Penulis: Deep Value Memetics, Terjemahan: Jinse Caijing xiaozou
Dalam artikel ini, kami akan membahas prospek kerangka Crypto X AI. Kami akan fokus pada empat kerangka utama saat ini (ELIZA, GAME, ARC, ZEREPY) dan perbedaan teknis masing-masing.
1. Pendahuluan
Kami telah meneliti dan menguji empat kerangka utama Crypto X AI, yaitu ELIZA, GAME, ARC, dan ZEREPY, selama seminggu terakhir, dan kami mencapai kesimpulan sebagai berikut.
Kami percaya bahwa AI16Z akan terus mendominasi. Nilai Eliza (pangsa pasar sekitar 60%, nilai pasar lebih dari 1 miliar dolar) terletak pada keunggulan awalnya (efek Lindy), serta semakin banyaknya pengembang yang menggunakannya, dengan data seperti 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 (dengan pangsa pasar sekitar 20%, nilai pasar sekitar 300 juta dolar) sangat lancar, sedang mendapatkan adopsi yang cepat, seperti yang baru saja diumumkan oleh VIRTUAL, platform tersebut memiliki lebih dari 200 proyek, 150.000 permintaan harian dan tingkat pertumbuhan mingguan 200%. GAME akan terus mendapat manfaat dari kebangkitan VIRTUAL dan akan menjadi salah satu pemenang terbesar dalam ekosistemnya.
Rig（ARC，pangsa pasar sekitar 15%, nilai pasar sekitar 1,6 juta dolar AS）sangat menarik perhatian karena desain modularnya yang sangat mudah dioperasikan dan dapat mendominasi sebagai "pure-play" dalam ekosistem Solana (RUST).
Zerepy (pangsa pasar sekitar 5%, kapitalisasi pasar sekitar 300 juta USD) adalah aplikasi yang relatif kecil, ditujukan untuk komunitas ZEREBRO yang antusias, dan kolaborasinya baru-baru ini dengan komunitas ai16z mungkin akan menghasilkan sinergi.
Kami mencatat bahwa perhitungan pangsa pasar kami mencakup nilai pasar, catatan pengembangan, dan pasar terminal sistem operasi dasar.
Kami percaya bahwa segmen bingkai akan menjadi area dengan pertumbuhan tercepat dalam siklus pasar ini, dengan total kapitalisasi pasar sebesar $1,7 miliar kemungkinan akan tumbuh dengan mudah menjadi $20 miliar, yang masih relatif konservatif dibandingkan dengan valuasi puncak L1 pada tahun 2021, ketika banyak L1 mencapai valuasi di atas $20 miliar. Meskipun semua kerangka kerja ini melayani pasar akhir (rantai/ekosistem) yang berbeda, mengingat bahwa kami yakin ruang tersebut sedang dalam tren naik, pendekatan tertimbang kapitalisasi pasar mungkin merupakan pendekatan yang paling bijaksana.
2、Empat Kerangka
Dalam tabel di bawah ini, kami mencantumkan teknologi kunci, komponen, dan keunggulan dari berbagai kerangka utama.
(1) Ringkasan Kerangka
Di bidang persilangan AI X Crypto, ada beberapa kerangka kerja yang memfasilitasi 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 dimulai dengan pengantar kerangka kerja, apa itu, bahasa pemrograman apa yang mereka gunakan, arsitektur teknis, algoritma, fitur unik apa yang mereka miliki, dan kasus penggunaan potensial apa yang dapat digunakan kerangka kerja. Kami kemudian membandingkan setiap kerangka kerja dalam hal ketersediaan, skalabilitas, kemampuan beradaptasi, dan kinerja, mengeksplorasi kekuatan dan keterbatasannya.
ELIZA (dikembangkan oleh ai16z)
Eliza adalah kerangka simulasi multi-agen sumber terbuka yang dirancang untuk membuat, menerapkan, dan mengelola agen AI otonom. Ini dikembangkan dengan bahasa pemrograman TypeScript, menyediakan platform yang fleksibel dan dapat diperluas untuk membangun agen cerdas yang dapat berinteraksi dengan manusia di berbagai platform dan mempertahankan kepribadian serta pengetahuan yang konsisten.
