherchant à intégrer plusieurs fournisseurs de LLM et de stockage de vecteurs dans leurs propres applications Rust. Le dépôt utilise une architecture de workspace, avec plusieurs crates, soutenant l'évolutivité et une gestion efficace des projets. Ses fonctionnalités clés incluent une couche d'abstraction des fournisseurs, qui standardise et fournit un traitement d'erreurs cohérent pour l'achèvement et l'intégration des API entre différents fournisseurs de LLM. Le composant d'intégration de stockage de vecteurs (Vector Store Integration) fournit une interface abstraite pour plusieurs backends et supporte la recherche de similarité de vecteurs. Le système d'agent simplifie l'interaction avec les LLM, prenant en charge la génération améliorée par la récupération (RAG) et l'intégration d'outils. De plus, le cadre d'intégration offre des fonctionnalités de traitement par lots et des opérations d'intégration avec sécurité de type.
Rig utilise plusieurs avantages technologiques pour garantir la fiabilité et la performance. Les opérations asynchrones exploitent le runtime asynchrone de Rust pour traiter efficacement un grand nombre de requêtes concurrentes. Le mécanisme de gestion des erreurs inhérent au cadre améliore la capacité de récupération en cas d'échec des fournisseurs d'intelligence artificielle ou des opérations de base de données. La sécurité de type peut prévenir les erreurs durant le processus de compilation, renforçant ainsi la maintenabilité du code. Des processus de sérialisation et de désérialisation efficaces soutiennent le traitement des données dans des formats tels que JSON, ce qui est essentiel pour la communication et le stockage des services d'IA. Une journalisation et une détection détaillées aident en outre au débogage et à la surveillance des applications.
Le flux de travail de Rig commence lorsque le client initie une demande, qui interagit avec le modèle LLM approprié via la couche d'abstraction du fournisseur. Ensuite, les données sont traitées par la couche centrale, où l'agent peut utiliser des outils ou accéder au stockage vectoriel du contexte. La réponse est générée et affinée à travers un flux de travail complexe (comme RAG) avant d'être renvoyée au client, le processus impliquant la récupération de documents et la compréhension du contexte. Le système intègre plusieurs fournisseurs LLM et stockages vectoriels, s'adaptant aux mises à jour de disponibilité ou de performance des modèles.
Les cas d'utilisation de Rig sont variés, notamment des systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, des systèmes de recherche et de récupération de documents pour une découverte efficace de contenu, ainsi que des chatbots ou assistants virtuels offrant des interactions contextuelles pour le service client ou l'éducation. Il prend également en charge la génération de contenu, permettant de créer des textes et d'autres matériaux basés sur des modes d'apprentissage, ce qui en fait un outil polyvalent pour les développeurs et les organisations.
Zerepy (développé par ZEREPY et blorm)
ZerePy est un cadre open source écrit en Python, conçu pour déployer des agents sur X en utilisant OpenAI ou les LLM d'Anthropic. Version modulaire dérivée du backend de Zerebro, ZerePy permet aux développeurs de lancer des agents avec des fonctionnalités similaires au cœur de Zerebro. Bien que ce cadre fournisse une base pour le déploiement d'agents, le réglage fin des modèles est essentiel pour générer des sorties créatives. ZerePy simplifie le développement et le déploiement d'agents IA personnalisés, en particulier pour la création de contenu sur les plateformes sociales, cultivant un écosystème créatif piloté par l'IA axé sur l'art et les applications décentralisées.
Ce cadre est développé en Python, mettant l'accent sur l'autonomie des agents, et se concentre sur la génération de sorties créatives, en restant en accord avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire, permettant le déploiement des agents sur les plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, l'intégration avec Twitter, le support des LLM OpenAI et Anthropic, ainsi qu'un système de connexion modulaire pour améliorer les fonctionnalités.
Les cas d'utilisation de ZerePy couvrent le domaine de l'automatisation des médias sociaux, permettant aux utilisateurs de déployer des agents d'intelligence artificielle pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur la plateforme. De plus, il répond également aux domaines de la création de contenu liés à la musique, aux mèmes et aux NFT, en faisant un outil important pour l'art numérique et les plateformes de contenu basées sur la blockchain.
