Penulis: Deep Value Memetics, penerjemah: Jinse Caijing xiaozou
Dalam artikel ini, kami akan membahas prospek kerangka Crypto X AI. Kami akan memfokuskan pada empat kerangka utama saat ini (ELIZA, GAME, ARC, ZEREPY) dan perbedaan teknis masing-masing.
1. Pendahuluan
Kami telah melakukan penelitian dan pengujian terhadap empat kerangka utama Crypto X AI yaitu ELIZA, GAME, ARC, dan ZEREPY selama seminggu terakhir, dan kami sampai pada kesimpulan berikut.
Kami percaya AI16Z akan terus mendominasi. Nilai Eliza (pangsa pasar sekitar 60%, nilai pasar lebih dari 1 miliar dolar) terletak pada keunggulan awalnya (efek Lindy) dan semakin banyak pengembang yang menggunakannya, dengan 193 kontributor, 1800 fork, dan lebih dari 6000 star yang membuktikan hal ini, menjadikannya salah satu repositori kode paling populer di Github.
Hingga saat ini, perkembangan GAME (memiliki pangsa pasar sekitar 20%, dengan nilai pasar sekitar 300 juta USD) sangat lancar, sedang mengalami adopsi yang cepat, seperti yang baru saja diumumkan oleh VIRTUAL, bahwa platform tersebut memiliki lebih dari 200 proyek, 150.000 permintaan harian, dan laju pertumbuhan mingguan sebesar 200%. GAME akan terus mendapatkan manfaat dari kebangkitan VIRTUAL dan akan menjadi salah satu pemenang terbesar dalam ekosistemnya.
Rig (ARC, pangsa pasar sekitar 15%, kapitalisasi pasar sekitar 160 juta USD) sangat menarik perhatian karena desain modularnya yang sangat mudah dioperasikan, dan dapat berfungsi sebagai "pure-play" yang mendominasi ekosistem Solana (RUST).
Zerepy (pangsa pasar sekitar 5%, nilai pasar sekitar 300 juta dolar) adalah aplikasi yang relatif kecil, ditujukan untuk komunitas ZEREBRO yang antusias, yang baru-baru ini menjalin kerja sama dengan komunitas ai16z yang mungkin akan menghasilkan sinergi.
Kami mencatat bahwa perhitungan pangsa pasar kami mencakup kapitalisasi pasar, catatan pengembangan, dan pasar terminal sistem operasi dasar.
Kami percaya bahwa dalam siklus pasar ini, segmen pasar kerangka akan menjadi area yang tumbuh paling cepat, dengan total kapitalisasi pasar 1,7 miliar dolar AS yang mungkin dengan mudah tumbuh menjadi 20 miliar dolar AS, yang masih relatif konservatif dibandingkan dengan valuasi puncak L1 pada tahun 2021, ketika banyak valuasi L1 mencapai lebih dari 20 miliar dolar AS. Meskipun kerangka ini melayani pasar akhir yang berbeda (rantai/ekosistem), mengingat kami percaya bahwa bidang ini sedang dalam tren yang terus meningkat, pendekatan berbasis kapitalisasi pasar mungkin adalah cara yang paling hati-hati.
2、Empat Kerangka
Dalam tabel di bawah ini, kami mencantumkan teknologi kunci, komponen, dan keunggulan dari masing-masing kerangka utama.
(1) Ringkasan Kerangka
Di bidang interseksi AI X Crypto, ada beberapa kerangka kerja yang mendorong perkembangan AI. Mereka adalah ELIZA dari AI16Z, RIG dari ARC, ZEREBRO dari ZEREPY, dan VIRTUAL dari GAME. Setiap kerangka kerja memenuhi kebutuhan dan filosofi yang berbeda dalam proses pengembangan agen AI, mulai dari proyek komunitas sumber terbuka hingga solusi tingkat perusahaan yang berfokus pada kinerja.
Artikel ini pertama-tama memperkenalkan kerangka kerja, memberi tahu semua orang apa itu, menggunakan bahasa pemrograman dan arsitektur teknologi apa, algoritma apa, serta fitur unik apa yang dimiliki, dan potensi kasus penggunaan yang dapat diterapkan pada kerangka kerja tersebut. Kemudian, kami membandingkan setiap kerangka kerja dari segi kegunaan, skalabilitas, adaptabilitas, dan kinerja, menjelajahi masing-masing keunggulan dan keterbatasannya.
ELIZA (dikembangkan oleh ai16z)
Eliza adalah kerangka simulasi multi-agen open source yang dirancang untuk membuat, mengdeploy, dan mengelola agen AI otonom. Ini dikembangkan menggunakan bahasa pemrograman TypeScript, menyediakan platform yang fleksibel dan dapat diperluas untuk membangun agen cerdas yang dapat berinteraksi dengan manusia di berbagai platform, sambil mempertahankan kepribadian dan pengetahuan yang konsisten.
Fungsi inti dari kerangka ini mencakup arsitektur multi-agen yang mendukung penyebaran dan pengelolaan beberapa kepribadian AI yang unik secara bersamaan, serta sistem peran yang menciptakan berbagai agen menggunakan kerangka file peran, dan kemampuan manajemen memori yang peka konteks dan memori jangka panjang yang ditingkatkan melalui sistem Generasi dengan Pencarian Lanjutan (RAG). Selain itu, kerangka Eliza juga menyediakan integrasi platform yang mulus, memungkinkan koneksi yang dapat diandalkan dengan Discord, X, dan platform media sosial lainnya.
Dari segi komunikasi dan fungsi media agen AI, Eliza adalah pilihan yang sangat baik. Dalam hal komunikasi, kerangka ini mendukung integrasi dengan fitur saluran suara Discord, fitur X, Telegram, serta akses langsung API untuk kasus penggunaan yang disesuaikan. Di sisi lain, fungsi pemrosesan media dari kerangka ini dapat diperluas untuk membaca dan menganalisis dokumen PDF, ekstraksi dan ringkasan konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan percakapan, yang dapat menangani berbagai jenis input dan output media dengan efektif.
Kerangka Eliza menyediakan dukungan model AI yang fleksibel melalui inferensi lokal model sumber terbuka, inferensi cloud OpenAI, dan konfigurasi default (seperti Nous Hermes Llama 3.1B), serta mengintegrasikan dukungan untuk Claude dalam menangani tugas kompleks. Eliza mengadopsi arsitektur modular, memiliki dukungan sistem operasi yang luas, dukungan klien kustom, dan API yang komprehensif, memastikan skalabilitas dan adaptabilitas antar aplikasi.
Kasus penggunaan Eliza mencakup beberapa domain, seperti: asisten AI untuk dukungan pelanggan, moderasi komunitas, dan tugas pribadi, serta persona media sosial seperti pembuat otomatis konten, bot interaktif, dan perwakilan merek. Ini juga dapat bertindak sebagai pekerja pengetahuan, mengambil peran seperti asisten peneliti, analis konten, dan pemroses dokumen, dan mendukung peran interaktif bermain peran dalam bentuk bot, mentor pendidikan, dan agen hiburan.
Arsitektur Eliza dibangun di sekitar runtime agen, yang terintegrasi secara mulus dengan sistem perannya (didukung oleh penyedia model), pengelola memori (terhubung ke database), dan sistem operasi (ditautkan ke klien platform). Fitur unik kerangka kerja termasuk sistem plug-in yang mendukung ekstensi fungsi modular, mendukung interaksi multimodal seperti suara, teks, dan media, dan kompatibel dengan model AI terkemuka seperti Llama, GPT-4, dan Claude. Dengan keserbagunaan dan desainnya yang kuat, Eliza menonjol sebagai alat yang ampuh untuk mengembangkan aplikasi AI di seluruh domain.
G.A.M.E (dikembangkan oleh Virtuals Protocol)
Kerangka Entitas Multimodal Otonom Generatif (G.A.M.E) bertujuan untuk memberikan akses API dan SDK kepada pengembang untuk eksperimen agen AI. Kerangka ini menyediakan metode terstruktur untuk mengelola perilaku, keputusan, dan proses pembelajaran agen AI.