Fungsi inti dari kerangka kerja ini mencakup arsitektur multi-agen yang mendukung penyebaran dan pengelolaan beberapa kepribadian AI yang unik secara bersamaan, serta sistem peran yang membuat berbagai agen menggunakan kerangka file peran, dan menyediakan manajemen memori jangka panjang dan kesadaran konteks melalui sistem Penguatan Generasi dengan Pencarian (RAG). Selain itu, kerangka Eliza juga menawarkan integrasi platform yang mulus, memungkinkan koneksi yang andal dengan Discord, X, dan platform media sosial lainnya.
Dalam hal kemampuan komunikasi dan media agen AI, Eliza adalah pilihan yang sangat baik. Dalam hal komunikasi, kerangka kerja mendukung integrasi dengan fitur saluran suara Discord, fitur X, Telegram, dan akses langsung ke API untuk kasus penggunaan khusus. Di sisi lain, kemampuan pemrosesan media kerangka kerja dapat diperluas ke pembacaan dan analisis dokumen PDF, ekstraksi dan peringkasan konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan percakapan untuk menangani berbagai input dan output media secara efisien.
Kerangka Eliza menyediakan dukungan model AI yang fleksibel melalui inferensi lokal model open-source, inferensi cloud OpenAI, dan konfigurasi default (seperti Nous Hermes Llama 3.1B), serta mengintegrasikan dukungan untuk Claude dalam menangani tugas-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 meliputi berbagai bidang, seperti: asisten AI untuk dukungan pelanggan, moderasi komunitas, dan tugas pribadi, serta peran media sosial seperti pencipta konten otomatis, bot interaktif, dan perwakilan merek. Ini juga dapat berfungsi sebagai pekerja pengetahuan, memainkan peran sebagai asisten penelitian, analis konten, dan pemroses dokumen, serta mendukung peran interaktif seperti bot peran, mentor pendidikan, dan perwakilan agen.
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)
Generative Autonomous Multimodal Entity Framework (G.A.M.E) dirancang untuk menyediakan akses API dan SDK kepada pengembang untuk eksperimen proxy AI. Kerangka kerja ini menyediakan pendekatan terstruktur untuk mengelola perilaku, pengambilan keputusan, dan proses pembelajaran agen AI.
Komponen inti adalah sebagai berikut: Pertama, Antarmuka Pemberitahuan Agen (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan GAME ke dalam agen untuk mengakses perilaku agen. Sub-sistem Persepsi (Perception Subsystem) memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan detail terkait lainnya.
Ini akan menggabungkan informasi yang masuk menjadi format yang sesuai untuk mesin perencanaan strategis (Strategic Planning Engine) yang berfungsi sebagai mekanisme masukan persepsi AI, baik dalam bentuk dialog maupun reaksi. Intinya adalah modul pemrosesan dialog, yang digunakan untuk menangani pesan dan respons dari agen, serta berkolaborasi dengan subsistem persepsi untuk secara efektif menginterpretasikan dan merespons masukan.
Mesin perencanaan strategis bekerja sama dengan modul pemrosesan dialog dan operator dompet on-chain untuk menghasilkan respons dan rencana. Fungsi mesin ini memiliki dua lapisan: sebagai perencana tingkat tinggi, membuat strategi luas berdasarkan konteks atau tujuan; sebagai strategi tingkat rendah yang mengubah strategi tersebut menjadi rencana yang dapat dilaksanakan, yang selanjutnya dibagi menjadi perencana tindakan untuk tugas tertentu dan pelaksana rencana untuk melaksanakan tugas.
Komponen lain yang independen namun penting adalah 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 jangka panjang. Memori jangka pendek menyimpan informasi relevan tentang 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 sistem untuk meningkatkan interaksi di masa depan. Pengembang dapat memasukkan umpan balik mengenai tindakan, status permainan, dan data sensor melalui antarmuka, untuk meningkatkan kemampuan belajar agen AI dan meningkatkan kemampuan perencanaan serta pengambilan keputusan.
Alur kerja dimulai ketika pengembang berinteraksi melalui antarmuka pengingat agen. Masukan diproses oleh subsistem persepsi dan diteruskan ke modul pemrosesan dialog, yang bertanggung jawab mengelola logika interaksi. Kemudian, mesin perencanaan strategis merumuskan dan melaksanakan rencana berdasarkan informasi ini, menggunakan strategi tingkat tinggi dan rencana tindakan yang terperinci.