(2) Comparaison des quatre grands cadres
À notre avis, chaque cadre offre une approche unique pour le développement de l'intelligence artificielle, répondant à des besoins et à des environnements spécifiques. Nous déplaçons notre attention de la relation concurrentielle entre ces cadres vers l'unicité de chaque cadre.
ELIZA se distingue par son interface conviviale, en particulier pour les développeurs familiers avec les environnements JavaScript et Node.js. Sa documentation complète aide à configurer des agents d'intelligence artificielle sur diverses plateformes, bien que son large éventail de fonctionnalités puisse présenter une certaine courbe d'apprentissage. Développé en TypeScript, Eliza est un choix idéal pour construire des agents intégrés dans le web, car la plupart des infrastructures web ont leur front-end développé en TypeScript. Le cadre est connu pour son architecture multi-agents, permettant de déployer différentes personnalités d'IA sur des plateformes comme Discord, X et Telegram. Son système de gestion de mémoire avancé RAG le rend particulièrement efficace en tant qu'assistant d'IA dans le support client ou les applications de médias sociaux. Bien qu'il offre flexibilité, un fort soutien communautaire et des performances cohérentes multiplateformes, il en est encore à ses débuts et pourrait poser une courbe d'apprentissage pour les développeurs.
GAME est conçu spécifiquement pour les développeurs de jeux, offrant une interface low-code ou no-code via API, permettant ainsi aux utilisateurs ayant peu de compétences techniques dans le domaine du jeu d'y accéder. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui peut représenter une courbe d'apprentissage abrupte pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu de programme et le comportement des PNJ, mais est limité par la complexité accrue de son domaine de niche et de l'intégration de la blockchain.
En raison de l'utilisation du langage Rust, et compte tenu de la complexité de ce langage, Rig peut ne pas être très convivial, ce qui pose des défis d'apprentissage importants. Cependant, pour ceux qui maîtrisent la programmation système, il offre une interaction intuitive. Comparé à typescript, ce langage de programmation est connu pour ses performances et sa sécurité mémoire. Il dispose de vérifications strictes à la compilation et d'une abstraction à coût nul, ce qui est nécessaire pour exécuter des algorithmes d'IA complexes. Ce langage est très efficace, et son contrôle de bas niveau en fait un choix idéal pour les applications d'IA gourmandes en ressources. Le cadre propose des solutions haute performance avec un design modulaire et évolutif, ce qui en fait un choix idéal pour les applications d'entreprise. Cependant, pour les développeurs qui ne sont pas familiers avec Rust, utiliser Rust implique inévitablement de faire face à une courbe d'apprentissage abrupte.
ZerePy utilise Python, offrant une grande disponibilité pour les tâches d'IA créative. La courbe d'apprentissage pour les développeurs Python est relativement faible, surtout pour ceux ayant un background en IA/ML, et bénéficie d'un fort soutien communautaire grâce à la communauté crypto de Zerebro. ZerePy excelle dans les applications d'intelligence artificielle créative telles que les NFT, se positionnant comme un puissant outil pour les médias numériques et l'art. Bien qu'il prospère en termes de créativité, son champ d'application est relativement étroit par rapport à d'autres frameworks.
En termes de scalabilité, ELIZA a réalisé des progrès significatifs dans sa mise à jour V2, introduisant une ligne de message unifiée et un cadre de base extensible, permettant une gestion efficace sur plusieurs plateformes. Cependant, sans optimisation, cette gestion des interactions multi-plateformes pourrait poser des défis en matière de scalabilité.
GAME excelle dans le traitement en temps réel nécessaire aux jeux, et l'évolutivité est gérée par des algorithmes efficaces et un système distribué de blockchain potentiel, bien qu'elle puisse être limitée par des moteurs de jeu ou des réseaux de blockchain spécifiques.
Le cadre Rig utilise les performances d'évolutivité de Rust, conçu pour des applications à fort débit, ce qui est particulièrement efficace pour les déploiements d'entreprise, bien que cela puisse signifier que la réalisation d'une véritable évolutivité nécessite des configurations complexes.