Komponen inti adalah sebagai berikut: Pertama, Antarmuka Pemicu Agen (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan GAME ke dalam agen dan mengakses perilaku agen. Subsystem Persepsi (Perception Subsystem) memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan detail relevan lainnya.
Ini akan menggabungkan informasi yang masuk ke dalam format yang sesuai untuk mesin perencanaan strategis (Strategic Planning Engine) yang berfungsi sebagai mekanisme input yang dirasakan oleh AI agent, baik dalam bentuk dialog atau respons. Intinya adalah modul pemrosesan dialog, yang digunakan untuk menangani pesan dan respons dari agen, dan bekerja sama dengan subsistem persepsi untuk secara efektif menafsirkan dan merespons input.
Mesin perencanaan strategis bekerja sama dengan modul pemrosesan dialog dan operator dompet on-chain untuk menghasilkan respons dan rencana. Fungsi mesin ini memiliki dua tingkat: sebagai perencana tingkat tinggi, membuat strategi luas berdasarkan konteks atau tujuan; sebagai strategi tingkat rendah, mengubah strategi tersebut menjadi strategi yang dapat dilaksanakan, yang selanjutnya dibagi menjadi perencana aksi untuk tugas tertentu dan pelaksana rencana untuk melaksanakan tugas.
Ada satu komponen independen namun penting yaitu World Context (Konteks Dunia), yang merujuk pada lingkungan, informasi global, dan status permainan, memberikan konteks yang diperlukan untuk keputusan agen. Selain itu, Agent Repository (Repositori Agen) digunakan untuk menyimpan atribut jangka panjang, seperti tujuan, refleksi, pengalaman, dan kepribadian, yang bersama-sama membentuk perilaku dan proses pengambilan keputusan agen.
Kerangka ini menggunakan prosesor memori kerja jangka pendek dan memori jangka panjang. Memori jangka pendek menyimpan informasi relevan mengenai perilaku sebelumnya, hasil, dan rencana saat ini. Sebaliknya, prosesor memori jangka panjang mengekstrak informasi kunci berdasarkan kriteria seperti pentingnya, kebaruan, dan relevansi. Memori jangka panjang menyimpan pengetahuan tentang pengalaman agen, refleksi, kepribadian dinamis, konteks dunia, dan memori kerja untuk meningkatkan pengambilan keputusan dan menyediakan dasar untuk pembelajaran.
Modul pembelajaran menggunakan data dari subsistem persepsi untuk menghasilkan pengetahuan umum, yang kemudian dikembalikan ke dalam sistem untuk meningkatkan interaksi di masa depan. Pengembang dapat memasukkan umpan balik tentang tindakan, status permainan, dan data sensorik melalui antarmuka untuk meningkatkan kemampuan belajar agen AI, serta meningkatkan kemampuan perencanaan dan pengambilan keputusan.
Alur kerja dimulai ketika pengembang berinteraksi melalui antarmuka prompt agen. Input diproses oleh subsistem persepsi dan diteruskan ke modul pemrosesan dialog, yang bertanggung jawab untuk mengelola logika interaksi. Kemudian, mesin perencanaan strategis menyusun dan melaksanakan rencana berdasarkan informasi ini, memanfaatkan strategi tingkat tinggi dan rencana tindakan yang terperinci.
Data dari konteks dunia dan repositori agen memberi tahu proses ini, sementara memori kerja melacak tugas-tugas instan. Sementara itu, prosesor memori jangka panjang menyimpan dan mengambil pengetahuan jangka panjang. Modul pembelajaran menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, memungkinkan perilaku dan interaksi agen terus ditingkatkan.
RIG (dikembangkan oleh ARC)
Rig adalah kerangka kerja Rust sumber terbuka yang dirancang untuk menyederhanakan pengembangan aplikasi model bahasa besar. Ini menyediakan antarmuka yang seragam untuk berinteraksi dengan berbagai penyedia LLM (seperti OpenAI dan Anthropic), mendukung berbagai penyimpanan vektor, termasuk MongoDB dan Neo4j. Keunikan arsitektur modular kerangka kerja ini terletak pada komponen inti, seperti Lapisan Abstraksi Penyedia (Provider Abstraction Layer), integrasi penyimpanan vektor, dan sistem agen untuk memfasilitasi interaksi LLM yang mulus.
Audiens utama Rig mencakup pengembang yang membangun aplikasi AI/ML menggunakan Rust, serta organisasi yang mencari untuk mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka sendiri. Repositori menggunakan arsitektur workspace, dengan beberapa crate, mendukung skalabilitas dan manajemen proyek yang efisien. Fitur kunci termasuk lapisan abstraksi penyedia, yang menyediakan standar untuk menyelesaikan dan menyematkan API di antara berbagai penyedia LLM, dengan penanganan kesalahan yang konsisten. Komponen Integrasi Penyimpanan Vektor memberikan antarmuka abstraksi untuk beberapa backend dan mendukung pencarian kesamaan vektor. Sistem agen menyederhanakan interaksi LLM, mendukung Generasi yang Ditingkatkan oleh Pengambilan (RAG) dan integrasi alat. Selain itu, kerangka penyematan juga menyediakan kemampuan pemrosesan batch dan operasi penyematan yang aman terhadap tipe.
Rig memanfaatkan berbagai keuntungan teknologi untuk memastikan keandalan dan kinerja. Operasi asinkron memanfaatkan runtime asinkron Rust untuk menangani sejumlah besar permintaan secara bersamaan dengan efisien. Mekanisme penanganan kesalahan bawaan kerangka kerja meningkatkan kemampuan pemulihan dari kegagalan penyedia kecerdasan buatan atau operasi basis data. Keamanan tipe dapat mencegah kesalahan selama proses kompilasi, sehingga meningkatkan pemeliharaan kode. Proses serialisasi dan deserialisasi yang efisien mendukung pemrosesan data dalam format seperti JSON, yang sangat penting untuk komunikasi dan penyimpanan layanan AI. Pencatatan dan deteksi yang mendetail lebih lanjut membantu dalam debug dan pemantauan aplikasi.
Alur kerja Rig dimulai ketika permintaan diajukan dari klien, yang berinteraksi dengan model LLM yang sesuai melalui lapisan abstraksi penyedia. Data kemudian diproses oleh lapisan inti, di mana agen dapat menggunakan alat atau mengakses penyimpanan vektor konteks. Respons dihasilkan dan disempurnakan melalui alur kerja yang kompleks (seperti RAG) sebelum dikembalikan ke klien, proses ini melibatkan pengambilan dokumen dan pemahaman konteks. Sistem ini mengintegrasikan berbagai penyedia LLM dan penyimpanan vektor, memiliki adaptabilitas terhadap pembaruan ketersediaan atau kinerja model.
Kasus penggunaan Rig sangat beragam, termasuk sistem tanya jawab yang mencari dokumen relevan untuk memberikan respons yang akurat, sistem pencarian dan pengambilan dokumen untuk penemuan konten yang efisien, serta chatbot atau asisten virtual yang menyediakan interaksi yang peka konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung generasi konten, memungkinkan pembuatan teks dan materi lainnya berdasarkan pola pembelajaran, menjadikannya alat serbaguna bagi pengembang dan organisasi.
Zerepy (dihasilkan oleh ZEREPY dan blorm)
ZerePy adalah sebuah kerangka kerja open-source yang ditulis dalam bahasa Python, yang dirancang untuk menggunakan OpenAI atau Anthropic LLM untuk menerapkan agen di X. Merupakan versi modular dari backend Zerebro, ZerePy memungkinkan pengembang untuk meluncurkan agen dengan fungsi inti yang mirip dengan Zerebro. Meskipun kerangka kerja ini menyediakan dasar untuk penerapan agen, penyempurnaan model sangat penting untuk menghasilkan output yang kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk penciptaan konten di platform sosial, dan mengembangkan ekosistem kreatif yang didorong oleh AI yang berfokus pada seni dan aplikasi terdesentralisasi.