Data dari konteks dunia dan repositori agen memberi tahu proses ini, sementara memori kerja melacak tugas yang mendesak. Sementara itu, prosesor memori jangka panjang menyimpan dan mengambil pengetahuan jangka panjang. Modul pembelajaran menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, sehingga perilaku dan interaksi agen dapat terus diperbaiki.
RIG (diciptakan oleh ARC)
Rig adalah sebuah 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 termasuk pengembang yang membangun aplikasi AI/ML menggunakan Rust, diikuti oleh organisasi yang ingin mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka sendiri. Repositori menggunakan arsitektur ruang kerja dengan beberapa peti untuk mendukung skalabilitas dan manajemen proyek yang efisien. Fitur utamanya adalah lapisan abstraksi penyedia, yang menyediakan standarisasi untuk melengkapi dan menyematkan API antara penyedia LLM yang berbeda dengan penanganan kesalahan yang konsisten. Komponen Integrasi Penyimpanan Vektor menyediakan antarmuka abstrak untuk beberapa backend dan mendukung pencarian kesamaan vektor. Sistem agen menyederhanakan interaksi LLM, mendukung Retrieval Enhanced Generation (RAG), dan integrasi alat. Selain itu, kerangka kerja penyematan menyediakan kemampuan pemrosesan batch dan operasi penyematan untuk keamanan tipe.
Rig memanfaatkan berbagai keunggulan teknis untuk memastikan keandalan dan kinerja. Operasi asinkron menggunakan runtime asinkron Rust untuk secara efisien menangani sejumlah besar permintaan bersamaan. Mekanisme penanganan kesalahan yang melekat dalam kerangka kerja ini 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 yang mendetail dan deteksi lebih lanjut membantu dalam debugging dan pemantauan aplikasi.
Alur kerja Rig dimulai ketika klien memulai permintaan, yang berinteraksi dengan model LLM yang sesuai melalui lapisan abstraksi penyedia. Data kemudian diproses oleh lapisan inti, di mana agen dapat menggunakan alat atau akses ke penyimpanan konteks vektor Respons dihasilkan dan disempurnakan melalui alur kerja yang kompleks seperti RAG sebelum dikembalikan ke klien, sebuah proses yang melibatkan pengambilan dokumen dan pemahaman kontekstual. Sistem ini terintegrasi dengan beberapa penyedia LLM dan penyimpanan vektor, membuatnya dapat disesuaikan dengan ketersediaan model atau pembaruan kinerja.
Kasus penggunaan Rig sangat beragam, termasuk sistem tanya jawab yang mencari dokumen terkait 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 terhadap konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung pembuatan konten, mendukung pembuatan teks dan materi lainnya berdasarkan pola pembelajaran, menjadikannya alat serbaguna bagi pengembang dan organisasi.
Zerepy (dikembangkan oleh ZEREPY dan blorm)
ZerePy adalah kerangka kerja sumber terbuka yang ditulis dalam bahasa Python, dirancang untuk menerapkan agen di X dengan memanfaatkan OpenAI atau Anthropic LLM. Versi modular dari backend Zerebro, ZerePy memungkinkan pengembang untuk meluncurkan agen dengan fungsi inti yang mirip dengan Zerebro. Meskipun kerangka ini menyediakan dasar untuk penerapan agen, penyempurnaan model sangat penting untuk menghasilkan keluaran yang kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk penciptaan konten di platform sosial, dan memelihara ekosistem kreatif yang didorong oleh AI yang berfokus pada seni dan aplikasi terdesentralisasi.
Kerangka kerja ini dikembangkan menggunakan Python, menekankan pada otonomi agen, dan fokus pada generasi output yang kreatif, sejalan dengan arsitektur ELIZA dan hubungan kerjanya dengan ELIZA. Desain modularnya mendukung integrasi sistem memori dan memungkinkan penyebaran agen di platform sosial. Fitur utamanya mencakup 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 bidang otomatisasi media sosial, di mana pengguna dapat menerapkan agen kecerdasan buatan untuk memposting, membalas, menyukai, dan membagikan, sehingga meningkatkan keterlibatan di platform. Selain itu, ini juga memenuhi kebutuhan penciptaan konten di bidang musik, meme, dan NFT, menjadikannya alat yang penting bagi seni digital dan platform konten berbasis blockchain.