La scalabilité de Zerepy est axée sur la production créative, soutenue par la contribution de la communauté, mais son orientation pourrait limiter son application dans des environnements d'intelligence artificielle plus larges. La scalabilité pourrait être mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.
En termes d'adaptabilité, ELIZA se distingue par son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour le traitement des tâches complexes d'IA sont également remarquables. ZerePy montre une grande adaptabilité dans le domaine créatif, mais est moins adapté à des applications d'intelligence artificielle plus larges.
En termes de performance, ELIZA est optimisé pour des interactions rapides sur les réseaux sociaux, un temps de réponse rapide étant crucial, mais ses performances peuvent varier lors du traitement de tâches de calcul plus complexes.
Le GAME développé par Virtual Protocol se concentre sur les interactions en temps réel à haute performance dans les scénarios de jeu, en utilisant des processus décisionnels efficaces et une blockchain potentielle pour des opérations d'intelligence artificielle décentralisées.
Le cadre Rig, basé sur le langage Rust, offre des performances exceptionnelles pour les tâches de calcul haute performance, adapté aux applications d'entreprise où l'efficacité de calcul est cruciale.
La performance de Zerepy est spécifiquement conçue pour la création de contenus créatifs, ses indicateurs étant centrés sur l'efficacité et la qualité de la génération de contenu, ce qui peut être moins pertinent en dehors du domaine créatif.
Les avantages d'ELIZA résident dans sa flexibilité et son évolutivité, grâce à son système de plugins et sa configuration de rôles, ce qui lui confère une grande adaptabilité, favorable aux interactions sociales d'IA multiplateformes.
GAME offre des fonctionnalités d'interaction en temps réel uniques dans le jeu, renforcées par l'intégration de la blockchain et d'une participation innovante de l'IA.
Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, avec un accent sur la fourniture d'un code modulaire propre pour la santé des projets à long terme.
Zerepy excelle dans le développement de la créativité, est à la pointe des applications d'intelligence artificielle dans l'art numérique et est soutenue par un modèle de développement dynamique basé sur une communauté active.
Chaque cadre a ses propres limites, ELIZA est encore à un stade précoce, avec des problèmes de stabilité potentiels et une courbe d'apprentissage pour les nouveaux développeurs. Les jeux de niche peuvent limiter une application plus large, et la blockchain ajoute également de la complexité. Rig, en raison de la courbe d'apprentissage abrupte de Rust, pourrait décourager certains développeurs, tandis que l'attention restreinte de Zerepy sur la production créative pourrait limiter son utilisation dans d'autres domaines de l'IA.
(3) Résumé de la comparaison des cadres
Rig (ARC) :
Langage : Rust, axé sur la sécurité et la performance.
Cas d'utilisation : un choix idéal pour les applications d'IA de niveau entreprise, car il met l'accent sur l'efficacité et l'évolutivité.
Communauté : pas vraiment axée sur la communauté, mais davantage sur les développeurs techniques.
Eliza (AI16Z)：
Langage : TypeScript, mettant l'accent sur la flexibilité de web3 et la participation de la communauté.
Cas d'utilisation : conçu pour l'interaction sociale, les DAO et le trading, avec un accent particulier sur les systèmes multi-agents.
Communauté : fortement axée sur la communauté, avec une large participation sur GitHub.
ZerePy (ZEREBRO) :
Langage : Python, le rendant accessible à une base de développeurs IA plus large.
Cas d'utilisation : adapté à l'automatisation des réseaux sociaux et à des tâches d'agents IA plus simples.
Communauté : relativement nouvelle, mais devrait croître en raison de la popularité de Python et du soutien des contributeurs d'AI16Z.
JEU (VIRTUEL) :
Focal point : agents d'intelligence artificielle autonomes et auto-adaptatifs qui peuvent évoluer en fonction des interactions dans un environnement virtuel.
Cas d'utilisation : le plus adapté aux scénarios d'apprentissage et d'adaptation des agents IA, comme les jeux ou les mondes virtuels.
Communauté : communauté innovante, mais qui est encore en train de déterminer sa position dans la concurrence.