Kerangka ini dikembangkan menggunakan Python, menekankan otonomi agen, dan fokus pada generasi keluaran kreatif, sejalan dengan arsitektur ELIZA dan hubungan kolaborasinya dengan ELIZA. Desain modularnya mendukung integrasi sistem memori, memungkinkan penyebaran agen di platform sosial. Fitur utamanya termasuk antarmuka baris perintah untuk manajemen agen, integrasi dengan Twitter, dukungan untuk OpenAI dan LLM Anthropic, serta sistem koneksi modular untuk meningkatkan fungsionalitas.
Kasus penggunaan ZerePy mencakup ranah otomatisasi media sosial, di mana pengguna dapat menyebarkan agen AI untuk memposting, membalas, menyukai, dan me-retweet untuk meningkatkan keterlibatan platform. Selain itu, ini melayani pembuatan konten di berbagai bidang seperti musik, meme, dan NFT, menjadikannya alat penting untuk seni digital dan platform konten berbasis blockchain.
(2) Perbandingan Empat Kerangka
Menurut kami, setiap kerangka kerja menawarkan pendekatan unik untuk pengembangan kecerdasan buatan yang sesuai dengan kebutuhan dan lingkungan tertentu, kami mengalihkan fokus dari hubungan kompetitif antar kerangka kerja ke keunikan masing-masing kerangka.
ELIZA menonjol karena antarmuka yang ramah pengguna, terutama bagi pengembang yang akrab dengan JavaScript dan lingkungan Node.js. Dokumentasinya yang komprehensif membantu menyiapkan agen AI di berbagai platform, meskipun rangkaian fiturnya yang luas dapat disertai dengan kurva pembelajaran tertentu. Dikembangkan dengan TypeScript, menjadikan Eliza ideal untuk membangun proxy yang disematkan di web, karena sebagian besar front-end infrastruktur web dikembangkan dengan TypeScript. Kerangka kerja ini dikenal dengan arsitektur multi-agennya, yang dapat menyebarkan kepribadian AI yang berbeda pada platform seperti Discord, X, dan Telegram. Sistem RAG yang dikelola memori canggih membuatnya sangat efektif untuk dukungan pelanggan atau asisten AI dalam aplikasi media sosial. Meskipun menawarkan fleksibilitas, dukungan komunitas yang kuat, dan kinerja lintas platform yang konsisten, ini masih dalam tahap awal dan dapat menimbulkan kurva pembelajaran bagi pengembang.
GAME dirancang khusus untuk pengembang game, menyediakan antarmuka tanpa kode atau dengan sedikit kode melalui API, sehingga pengguna dengan tingkat teknis yang lebih rendah di bidang game juga dapat menggunakannya. Namun, ia fokus pada pengembangan game dan integrasi blockchain, yang mungkin menghadirkan kurva pembelajaran yang curam bagi mereka yang tidak memiliki pengalaman terkait. Ini unggul dalam menghasilkan konten program dan perilaku NPC, tetapi dibatasi oleh kompleksitas yang ditambahkan oleh bidang spesifiknya dan integrasi blockchain.
Karena menggunakan bahasa Rust, mengingat kompleksitas bahasa tersebut, Rig mungkin tidak terlalu ramah, yang membawa tantangan belajar yang signifikan, tetapi bagi mereka yang mahir dalam pemrograman sistem, ia memiliki interaksi yang intuitif. Dibandingkan dengan typescript, bahasa pemrograman ini terkenal dengan kinerja dan keamanan memori. Ini memiliki pemeriksaan ketat saat kompilasi dan abstraksi tanpa biaya, yang diperlukan untuk menjalankan algoritma AI yang kompleks. Bahasa ini sangat efisien, dan kontrol tingkat rendahnya menjadikannya pilihan ideal untuk aplikasi AI yang intensif sumber daya. Kerangka kerja ini menawarkan solusi berkinerja tinggi dengan desain modular dan dapat diperluas, menjadikannya pilihan ideal untuk aplikasi perusahaan. Namun, bagi pengembang yang tidak terbiasa dengan Rust, menggunakan Rust tidak dapat dihindari menghadapi kurva belajar yang curam.
ZerePy menggunakan Python, menawarkan kegunaan tinggi untuk tugas AI kreatif, dengan kurva pembelajaran yang lebih rendah bagi pengembang Python, terutama bagi mereka yang memiliki latar belakang AI/ML, dan mendapat manfaat dari dukungan komunitas yang kuat berkat komunitas kripto Zerebro. ZerePy unggul dalam aplikasi AI kreatif seperti NFT, memposisikan dirinya sebagai alat yang kuat untuk media digital dan seni. Meskipun berkembang pesat dalam hal kreativitas, jangkauannya relatif sempit dibandingkan dengan kerangka kerja lainnya.
Dalam hal skalabilitas, ELIZA telah membuat kemajuan signifikan dalam pembaruan V2-nya, memperkenalkan jalur pesan yang terintegrasi dan kerangka inti yang dapat diperluas, mendukung pengelolaan yang efektif di berbagai platform. Namun, tanpa optimasi, pengelolaan interaksi multi-platform ini dapat menimbulkan tantangan dalam hal skalabilitas.
GAME menunjukkan performa yang sangat baik dalam pemrosesan waktu nyata yang diperlukan untuk permainan, dan skalabilitas dikelola melalui algoritma yang efisien dan sistem distribusi blockchain yang potensial, meskipun mungkin terbatas oleh mesin permainan tertentu atau jaringan blockchain.
Kerangka Rig memanfaatkan kinerja skalabilitas Rust, dirancang untuk aplikasi dengan throughput tinggi, yang sangat efektif untuk penerapan tingkat perusahaan, meskipun ini mungkin berarti bahwa mencapai skalabilitas yang sebenarnya memerlukan pengaturan yang kompleks.
Skalabilitas Zerepy ditujukan untuk output kreatif, dengan dukungan kontribusi komunitas, tetapi fokusnya mungkin membatasi aplikasinya dalam lingkungan kecerdasan buatan yang lebih luas, dan skalabilitasnya mungkin akan diuji oleh keragaman tugas kreatif daripada jumlah pengguna.
Dalam hal adaptabilitas, ELIZA unggul dengan sistem plugin dan kompatibilitas lintas platform, sementara GAME dalam lingkungan permainannya dan Rig yang menangani tugas AI kompleks juga sangat baik. ZerePy menunjukkan adaptabilitas tinggi di bidang kreatif, tetapi kurang cocok untuk aplikasi AI yang lebih luas.
Dalam hal kinerja, ELIZA dioptimalkan untuk interaksi cepat di media sosial, waktu respons yang cepat adalah kunci, tetapi saat menangani tugas komputasi yang lebih kompleks, kinerjanya mungkin berbeda.
GAME yang dikembangkan oleh Virtual Protocol berfokus pada interaksi waktu nyata berkinerja tinggi dalam skenario permainan, memanfaatkan proses pengambilan keputusan yang efisien dan potensi blockchain untuk operasi kecerdasan buatan terpadu.
Kerangka Rig yang berbasis bahasa Rust memberikan kinerja luar biasa untuk tugas komputasi berkinerja tinggi, cocok untuk aplikasi perusahaan di mana efisiensi komputasi sangat penting.
Kinerja Zerepy dirancang khusus untuk pembuatan konten kreatif, dengan metrik yang berfokus pada efisiensi dan kualitas generasi konten, mungkin kurang umum di luar bidang kreatif.
Keunggulan ELIZA adalah menyediakan fleksibilitas dan skalabilitas, melalui sistem plugin dan konfigurasi peran yang membuatnya sangat adaptif, mendukung interaksi AI sosial lintas platform.
GAME menyediakan fitur interaksi waktu nyata yang unik dalam permainan, yang ditingkatkan dengan integrasi blockchain untuk partisipasi AI yang inovatif.