(2) Perbandingan Empat Kerangka
Menurut kami, setiap kerangka kerja menyediakan pendekatan unik untuk pengembangan kecerdasan buatan, 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 low-code atau no-code 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 khususnya 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 (memory safety). Ia memiliki pemeriksaan waktu kompilasi yang ketat dan abstraksi biaya nol, yang diperlukan untuk menjalankan algoritma AI yang kompleks. Bahasa ini sangat efisien, dan kontrol tingkat rendahnya menjadikannya pilihan yang ideal untuk aplikasi AI yang memerlukan sumber daya intensif. Kerangka kerja ini menyediakan solusi berkinerja tinggi dengan desain modular dan dapat diperluas, menjadikannya pilihan yang ideal untuk aplikasi perusahaan. Namun, bagi pengembang yang tidak akrab dengan Rust, menggunakan Rust tidak terhindarkan dari menghadapi kurva pembelajaran yang curam.
Memanfaatkan Python, ZerePy menawarkan tingkat kegunaan yang tinggi untuk tugas-tugas AI kreatif, dengan kurva belajar yang rendah untuk pengembang Python, terutama bagi mereka yang memiliki latar belakang AI/ML, dan manfaat dari dukungan komunitas yang kuat berkat komunitas kripto Zerebro. ZerePy mengkhususkan diri dalam aplikasi AI kreatif seperti NFT, memposisikan dirinya sebagai alat yang ampuh untuk media digital dan seni. Meskipun berkembang dengan kreativitas, ia memiliki ruang lingkup yang relatif sempit dibandingkan dengan kerangka kerja lainnya.
Dalam hal skalabilitas, ELIZA telah membuat langkah besar dalam pembaruan V2-nya, yang memperkenalkan jalur perpesanan terpadu dan kerangka kerja inti yang dapat diperluas yang mendukung manajemen yang efektif di berbagai platform. Namun, jika tidak dioptimalkan, pengelolaan interaksi multi-platform tersebut dapat menghadirkan tantangan skalabilitas.
GAME menunjukkan kinerja yang luar biasa dalam pemrosesan waktu nyata yang diperlukan untuk permainan, skalabilitas dikelola melalui algoritma efisien dan sistem terdistribusi blockchain 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 di tingkat perusahaan, meskipun ini mungkin berarti bahwa mencapai skalabilitas yang sebenarnya memerlukan pengaturan yang kompleks.
Skalabilitas Zerepy ditujukan untuk keluaran kreatif, didukung oleh kontribusi komunitas, tetapi fokusnya mungkin membatasi penerapannya dalam lingkungan AI yang lebih luas, dan skalabilitas mungkin akan diuji oleh keragaman tugas kreatif daripada jumlah pengguna.
Dalam hal adaptasi, ELIZA unggul dengan sistem plugin dan kompatibilitas lintas platform, sementara GAME dalam lingkungan permainannya dan Rig yang menangani tugas AI yang kompleks juga sangat baik. ZerePy menunjukkan tingkat adaptasi yang tinggi di bidang kreatif, tetapi kurang cocok untuk aplikasi AI yang lebih luas.
Dalam hal kinerja, ELIZA dioptimalkan untuk interaksi media sosial yang cepat, dengan waktu respons yang cepat sebagai kunci, tetapi dalam menangani tugas komputasi yang lebih kompleks, kinerjanya mungkin berbeda.
GAME yang dikembangkan oleh Virtual Protocol berfokus pada interaksi real-time berkinerja tinggi dalam skenario game, memanfaatkan proses pengambilan keputusan yang efisien dan blockchain potensial untuk operasi AI terdesentralisasi.
Kerangka Rig berbasis bahasa Rust, memberikan kinerja yang 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 indikator yang berfokus pada efisiensi dan kualitas pembuatan konten, yang mungkin tidak terlalu umum di luar bidang kreatif.
Keunggulan ELIZA adalah menyediakan fleksibilitas dan skalabilitas, melalui sistem plugin dan konfigurasi perannya yang membuatnya sangat adaptif, yang menguntungkan 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 kerja memiliki batasan sendiri, ELIZA masih berada pada tahap awal, terdapat potensi masalah stabilitas dan kurva belajar bagi pengembang baru, Game yang bersifat niche mungkin akan membatasi aplikasi yang lebih luas, dan blockchain juga menambah kompleksitas, Rig mungkin akan menakut-nakuti sebagian pengembang karena kurva belajar yang curam yang disebabkan oleh Rust, sementara perhatian Zerepy yang terbatas terhadap output kreatif mungkin akan 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 teknis.