3. Tendances des données Star sur Github
L'image ci-dessus montre les données de suivi des étoiles GitHub depuis la publication de ces cadres. Il est important de noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité du projet et de la valeur perçue du projet.
ELIZA (ligne rouge) :
Depuis le bas niveau de juillet, la quantité de stars a fortement augmenté fin novembre (atteignant 61 000 étoiles), ce qui indique un intérêt croissant des gens, attirant l'attention des développeurs. Cette croissance exponentielle montre qu'ELIZA a acquis une énorme attraction grâce à ses fonctionnalités, ses mises à jour et la participation de la communauté. Sa popularité dépasse largement celle des autres concurrents, ce qui indique un fort soutien de la communauté et une applicabilité ou un intérêt plus large dans la communauté de l'intelligence artificielle.
RIG (ligne bleue) :
Rig est le cadre le plus ancien parmi les quatre grands, avec un nombre d'étoiles modéré mais en croissance continue, et il est très probable qu'il augmente considérablement au cours du mois prochain. Il a atteint 1700 étoiles, mais continue d'augmenter. Le développement continu, les mises à jour et le nombre croissant d'utilisateurs sont les raisons de l'accumulation continue de l'intérêt des utilisateurs. Cela peut refléter le fait que les utilisateurs de ce cadre sont une niche ou qu'il est encore en train d'accumuler sa réputation.
ZEREPY (ligne jaune) :
ZerePy a été lancé il y a quelques jours et a déjà accumulé 181 étoiles. Il est important de souligner que ZerePy nécessite plus de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs de code.
JEU (ligne verte) :
Ce projet a le moins de stars. Il convient de noter que ce cadre peut être appliqué directement aux agents dans l'écosystème virtuel via une API, éliminant ainsi le besoin de visibilité sur Github. Cependant, ce cadre n'a été ouvert aux constructeurs que depuis un peu plus d'un mois, et plus de 200 projets utilisent GAME pour se construire.
4. Raisons haussières du cadre
La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront en charge le TEE natif à l'avenir, permettant aux proxies de fonctionner dans un environnement sécurisé. Une fonctionnalité à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs de s'inscrire et d'intégrer des plugins de manière transparente.
De plus, Eliza V2 prendra en charge la messagerie anonyme automatisée multiplateforme. Le livre blanc de l'économie des tokens sera publié le 1er janvier 2025, et devrait avoir un impact positif sur le token AI16Z sous-jacent au cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre et à attirer des talents de haute qualité, dont les efforts des principaux contributeurs ont déjà prouvé qu'il avait cette capacité.
Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser à la fois GAME et ELIZA dans un seul projet, chacun servant des objectifs spécifiques. Cette approche devrait attirer des constructeurs qui se concentrent sur la logique métier plutôt que sur la complexité technique. Bien que ce cadre n'ait été publié publiquement que depuis environ 30 jours, il a fait des progrès substantiels grâce aux efforts de l'équipe pour attirer le soutien de contributeurs supplémentaires. Tous les projets lancés sur VIRTUAL devraient utiliser GAME.
Le Rig, représenté par le token ARC, a un énorme potentiel, bien que son cadre soit encore à un stade de croissance précoce et que le plan pour favoriser l'adoption du projet ne soit en ligne que depuis quelques jours. Cependant, des projets de haute qualité adoptant l'ARC devraient apparaître rapidement, similaires à Virtual, mais en mettant l'accent sur Solana. L'équipe est optimiste quant à la collaboration avec Solana, comparant la relation entre l'ARC et Solana à celle entre Virtual et Base. Il est à noter que l'équipe encourage non seulement les nouveaux projets à utiliser Rig pour leur lancement, mais également les développeurs à améliorer le cadre Rig lui-même.
Zerepy est un nouveau cadre lancé, qui attire de plus en plus d'attention grâce à sa collaboration avec Eliza. Ce cadre attire les contributeurs d'Eliza, qui travaillent activement à son amélioration. Grâce à l'enthousiasme des fans de ZEREBRO, il possède un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui manquaient auparavant de représentation dans la compétition pour les infrastructures d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité de l'IA.