Keunggulan Rig terletak pada kinerja dan skalabilitasnya untuk tugas kecerdasan buatan perusahaan, dengan fokus pada penyediaan kode modular yang bersih untuk kesehatan proyek jangka panjang.
Zerepy ahli dalam mengembangkan kreativitas, berada di garis depan aplikasi seni digital berbasis kecerdasan buatan, dan didukung oleh model pengembangan yang didorong oleh komunitas yang dinamis.
Setiap kerangka memiliki batasannya sendiri, ELIZA masih berada pada tahap awal, ada potensi masalah stabilitas dan kurva pembelajaran untuk pengembang baru, Game yang niche mungkin membatasi aplikasi yang lebih luas, dan blockchain menambah kompleksitas, Rig mungkin mengejutkan sebagian pengembang karena kurva pembelajaran yang curam akibat Rust, sedangkan perhatian Zerepy yang terbatas pada output kreatif mungkin membatasi penggunaannya di bidang AI lainnya.
(3) Ringkasan Perbandingan Kerangka
Rig (ARC)：
Bahasa: Rust, fokus pada keamanan dan kinerja.
Kasus penggunaan: pilihan ideal untuk aplikasi AI tingkat perusahaan karena fokus pada efisiensi dan skalabilitas.
Komunitas: Tidak terlalu didorong oleh komunitas, lebih fokus pada pengembang teknologi.
Eliza (AI16Z)：
Bahasa: TypeScript, menekankan fleksibilitas web3 dan keterlibatan komunitas.
Kasus penggunaan: dirancang untuk interaksi sosial, DAO, dan perdagangan, dengan penekanan khusus pada sistem multi-agen.
Komunitas: Sangat didorong oleh komunitas, dengan partisipasi GitHub yang luas.
ZerePy (ZEREBRO)：
Bahasa: Python, membuatnya dapat digunakan oleh basis pengembang AI yang lebih luas.
Kasus penggunaan: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.
Komunitas: Relatif baru, tetapi diharapkan berkembang karena popularitas Python dan dukungan dari kontributor AI16Z.
GAME（VIRTUAL）：
Fokus: Agen kecerdasan buatan yang mandiri dan adaptif, yang dapat berevolusi berdasarkan interaksi di lingkungan virtual.
Kasus penggunaan: paling cocok untuk belajar dan beradaptasi dengan agen AI, seperti permainan atau dunia virtual.
Komunitas: Komunitas inovatif, tetapi masih menentukan posisinya dalam persaingan.
3、Tren data Star di Github
Gambar di atas adalah data perhatian GitHub star sejak kerangka ini dirilis. Perlu dicatat bahwa GitHub star adalah indikator minat komunitas, popularitas proyek, dan nilai persepsi proyek.
ELIZA (Garis Merah):
Mulai dari basis rendah di bulan Juli, lalu meningkat secara signifikan pada akhir November dengan jumlah star yang mencapai 61.000 bintang, ini menunjukkan minat orang-orang yang meningkat dengan cepat, menarik perhatian para pengembang. Pertumbuhan eksponensial ini menunjukkan bahwa ELIZA telah mendapatkan daya tarik yang besar berkat fungsinya, pembaruan, dan keterlibatan komunitas. Popularitasnya jauh melampaui pesaing lainnya, yang menunjukkan adanya dukungan komunitas yang kuat dan relevansi atau minat yang lebih luas di komunitas kecerdasan buatan.
RIG (Garis Biru):
Rig adalah salah satu dari empat kerangka kerja yang memiliki sejarah terpanjang, dengan jumlah bintangnya yang moderat tetapi terus meningkat. Dalam sebulan ke depan, kemungkinan besar akan meningkat secara signifikan. Saat ini, sudah mencapai 1700 bintang, tetapi masih terus bertambah. Pengembangan yang berkelanjutan, pembaruan, dan jumlah pengguna yang terus meningkat adalah alasan minat pengguna yang terus terakumulasi. Ini mungkin mencerminkan bahwa pengguna kerangka ini masih sedikit atau masih dalam proses membangun reputasi.
ZEREPY (Garis Kuning):
ZerePy baru saja diluncurkan beberapa hari yang lalu dan telah mengumpulkan 181 bintang. Perlu ditekankan bahwa ZerePy membutuhkan lebih banyak pengembangan untuk meningkatkan visibilitas dan tingkat adopsinya. Kerjasama dengan AI16Z mungkin akan menarik lebih banyak kontributor kode.
GAME（绿线）：
Jumlah bintang proyek ini paling sedikit, yang menarik adalah bahwa kerangka ini dapat diterapkan langsung pada agen dalam ekosistem virtual melalui API, sehingga menghilangkan kebutuhan akan visibilitas Github. Namun, kerangka ini baru dibuka untuk pembangun satu bulan yang lalu, dan lebih dari 200 proyek sedang menggunakan GAME untuk membangun.
4. Alasan bullish kerangka
Versi V2 Eliza akan mengintegrasikan paket proxy Coinbase. Semua proyek yang menggunakan Eliza di masa depan akan mendukung TEE asli, sehingga proxy dapat berjalan di lingkungan yang aman. Salah satu fitur yang akan diluncurkan Eliza adalah registri plugin (Plugin Registry), yang memungkinkan pengembang untuk mendaftar dan mengintegrasikan plugin dengan mulus.
Selain itu, Eliza V2 akan mendukung pengiriman pesan anonim lintas platform secara otomatis. Whitepaper ekonomi token dijadwalkan untuk dirilis pada 1 Januari 2025, yang diharapkan akan berdampak positif pada token AI16Z yang mendasari kerangka kerja Eliza. AI16Z berencana untuk terus meningkatkan utilitas kerangka kerja, terus menarik bakat berkualitas tinggi, dan upaya kontributor utamanya telah membuktikan bahwa ia memiliki kemampuan tersebut.
KERANGKA KERJA GAME MENYEDIAKAN INTEGRASI NO-CODE UNTUK AGEN, MEMUNGKINKAN GAME DAN ELIZA DIGUNAKAN DALAM SATU PROYEK, MASING-MASING MELAYANI TUJUAN TERTENTU. Pendekatan ini menjanjikan untuk menarik bagi pembangun yang berfokus pada logika bisnis daripada kompleksitas teknis. Meskipun kerangka kerja ini baru tersedia untuk umum selama 30 hari, kerangka kerja ini telah membuat kemajuan substansial dengan dukungan upaya tim untuk menarik lebih banyak kontributor. Diharapkan semua proyek yang diluncurkan di VIRTUAL akan menggunakan GAME.
Rig yang diwakili oleh token ARC memiliki potensi besar, meskipun kerangkanya masih dalam tahap pertumbuhan awal dan rencana untuk mendorong adopsi proyek baru baru saja diluncurkan beberapa hari yang lalu. Namun, proyek berkualitas tinggi yang mengadopsi ARC diperkirakan akan segera muncul, mirip dengan Virtual flywheel, tetapi dengan fokus pada Solana. Tim ini optimis tentang kolaborasi dengan Solana, membandingkan hubungan ARC dengan Solana seperti Virtual dengan Base. Perlu dicatat bahwa tim ini tidak hanya mendorong proyek baru untuk meluncurkan menggunakan Rig, tetapi juga mendorong pengembang untuk meningkatkan kerangka Rig itu sendiri.
Zerepy adalah sebuah kerangka kerja yang baru diluncurkan, dan karena hubungan kerjanya dengan Eliza, ia semakin mendapat perhatian. Kerangka ini menarik para kontributor Eliza yang kini aktif melakukan perbaikan. Didukung oleh penggemar ZEREBRO, ia memiliki sekelompok pengikut yang fanatik dan menawarkan peluang baru bagi pengembang Python, yang sebelumnya kurang terwakili dalam kompetisi infrastruktur kecerdasan buatan. Kerangka ini akan memainkan peran penting dalam aspek kreativitas AI.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Perbandingan empat kerangka Crypto X AI: ELIZA, GAME, ARC, dan ZEREPY
Penulis: Deep Value Memetics, penerjemah: Jinse Caijing xiaozou
Dalam artikel ini, kami akan membahas prospek kerangka Crypto X AI. Kami akan memfokuskan pada empat kerangka utama saat ini (ELIZA, GAME, ARC, ZEREPY) dan perbedaan teknis masing-masing.