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 untuk basis pengembang AI yang lebih luas.
Kasus penggunaan: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.
Komunitas: Relatif baru, tetapi dengan popularitas Python dan dukungan dari kontributor AI16Z, diharapkan akan tumbuh.
GAME (VIRTUAL):
Fokus: Agen kecerdasan buatan yang mandiri dan adaptif, dapat berevolusi berdasarkan interaksi dalam lingkungan virtual.
Kasus penggunaan: paling cocok untuk pembelajaran dan penyesuaian agen AI dalam skenario, 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):
Dimulai dari basis rendah pada bulan Juli dan kemudian meningkat secara signifikan pada akhir November dengan jumlah star yang mencapai 61.000 bintang, ini menunjukkan minat orang-orang yang cepat meningkat, menarik perhatian para pengembang. Pertumbuhan eksponensial ini menunjukkan bahwa ELIZA telah mendapatkan daya tarik besar karena fungsinya, pembaruan, dan keterlibatan komunitas. Popularitasnya jauh melebihi pesaing lainnya, menunjukkan bahwa ia memiliki dukungan komunitas yang kuat dan memiliki aplikasi atau minat yang lebih luas di komunitas kecerdasan buatan.
RIG（garis biru）：
Rig adalah kerangka kerja tertua di antara empat besar, jumlah bintangnya sedang tetapi terus meningkat, dan kemungkinan akan meningkat secara signifikan dalam sebulan ke depan. Ini telah mencapai 1700 bintang, tetapi masih terus meningkat. Pengembangan yang berkelanjutan, pembaruan, dan jumlah pengguna yang terus meningkat adalah alasan di balik akumulasi minat pengguna yang terus-menerus. Ini mungkin mencerminkan bahwa pengguna kerangka ini adalah kelompok kecil atau masih dalam proses membangun reputasi.
ZEREPY (Garis Kuning):
ZerePy baru saja diluncurkan beberapa hari yang lalu dan telah mengumpulkan 181 bintang. Penting untuk 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, perlu dicatat 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 lebih dari sebulan yang lalu, dengan lebih dari 200 proyek yang sedang dibangun menggunakan GAME.
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 datang dari Eliza adalah registri plugin (Plugin Registry), yang memungkinkan pengembang untuk mendaftarkan dan mengintegrasikan plugin dengan mulus.
Selain itu, Eliza V2 akan mendukung pengiriman pesan anonim lintas platform secara otomatis. Buku putih ekonomi token dijadwalkan untuk dirilis pada 1 Januari 2025, dan diharapkan akan memiliki dampak positif pada token AI16Z yang mendasari kerangka kerja Eliza. AI16Z berencana untuk terus meningkatkan kegunaan kerangka kerja, terus menarik talenta berkualitas tinggi, dan upaya kontributor utamanya telah membuktikan bahwa itu memiliki kemampuan seperti itu.
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 kerangka kerjanya masih dalam tahap awal pertumbuhan dan rencana untuk mendorong adopsi proyek baru berlangsung selama beberapa hari. Tetapi proyek berkualitas tinggi dengan ARC diperkirakan akan segera muncul, mirip dengan Virtual Flywheel, tetapi dengan fokus pada Solana. Tim optimis dengan kemitraan dengan Solana, menyamakan hubungan ARC dengan Solana dengan Virtual to Base. Perlu dicatat bahwa tim tidak hanya mendorong proyek baru untuk memulai dengan Rig, tetapi juga mendorong pengembang untuk meningkatkan kerangka kerja Rig itu sendiri.
Zerpy adalah kerangka kerja yang baru diluncurkan yang mendapatkan daya tarik berkat kemitraannya dengan Eliza. Kerangka kerja ini menarik kontributor Eliza, yang secara aktif mengerjakannya. Didorong oleh penggemar ZEREBRO, ia memiliki pengikut kultus dan membuka peluang baru bagi pengembang Python yang sebelumnya kurang terwakili dalam perlombaan untuk infrastruktur AI. Kerangka kerja ini akan memainkan peran penting dalam 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, Terjemahan: Jinse Caijing xiaozou
Dalam artikel ini, kami akan membahas prospek kerangka Crypto X AI. Kami akan fokus pada empat kerangka utama saat ini (ELIZA, GAME, ARC, ZEREPY) dan perbedaan teknis masing-masing.