1. Pendahuluan
Kami telah melakukan penelitian dan pengujian terhadap empat kerangka utama Crypto X AI yaitu ELIZA, GAME, ARC, dan ZEREPY selama seminggu terakhir, dan kami sampai pada kesimpulan berikut.
Kami percaya AI16Z akan terus mendominasi. Nilai Eliza (pangsa pasar sekitar 60%, nilai pasar lebih dari 1 miliar dolar) terletak pada keunggulan awalnya (efek Lindy) dan semakin banyak pengembang yang menggunakannya, dengan 193 kontributor, 1800 fork, dan lebih dari 6000 star yang membuktikan hal ini, menjadikannya salah satu repositori kode paling populer di Github.
Hingga saat ini, perkembangan GAME (memiliki pangsa pasar sekitar 20%, dengan nilai pasar sekitar 300 juta USD) sangat lancar, sedang mengalami adopsi yang cepat, seperti yang baru saja diumumkan oleh VIRTUAL, bahwa platform tersebut memiliki lebih dari 200 proyek, 150.000 permintaan harian, dan laju pertumbuhan mingguan sebesar 200%. GAME akan terus mendapatkan manfaat dari kebangkitan VIRTUAL dan akan menjadi salah satu pemenang terbesar dalam ekosistemnya.
Rig (ARC, pangsa pasar sekitar 15%, kapitalisasi pasar sekitar 160 juta USD) sangat menarik perhatian karena desain modularnya yang sangat mudah dioperasikan, dan dapat berfungsi sebagai "pure-play" yang mendominasi ekosistem Solana (RUST).
Zerepy (pangsa pasar sekitar 5%, nilai pasar sekitar 300 juta dolar) adalah aplikasi yang relatif kecil, ditujukan untuk komunitas ZEREBRO yang antusias, yang baru-baru ini menjalin kerja sama dengan komunitas ai16z yang mungkin akan menghasilkan sinergi.
Kami mencatat bahwa perhitungan pangsa pasar kami mencakup kapitalisasi pasar, catatan pengembangan, dan pasar terminal sistem operasi dasar.
Kami percaya bahwa dalam siklus pasar ini, segmen pasar kerangka akan menjadi area yang tumbuh paling cepat, dengan total kapitalisasi pasar 1,7 miliar dolar AS yang mungkin dengan mudah tumbuh menjadi 20 miliar dolar AS, yang masih relatif konservatif dibandingkan dengan valuasi puncak L1 pada tahun 2021, ketika banyak valuasi L1 mencapai lebih dari 20 miliar dolar AS. Meskipun kerangka ini melayani pasar akhir yang berbeda (rantai/ekosistem), mengingat kami percaya bahwa bidang ini sedang dalam tren yang terus meningkat, pendekatan berbasis kapitalisasi pasar mungkin adalah cara yang paling hati-hati.
2、Empat Kerangka
Dalam tabel di bawah ini, kami mencantumkan teknologi kunci, komponen, dan keunggulan dari masing-masing kerangka utama.
(1) Ringkasan Kerangka
Di bidang interseksi AI X Crypto, ada beberapa kerangka kerja yang mendorong perkembangan AI. Mereka adalah ELIZA dari AI16Z, RIG dari ARC, ZEREBRO dari ZEREPY, dan VIRTUAL dari GAME. Setiap kerangka kerja memenuhi kebutuhan dan filosofi yang berbeda dalam proses pengembangan agen AI, mulai dari proyek komunitas sumber terbuka hingga solusi tingkat perusahaan yang berfokus pada kinerja.
Artikel ini pertama-tama memperkenalkan kerangka kerja, memberi tahu semua orang apa itu, menggunakan bahasa pemrograman dan arsitektur teknologi apa, algoritma apa, serta fitur unik apa yang dimiliki, dan potensi kasus penggunaan yang dapat diterapkan pada kerangka kerja tersebut. Kemudian, kami membandingkan setiap kerangka kerja dari segi kegunaan, skalabilitas, adaptabilitas, dan kinerja, menjelajahi masing-masing keunggulan dan keterbatasannya.
ELIZA (dikembangkan oleh ai16z)
Eliza adalah kerangka simulasi multi-agen open source yang dirancang untuk membuat, mengdeploy, dan mengelola agen AI otonom. Ini dikembangkan menggunakan bahasa pemrograman TypeScript, menyediakan platform yang fleksibel dan dapat diperluas untuk membangun agen cerdas yang dapat berinteraksi dengan manusia di berbagai platform, sambil mempertahankan kepribadian dan pengetahuan yang konsisten.
Fungsi inti dari kerangka ini mencakup arsitektur multi-agen yang mendukung penyebaran dan pengelolaan beberapa kepribadian AI yang unik secara bersamaan, serta sistem peran yang menciptakan berbagai agen menggunakan kerangka file peran, dan kemampuan manajemen memori yang peka konteks dan memori jangka panjang yang ditingkatkan melalui sistem Generasi dengan Pencarian Lanjutan (RAG). Selain itu, kerangka Eliza juga menyediakan integrasi platform yang mulus, memungkinkan koneksi yang dapat diandalkan dengan Discord, X, dan platform media sosial lainnya.
Dari segi komunikasi dan fungsi media agen AI, Eliza adalah pilihan yang sangat baik. Dalam hal komunikasi, kerangka ini mendukung integrasi dengan fitur saluran suara Discord, fitur X, Telegram, serta akses langsung API untuk kasus penggunaan yang disesuaikan. Di sisi lain, fungsi pemrosesan media dari kerangka ini dapat diperluas untuk membaca dan menganalisis dokumen PDF, ekstraksi dan ringkasan konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan percakapan, yang dapat menangani berbagai jenis input dan output media dengan efektif.
Kerangka Eliza menyediakan dukungan model AI yang fleksibel melalui inferensi lokal model sumber terbuka, inferensi cloud OpenAI, dan konfigurasi default (seperti Nous Hermes Llama 3.1B), serta mengintegrasikan dukungan untuk Claude dalam menangani tugas kompleks. Eliza mengadopsi arsitektur modular, memiliki dukungan sistem operasi yang luas, dukungan klien kustom, dan API yang komprehensif, memastikan skalabilitas dan adaptabilitas antar aplikasi.
Kasus penggunaan Eliza mencakup beberapa domain, seperti: asisten AI untuk dukungan pelanggan, moderasi komunitas, dan tugas pribadi, serta persona media sosial seperti pembuat otomatis konten, bot interaktif, dan perwakilan merek. Ini juga dapat bertindak sebagai pekerja pengetahuan, mengambil peran seperti asisten peneliti, analis konten, dan pemroses dokumen, dan mendukung peran interaktif bermain peran dalam bentuk bot, mentor pendidikan, dan agen hiburan.
Arsitektur Eliza dibangun di sekitar runtime agen, yang terintegrasi secara mulus dengan sistem perannya (didukung oleh penyedia model), pengelola memori (terhubung ke database), dan sistem operasi (ditautkan ke klien platform). Fitur unik kerangka kerja termasuk sistem plug-in yang mendukung ekstensi fungsi modular, mendukung interaksi multimodal seperti suara, teks, dan media, dan kompatibel dengan model AI terkemuka seperti Llama, GPT-4, dan Claude. Dengan keserbagunaan dan desainnya yang kuat, Eliza menonjol sebagai alat yang ampuh untuk mengembangkan aplikasi AI di seluruh domain.
G.A.M.E (dikembangkan oleh Virtuals Protocol)
Kerangka Entitas Multimodal Otonom Generatif (G.A.M.E) bertujuan untuk memberikan akses API dan SDK kepada pengembang untuk eksperimen agen AI. Kerangka ini menyediakan metode terstruktur untuk mengelola perilaku, keputusan, dan proses pembelajaran agen AI.
Komponen inti adalah sebagai berikut: Pertama, Antarmuka Pemicu Agen (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan GAME ke dalam agen dan mengakses perilaku agen. Subsystem Persepsi (Perception Subsystem) memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan detail relevan lainnya.
Ini akan menggabungkan informasi yang masuk ke dalam format yang sesuai untuk mesin perencanaan strategis (Strategic Planning Engine) yang berfungsi sebagai mekanisme input yang dirasakan oleh AI agent, baik dalam bentuk dialog atau respons. Intinya adalah modul pemrosesan dialog, yang digunakan untuk menangani pesan dan respons dari agen, dan bekerja sama dengan subsistem persepsi untuk secara efektif menafsirkan dan merespons input.
Mesin perencanaan strategis bekerja sama dengan modul pemrosesan dialog dan operator dompet on-chain untuk menghasilkan respons dan rencana. Fungsi mesin ini memiliki dua tingkat: sebagai perencana tingkat tinggi, membuat strategi luas berdasarkan konteks atau tujuan; sebagai strategi tingkat rendah, mengubah strategi tersebut menjadi strategi yang dapat dilaksanakan, yang selanjutnya dibagi menjadi perencana aksi untuk tugas tertentu dan pelaksana rencana untuk melaksanakan tugas.
Ada satu komponen independen namun penting yaitu World Context (Konteks Dunia), yang merujuk pada lingkungan, informasi global, dan status permainan, memberikan konteks yang diperlukan untuk keputusan agen. Selain itu, Agent Repository (Repositori Agen) digunakan untuk menyimpan atribut jangka panjang, seperti tujuan, refleksi, pengalaman, dan kepribadian, yang bersama-sama membentuk perilaku dan proses pengambilan keputusan agen.
Kerangka ini menggunakan prosesor memori kerja jangka pendek dan memori jangka panjang. Memori jangka pendek menyimpan informasi relevan mengenai perilaku sebelumnya, hasil, dan rencana saat ini. Sebaliknya, prosesor memori jangka panjang mengekstrak informasi kunci berdasarkan kriteria seperti pentingnya, kebaruan, dan relevansi. Memori jangka panjang menyimpan pengetahuan tentang pengalaman agen, refleksi, kepribadian dinamis, konteks dunia, dan memori kerja untuk meningkatkan pengambilan keputusan dan menyediakan dasar untuk pembelajaran.
Modul pembelajaran menggunakan data dari subsistem persepsi untuk menghasilkan pengetahuan umum, yang kemudian dikembalikan ke dalam sistem untuk meningkatkan interaksi di masa depan. Pengembang dapat memasukkan umpan balik tentang tindakan, status permainan, dan data sensorik melalui antarmuka untuk meningkatkan kemampuan belajar agen AI, serta meningkatkan kemampuan perencanaan dan pengambilan keputusan.
Alur kerja dimulai ketika pengembang berinteraksi melalui antarmuka prompt agen. Input diproses oleh subsistem persepsi dan diteruskan ke modul pemrosesan dialog, yang bertanggung jawab untuk mengelola logika interaksi. Kemudian, mesin perencanaan strategis menyusun dan melaksanakan rencana berdasarkan informasi ini, memanfaatkan strategi tingkat tinggi dan rencana tindakan yang terperinci.
Data dari konteks dunia dan repositori agen memberi tahu proses ini, sementara memori kerja melacak tugas-tugas instan. Sementara itu, prosesor memori jangka panjang menyimpan dan mengambil pengetahuan jangka panjang. Modul pembelajaran menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, memungkinkan perilaku dan interaksi agen terus ditingkatkan.
RIG (dikembangkan oleh ARC)
Rig adalah kerangka kerja Rust sumber terbuka yang dirancang untuk menyederhanakan pengembangan aplikasi model bahasa besar. Ini menyediakan antarmuka yang seragam untuk berinteraksi dengan berbagai penyedia LLM (seperti OpenAI dan Anthropic), mendukung berbagai penyimpanan vektor, termasuk MongoDB dan Neo4j. Keunikan arsitektur modular kerangka kerja ini terletak pada komponen inti, seperti Lapisan Abstraksi Penyedia (Provider Abstraction Layer), integrasi penyimpanan vektor, dan sistem agen untuk memfasilitasi interaksi LLM yang mulus.
Audiens utama Rig mencakup pengembang yang membangun aplikasi AI/ML menggunakan Rust, serta organisasi yang mencari untuk mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka sendiri. Repositori menggunakan arsitektur workspace, dengan beberapa crate, mendukung skalabilitas dan manajemen proyek yang efisien. Fitur kunci termasuk lapisan abstraksi penyedia, yang menyediakan standar untuk menyelesaikan dan menyematkan API di antara berbagai penyedia LLM, dengan penanganan kesalahan yang konsisten. Komponen Integrasi Penyimpanan Vektor memberikan antarmuka abstraksi untuk beberapa backend dan mendukung pencarian kesamaan vektor. Sistem agen menyederhanakan interaksi LLM, mendukung Generasi yang Ditingkatkan oleh Pengambilan (RAG) dan integrasi alat. Selain itu, kerangka penyematan juga menyediakan kemampuan pemrosesan batch dan operasi penyematan yang aman terhadap tipe.
Rig memanfaatkan berbagai keuntungan teknologi untuk memastikan keandalan dan kinerja. Operasi asinkron memanfaatkan runtime asinkron Rust untuk menangani sejumlah besar permintaan secara bersamaan dengan efisien. Mekanisme penanganan kesalahan bawaan kerangka kerja meningkatkan kemampuan pemulihan dari kegagalan penyedia kecerdasan buatan atau operasi basis data. Keamanan tipe dapat mencegah kesalahan selama proses kompilasi, sehingga meningkatkan pemeliharaan kode. Proses serialisasi dan deserialisasi yang efisien mendukung pemrosesan data dalam format seperti JSON, yang sangat penting untuk komunikasi dan penyimpanan layanan AI. Pencatatan dan deteksi yang mendetail lebih lanjut membantu dalam debug dan pemantauan aplikasi.
Alur kerja Rig dimulai ketika permintaan diajukan dari klien, yang berinteraksi dengan model LLM yang sesuai melalui lapisan abstraksi penyedia. Data kemudian diproses oleh lapisan inti, di mana agen dapat menggunakan alat atau mengakses penyimpanan vektor konteks. Respons dihasilkan dan disempurnakan melalui alur kerja yang kompleks (seperti RAG) sebelum dikembalikan ke klien, proses ini melibatkan pengambilan dokumen dan pemahaman konteks. Sistem ini mengintegrasikan berbagai penyedia LLM dan penyimpanan vektor, memiliki adaptabilitas terhadap pembaruan ketersediaan atau kinerja model.
Kasus penggunaan Rig sangat beragam, termasuk sistem tanya jawab yang mencari dokumen relevan untuk memberikan respons yang akurat, sistem pencarian dan pengambilan dokumen untuk penemuan konten yang efisien, serta chatbot atau asisten virtual yang menyediakan interaksi yang peka konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung generasi konten, memungkinkan pembuatan teks dan materi lainnya berdasarkan pola pembelajaran, menjadikannya alat serbaguna bagi pengembang dan organisasi.
Zerepy (dihasilkan oleh ZEREPY dan blorm)
ZerePy adalah sebuah kerangka kerja open-source yang ditulis dalam bahasa Python, yang dirancang untuk menggunakan OpenAI atau Anthropic LLM untuk menerapkan agen di X. Merupakan versi modular dari backend Zerebro, ZerePy memungkinkan pengembang untuk meluncurkan agen dengan fungsi inti yang mirip dengan Zerebro. Meskipun kerangka kerja ini menyediakan dasar untuk penerapan agen, penyempurnaan model sangat penting untuk menghasilkan output yang kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk penciptaan konten di platform sosial, dan mengembangkan ekosistem kreatif yang didorong oleh AI yang berfokus pada seni dan aplikasi terdesentralisasi.