1. Pendahuluan
Kami telah meneliti dan menguji empat kerangka utama Crypto X AI, yaitu ELIZA, GAME, ARC, dan ZEREPY, selama seminggu terakhir, dan kami mencapai kesimpulan sebagai berikut.
Kami percaya bahwa AI16Z akan terus mendominasi. Nilai Eliza (pangsa pasar sekitar 60%, nilai pasar lebih dari 1 miliar dolar) terletak pada keunggulan awalnya (efek Lindy), serta semakin banyaknya pengembang yang menggunakannya, dengan data seperti 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 (dengan pangsa pasar sekitar 20%, nilai pasar sekitar 300 juta dolar) sangat lancar, sedang mendapatkan adopsi yang cepat, seperti yang baru saja diumumkan oleh VIRTUAL, platform tersebut memiliki lebih dari 200 proyek, 150.000 permintaan harian dan tingkat pertumbuhan mingguan 200%. GAME akan terus mendapat manfaat dari kebangkitan VIRTUAL dan akan menjadi salah satu pemenang terbesar dalam ekosistemnya.
Rig（ARC，pangsa pasar sekitar 15%, nilai pasar sekitar 1,6 juta dolar AS）sangat menarik perhatian karena desain modularnya yang sangat mudah dioperasikan dan dapat mendominasi sebagai "pure-play" dalam ekosistem Solana (RUST).
Zerepy (pangsa pasar sekitar 5%, kapitalisasi pasar sekitar 300 juta USD) adalah aplikasi yang relatif kecil, ditujukan untuk komunitas ZEREBRO yang antusias, dan kolaborasinya baru-baru ini dengan komunitas ai16z mungkin akan menghasilkan sinergi.
Kami mencatat bahwa perhitungan pangsa pasar kami mencakup nilai pasar, catatan pengembangan, dan pasar terminal sistem operasi dasar.
Kami percaya bahwa segmen bingkai akan menjadi area dengan pertumbuhan tercepat dalam siklus pasar ini, dengan total kapitalisasi pasar sebesar $1,7 miliar kemungkinan akan tumbuh dengan mudah menjadi $20 miliar, yang masih relatif konservatif dibandingkan dengan valuasi puncak L1 pada tahun 2021, ketika banyak L1 mencapai valuasi di atas $20 miliar. Meskipun semua kerangka kerja ini melayani pasar akhir (rantai/ekosistem) yang berbeda, mengingat bahwa kami yakin ruang tersebut sedang dalam tren naik, pendekatan tertimbang kapitalisasi pasar mungkin merupakan pendekatan yang paling bijaksana.
2、Empat Kerangka
Dalam tabel di bawah ini, kami mencantumkan teknologi kunci, komponen, dan keunggulan dari berbagai kerangka utama.
(1) Ringkasan Kerangka
Di bidang persilangan AI X Crypto, ada beberapa kerangka kerja yang memfasilitasi 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 dimulai dengan pengantar kerangka kerja, apa itu, bahasa pemrograman apa yang mereka gunakan, arsitektur teknis, algoritma, fitur unik apa yang mereka miliki, dan kasus penggunaan potensial apa yang dapat digunakan kerangka kerja. Kami kemudian membandingkan setiap kerangka kerja dalam hal ketersediaan, skalabilitas, kemampuan beradaptasi, dan kinerja, mengeksplorasi kekuatan dan keterbatasannya.
ELIZA (dikembangkan oleh ai16z)
Eliza adalah kerangka simulasi multi-agen sumber terbuka yang dirancang untuk membuat, menerapkan, dan mengelola agen AI otonom. Ini dikembangkan dengan bahasa pemrograman TypeScript, menyediakan platform yang fleksibel dan dapat diperluas untuk membangun agen cerdas yang dapat berinteraksi dengan manusia di berbagai platform dan mempertahankan kepribadian serta pengetahuan yang konsisten.