Kerangka ini dikembangkan menggunakan Python, menekankan otonomi agen, dan fokus pada generasi keluaran kreatif, sejalan dengan arsitektur ELIZA dan hubungan kolaborasinya dengan ELIZA. Desain modularnya mendukung integrasi sistem memori, memungkinkan penyebaran agen di platform sosial. Fitur utamanya termasuk antarmuka baris perintah untuk manajemen agen, integrasi dengan Twitter, dukungan untuk OpenAI dan LLM Anthropic, serta sistem koneksi modular untuk meningkatkan fungsionalitas.
Kasus penggunaan ZerePy mencakup ranah otomatisasi media sosial, di mana pengguna dapat menyebarkan agen AI untuk memposting, membalas, menyukai, dan me-retweet untuk meningkatkan keterlibatan platform. Selain itu, ini melayani pembuatan konten di berbagai bidang seperti musik, meme, dan NFT, menjadikannya alat penting untuk seni digital dan platform konten berbasis blockchain.
(2) Perbandingan Empat Kerangka
Menurut kami, setiap kerangka kerja menawarkan pendekatan unik untuk pengembangan kecerdasan buatan yang sesuai dengan kebutuhan dan lingkungan tertentu, kami mengalihkan fokus dari hubungan kompetitif antar kerangka kerja ke keunikan masing-masing kerangka.
ELIZA menonjol karena antarmuka yang ramah pengguna, terutama bagi pengembang yang akrab dengan JavaScript dan lingkungan Node.js. Dokumentasinya yang komprehensif membantu menyiapkan agen AI di berbagai platform, meskipun rangkaian fiturnya yang luas dapat disertai dengan kurva pembelajaran tertentu. Dikembangkan dengan TypeScript, menjadikan Eliza ideal untuk membangun proxy yang disematkan di web, karena sebagian besar front-end infrastruktur web dikembangkan dengan TypeScript. Kerangka kerja ini dikenal dengan arsitektur multi-agennya, yang dapat menyebarkan kepribadian AI yang berbeda pada platform seperti Discord, X, dan Telegram. Sistem RAG yang dikelola memori canggih membuatnya sangat efektif untuk dukungan pelanggan atau asisten AI dalam aplikasi media sosial. Meskipun menawarkan fleksibilitas, dukungan komunitas yang kuat, dan kinerja lintas platform yang konsisten, ini masih dalam tahap awal dan dapat menimbulkan kurva pembelajaran bagi pengembang.
GAME dirancang khusus untuk pengembang game, menyediakan antarmuka tanpa kode atau dengan sedikit kode melalui API, sehingga pengguna dengan tingkat teknis yang lebih rendah di bidang game juga dapat menggunakannya. Namun, ia fokus pada pengembangan game dan integrasi blockchain, yang mungkin menghadirkan kurva pembelajaran yang curam bagi mereka yang tidak memiliki pengalaman terkait. Ini unggul dalam menghasilkan konten program dan perilaku NPC, tetapi dibatasi oleh kompleksitas yang ditambahkan oleh bidang spesifiknya dan integrasi blockchain.
Karena menggunakan bahasa Rust, mengingat kompleksitas bahasa tersebut, Rig mungkin tidak terlalu ramah, yang membawa tantangan belajar yang signifikan, tetapi bagi mereka yang mahir dalam pemrograman sistem, ia memiliki interaksi yang intuitif. Dibandingkan dengan typescript, bahasa pemrograman ini terkenal dengan kinerja dan keamanan memori. Ini memiliki pemeriksaan ketat saat kompilasi dan abstraksi tanpa biaya, yang diperlukan untuk menjalankan algoritma AI yang kompleks. Bahasa ini sangat efisien, dan kontrol tingkat rendahnya menjadikannya pilihan ideal untuk aplikasi AI yang intensif sumber daya. Kerangka kerja ini menawarkan solusi berkinerja tinggi dengan desain modular dan dapat diperluas, menjadikannya pilihan ideal untuk aplikasi perusahaan. Namun, bagi pengembang yang tidak terbiasa dengan Rust, menggunakan Rust tidak dapat dihindari menghadapi kurva belajar yang curam.
ZerePy menggunakan Python, menawarkan kegunaan tinggi untuk tugas AI kreatif, dengan kurva pembelajaran yang lebih rendah bagi pengembang Python, terutama bagi mereka yang memiliki latar belakang AI/ML, dan mendapat manfaat dari dukungan komunitas yang kuat berkat komunitas kripto Zerebro. ZerePy unggul dalam aplikasi AI kreatif seperti NFT, memposisikan dirinya sebagai alat yang kuat untuk media digital dan seni. Meskipun berkembang pesat dalam hal kreativitas, jangkauannya relatif sempit dibandingkan dengan kerangka kerja lainnya.
Dalam hal skalabilitas, ELIZA telah membuat kemajuan signifikan dalam pembaruan V2-nya, memperkenalkan jalur pesan yang terintegrasi dan kerangka inti yang dapat diperluas, mendukung pengelolaan yang efektif di berbagai platform. Namun, tanpa optimasi, pengelolaan interaksi multi-platform ini dapat menimbulkan tantangan dalam hal skalabilitas.
GAME menunjukkan performa yang sangat baik dalam pemrosesan waktu nyata yang diperlukan untuk permainan, dan skalabilitas dikelola melalui algoritma yang efisien dan sistem distribusi blockchain yang potensial, meskipun mungkin terbatas oleh mesin permainan tertentu atau jaringan blockchain.
Kerangka Rig memanfaatkan kinerja skalabilitas Rust, dirancang untuk aplikasi dengan throughput tinggi, yang sangat efektif untuk penerapan tingkat perusahaan, meskipun ini mungkin berarti bahwa mencapai skalabilitas yang sebenarnya memerlukan pengaturan yang kompleks.
Skalabilitas Zerepy ditujukan untuk output kreatif, dengan dukungan kontribusi komunitas, tetapi fokusnya mungkin membatasi aplikasinya dalam lingkungan kecerdasan buatan yang lebih luas, dan skalabilitasnya mungkin akan diuji oleh keragaman tugas kreatif daripada jumlah pengguna.
Dalam hal adaptabilitas, ELIZA unggul dengan sistem plugin dan kompatibilitas lintas platform, sementara GAME dalam lingkungan permainannya dan Rig yang menangani tugas AI kompleks juga sangat baik. ZerePy menunjukkan adaptabilitas tinggi di bidang kreatif, tetapi kurang cocok untuk aplikasi AI yang lebih luas.
Dalam hal kinerja, ELIZA dioptimalkan untuk interaksi cepat di media sosial, waktu respons yang cepat adalah kunci, tetapi saat menangani tugas komputasi yang lebih kompleks, kinerjanya mungkin berbeda.
GAME yang dikembangkan oleh Virtual Protocol berfokus pada interaksi waktu nyata berkinerja tinggi dalam skenario permainan, memanfaatkan proses pengambilan keputusan yang efisien dan potensi blockchain untuk operasi kecerdasan buatan terpadu.
Kerangka Rig yang berbasis bahasa Rust memberikan kinerja luar biasa untuk tugas komputasi berkinerja tinggi, cocok untuk aplikasi perusahaan di mana efisiensi komputasi sangat penting.
Kinerja Zerepy dirancang khusus untuk pembuatan konten kreatif, dengan metrik yang berfokus pada efisiensi dan kualitas generasi konten, mungkin kurang umum di luar bidang kreatif.
Keunggulan ELIZA adalah menyediakan fleksibilitas dan skalabilitas, melalui sistem plugin dan konfigurasi peran yang membuatnya sangat adaptif, mendukung interaksi AI sosial lintas platform.
GAME menyediakan fitur interaksi waktu nyata yang unik dalam permainan, yang ditingkatkan dengan integrasi blockchain untuk partisipasi AI yang inovatif.