Fungsi inti dari kerangka kerja ini mencakup arsitektur multi-agen yang mendukung penyebaran dan pengelolaan beberapa kepribadian AI yang unik secara bersamaan, serta sistem peran yang membuat berbagai agen menggunakan kerangka file peran, dan menyediakan manajemen memori jangka panjang dan kesadaran konteks melalui sistem Penguatan Generasi dengan Pencarian (RAG). Selain itu, kerangka Eliza juga menawarkan integrasi platform yang mulus, memungkinkan koneksi yang andal dengan Discord, X, dan platform media sosial lainnya.
Dalam hal kemampuan komunikasi dan media agen AI, Eliza adalah pilihan yang sangat baik. Dalam hal komunikasi, kerangka kerja mendukung integrasi dengan fitur saluran suara Discord, fitur X, Telegram, dan akses langsung ke API untuk kasus penggunaan khusus. Di sisi lain, kemampuan pemrosesan media kerangka kerja dapat diperluas ke pembacaan dan analisis dokumen PDF, ekstraksi dan peringkasan konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan ringkasan percakapan untuk menangani berbagai input dan output media secara efisien.
Kerangka Eliza menyediakan dukungan model AI yang fleksibel melalui inferensi lokal model open-source, inferensi cloud OpenAI, dan konfigurasi default (seperti Nous Hermes Llama 3.1B), serta mengintegrasikan dukungan untuk Claude dalam menangani tugas-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 meliputi berbagai bidang, seperti: asisten AI untuk dukungan pelanggan, moderasi komunitas, dan tugas pribadi, serta peran media sosial seperti pencipta konten otomatis, bot interaktif, dan perwakilan merek. Ini juga dapat berfungsi sebagai pekerja pengetahuan, memainkan peran sebagai asisten penelitian, analis konten, dan pemroses dokumen, serta mendukung peran interaktif seperti bot peran, mentor pendidikan, dan perwakilan agen.
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)
Generative Autonomous Multimodal Entity Framework (G.A.M.E) dirancang untuk menyediakan akses API dan SDK kepada pengembang untuk eksperimen proxy AI. Kerangka kerja ini menyediakan pendekatan terstruktur untuk mengelola perilaku, pengambilan keputusan, dan proses pembelajaran agen AI.
Komponen inti adalah sebagai berikut: Pertama, Antarmuka Pemberitahuan Agen (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan GAME ke dalam agen untuk mengakses perilaku agen. Sub-sistem Persepsi (Perception Subsystem) memulai sesi dengan menentukan parameter seperti ID sesi, ID agen, pengguna, dan detail terkait lainnya.
Ini akan menggabungkan informasi yang masuk menjadi format yang sesuai untuk mesin perencanaan strategis (Strategic Planning Engine) yang berfungsi sebagai mekanisme masukan persepsi AI, baik dalam bentuk dialog maupun reaksi. Intinya adalah modul pemrosesan dialog, yang digunakan untuk menangani pesan dan respons dari agen, serta berkolaborasi dengan subsistem persepsi untuk secara efektif menginterpretasikan dan merespons masukan.
Mesin perencanaan strategis bekerja sama dengan modul pemrosesan dialog dan operator dompet on-chain untuk menghasilkan respons dan rencana. Fungsi mesin ini memiliki dua lapisan: sebagai perencana tingkat tinggi, membuat strategi luas berdasarkan konteks atau tujuan; sebagai strategi tingkat rendah yang mengubah strategi tersebut menjadi rencana yang dapat dilaksanakan, yang selanjutnya dibagi menjadi perencana tindakan untuk tugas tertentu dan pelaksana rencana untuk melaksanakan tugas.
Komponen lain yang independen namun penting adalah 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 jangka panjang. Memori jangka pendek menyimpan informasi relevan tentang 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 sistem untuk meningkatkan interaksi di masa depan. Pengembang dapat memasukkan umpan balik mengenai tindakan, status permainan, dan data sensor melalui antarmuka, untuk meningkatkan kemampuan belajar agen AI dan meningkatkan kemampuan perencanaan serta pengambilan keputusan.
Alur kerja dimulai ketika pengembang berinteraksi melalui antarmuka pengingat agen. Masukan diproses oleh subsistem persepsi dan diteruskan ke modul pemrosesan dialog, yang bertanggung jawab mengelola logika interaksi. Kemudian, mesin perencanaan strategis merumuskan dan melaksanakan rencana berdasarkan informasi ini, menggunakan strategi tingkat tinggi dan rencana tindakan yang terperinci.