Keunggulan Rig terletak pada kinerja dan skalabilitasnya untuk tugas kecerdasan buatan perusahaan, dengan fokus pada penyediaan kode modular yang bersih untuk kesehatan proyek jangka panjang.
Zerepy ahli dalam mengembangkan kreativitas, berada di garis depan aplikasi seni digital berbasis kecerdasan buatan, dan didukung oleh model pengembangan yang didorong oleh komunitas yang dinamis.
Setiap kerangka memiliki batasannya sendiri, ELIZA masih berada pada tahap awal, ada potensi masalah stabilitas dan kurva pembelajaran untuk pengembang baru, Game yang niche mungkin membatasi aplikasi yang lebih luas, dan blockchain menambah kompleksitas, Rig mungkin mengejutkan sebagian pengembang karena kurva pembelajaran yang curam akibat Rust, sedangkan perhatian Zerepy yang terbatas pada output kreatif mungkin membatasi penggunaannya di bidang AI lainnya.
(3) Ringkasan Perbandingan Kerangka
Rig (ARC)：
Bahasa: Rust, fokus pada keamanan dan kinerja.
Kasus penggunaan: pilihan ideal untuk aplikasi AI tingkat perusahaan karena fokus pada efisiensi dan skalabilitas.
Komunitas: Tidak terlalu didorong oleh komunitas, lebih fokus pada pengembang teknologi.
Eliza (AI16Z)：
Bahasa: TypeScript, menekankan fleksibilitas web3 dan keterlibatan komunitas.
Kasus penggunaan: dirancang untuk interaksi sosial, DAO, dan perdagangan, dengan penekanan khusus pada sistem multi-agen.
Komunitas: Sangat didorong oleh komunitas, dengan partisipasi GitHub yang luas.
ZerePy (ZEREBRO)：
Bahasa: Python, membuatnya dapat digunakan oleh basis pengembang AI yang lebih luas.
Kasus penggunaan: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.
Komunitas: Relatif baru, tetapi diharapkan berkembang karena popularitas Python dan dukungan dari kontributor AI16Z.
GAME（VIRTUAL）：
Fokus: Agen kecerdasan buatan yang mandiri dan adaptif, yang dapat berevolusi berdasarkan interaksi di lingkungan virtual.
Kasus penggunaan: paling cocok untuk belajar dan beradaptasi dengan agen AI, seperti permainan atau dunia virtual.
Komunitas: Komunitas inovatif, tetapi masih menentukan posisinya dalam persaingan.
3、Tren data Star di Github
Gambar di atas adalah data perhatian GitHub star sejak kerangka ini dirilis. Perlu dicatat bahwa GitHub star adalah indikator minat komunitas, popularitas proyek, dan nilai persepsi proyek.
ELIZA (Garis Merah):
Mulai dari basis rendah di bulan Juli, lalu meningkat secara signifikan pada akhir November dengan jumlah star yang mencapai 61.000 bintang, ini menunjukkan minat orang-orang yang meningkat dengan cepat, menarik perhatian para pengembang. Pertumbuhan eksponensial ini menunjukkan bahwa ELIZA telah mendapatkan daya tarik yang besar berkat fungsinya, pembaruan, dan keterlibatan komunitas. Popularitasnya jauh melampaui pesaing lainnya, yang menunjukkan adanya dukungan komunitas yang kuat dan relevansi atau minat yang lebih luas di komunitas kecerdasan buatan.
RIG (Garis Biru):
Rig adalah salah satu dari empat kerangka kerja yang memiliki sejarah terpanjang, dengan jumlah bintangnya yang moderat tetapi terus meningkat. Dalam sebulan ke depan, kemungkinan besar akan meningkat secara signifikan. Saat ini, sudah mencapai 1700 bintang, tetapi masih terus bertambah. Pengembangan yang berkelanjutan, pembaruan, dan jumlah pengguna yang terus meningkat adalah alasan minat pengguna yang terus terakumulasi. Ini mungkin mencerminkan bahwa pengguna kerangka ini masih sedikit atau masih dalam proses membangun reputasi.
ZEREPY (Garis Kuning):
ZerePy baru saja diluncurkan beberapa hari yang lalu dan telah mengumpulkan 181 bintang. Perlu ditekankan bahwa ZerePy membutuhkan lebih banyak pengembangan untuk meningkatkan visibilitas dan tingkat adopsinya. Kerjasama dengan AI16Z mungkin akan menarik lebih banyak kontributor kode.
GAME（绿线）：
Jumlah bintang proyek ini paling sedikit, yang menarik adalah bahwa kerangka ini dapat diterapkan langsung pada agen dalam ekosistem virtual melalui API, sehingga menghilangkan kebutuhan akan visibilitas Github. Namun, kerangka ini baru dibuka untuk pembangun satu bulan yang lalu, dan lebih dari 200 proyek sedang menggunakan GAME untuk membangun.
4. Alasan bullish kerangka
Versi V2 Eliza akan mengintegrasikan paket proxy Coinbase. Semua proyek yang menggunakan Eliza di masa depan akan mendukung TEE asli, sehingga proxy dapat berjalan di lingkungan yang aman. Salah satu fitur yang akan diluncurkan Eliza adalah registri plugin (Plugin Registry), yang memungkinkan pengembang untuk mendaftar dan mengintegrasikan plugin dengan mulus.
Selain itu, Eliza V2 akan mendukung pengiriman pesan anonim lintas platform secara otomatis. Whitepaper ekonomi token dijadwalkan untuk dirilis pada 1 Januari 2025, yang diharapkan akan berdampak positif pada token AI16Z yang mendasari kerangka kerja Eliza. AI16Z berencana untuk terus meningkatkan utilitas kerangka kerja, terus menarik bakat berkualitas tinggi, dan upaya kontributor utamanya telah membuktikan bahwa ia memiliki kemampuan tersebut.
KERANGKA KERJA GAME MENYEDIAKAN INTEGRASI NO-CODE UNTUK AGEN, MEMUNGKINKAN GAME DAN ELIZA DIGUNAKAN DALAM SATU PROYEK, MASING-MASING MELAYANI TUJUAN TERTENTU. Pendekatan ini menjanjikan untuk menarik bagi pembangun yang berfokus pada logika bisnis daripada kompleksitas teknis. Meskipun kerangka kerja ini baru tersedia untuk umum selama 30 hari, kerangka kerja ini telah membuat kemajuan substansial dengan dukungan upaya tim untuk menarik lebih banyak kontributor. Diharapkan semua proyek yang diluncurkan di VIRTUAL akan menggunakan GAME.
Rig yang diwakili oleh token ARC memiliki potensi besar, meskipun kerangkanya masih dalam tahap pertumbuhan awal dan rencana untuk mendorong adopsi proyek baru baru saja diluncurkan beberapa hari yang lalu. Namun, proyek berkualitas tinggi yang mengadopsi ARC diperkirakan akan segera muncul, mirip dengan Virtual flywheel, tetapi dengan fokus pada Solana. Tim ini optimis tentang kolaborasi dengan Solana, membandingkan hubungan ARC dengan Solana seperti Virtual dengan Base. Perlu dicatat bahwa tim ini tidak hanya mendorong proyek baru untuk meluncurkan menggunakan Rig, tetapi juga mendorong pengembang untuk meningkatkan kerangka Rig itu sendiri.
Zerepy adalah sebuah kerangka kerja yang baru diluncurkan, dan karena hubungan kerjanya dengan Eliza, ia semakin mendapat perhatian. Kerangka ini menarik para kontributor Eliza yang kini aktif melakukan perbaikan. Didukung oleh penggemar ZEREBRO, ia memiliki sekelompok pengikut yang fanatik dan menawarkan peluang baru bagi pengembang Python, yang sebelumnya kurang terwakili dalam kompetisi infrastruktur kecerdasan buatan. Kerangka ini akan memainkan peran penting dalam aspek kreativitas AI.