Data dari konteks dunia dan repositori agen memberi tahu proses ini, sementara memori kerja melacak tugas yang mendesak. Sementara itu, prosesor memori jangka panjang menyimpan dan mengambil pengetahuan jangka panjang. Modul pembelajaran menganalisis hasil dan mengintegrasikan pengetahuan baru ke dalam sistem, sehingga perilaku dan interaksi agen dapat terus diperbaiki.
RIG (diciptakan oleh ARC)
Rig adalah sebuah 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 termasuk pengembang yang membangun aplikasi AI/ML menggunakan Rust, diikuti oleh organisasi yang ingin mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka sendiri. Repositori menggunakan arsitektur ruang kerja dengan beberapa peti untuk mendukung skalabilitas dan manajemen proyek yang efisien. Fitur utamanya adalah lapisan abstraksi penyedia, yang menyediakan standarisasi untuk melengkapi dan menyematkan API antara penyedia LLM yang berbeda dengan penanganan kesalahan yang konsisten. Komponen Integrasi Penyimpanan Vektor menyediakan antarmuka abstrak untuk beberapa backend dan mendukung pencarian kesamaan vektor. Sistem agen menyederhanakan interaksi LLM, mendukung Retrieval Enhanced Generation (RAG), dan integrasi alat. Selain itu, kerangka kerja penyematan menyediakan kemampuan pemrosesan batch dan operasi penyematan untuk keamanan tipe.
Rig memanfaatkan berbagai keunggulan teknis untuk memastikan keandalan dan kinerja. Operasi asinkron menggunakan runtime asinkron Rust untuk secara efisien menangani sejumlah besar permintaan bersamaan. Mekanisme penanganan kesalahan yang melekat dalam kerangka kerja ini 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 yang mendetail dan deteksi lebih lanjut membantu dalam debugging dan pemantauan aplikasi.
Alur kerja Rig dimulai ketika klien memulai permintaan, yang berinteraksi dengan model LLM yang sesuai melalui lapisan abstraksi penyedia. Data kemudian diproses oleh lapisan inti, di mana agen dapat menggunakan alat atau akses ke penyimpanan konteks vektor Respons dihasilkan dan disempurnakan melalui alur kerja yang kompleks seperti RAG sebelum dikembalikan ke klien, sebuah proses yang melibatkan pengambilan dokumen dan pemahaman kontekstual. Sistem ini terintegrasi dengan beberapa penyedia LLM dan penyimpanan vektor, membuatnya dapat disesuaikan dengan ketersediaan model atau pembaruan kinerja.
Kasus penggunaan Rig sangat beragam, termasuk sistem tanya jawab yang mencari dokumen terkait 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 terhadap konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung pembuatan konten, mendukung pembuatan teks dan materi lainnya berdasarkan pola pembelajaran, menjadikannya alat serbaguna bagi pengembang dan organisasi.
Zerepy (dikembangkan oleh ZEREPY dan blorm)
ZerePy adalah kerangka kerja sumber terbuka yang ditulis dalam bahasa Python, dirancang untuk menerapkan agen di X dengan memanfaatkan OpenAI atau Anthropic LLM. Versi modular dari backend Zerebro, ZerePy memungkinkan pengembang untuk meluncurkan agen dengan fungsi inti yang mirip dengan Zerebro. Meskipun kerangka ini menyediakan dasar untuk penerapan agen, penyempurnaan model sangat penting untuk menghasilkan keluaran yang kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk penciptaan konten di platform sosial, dan memelihara ekosistem kreatif yang didorong oleh AI yang berfokus pada seni dan aplikasi terdesentralisasi.
Kerangka kerja ini dikembangkan menggunakan Python, menekankan pada otonomi agen, dan fokus pada generasi output yang kreatif, sejalan dengan arsitektur ELIZA dan hubungan kerjanya dengan ELIZA. Desain modularnya mendukung integrasi sistem memori dan memungkinkan penyebaran agen di platform sosial. Fitur utamanya mencakup 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 bidang otomatisasi media sosial, di mana pengguna dapat menerapkan agen kecerdasan buatan untuk memposting, membalas, menyukai, dan membagikan, sehingga meningkatkan keterlibatan di platform. Selain itu, ini juga memenuhi kebutuhan penciptaan konten di bidang musik, meme, dan NFT, menjadikannya alat yang penting bagi seni digital dan platform konten berbasis blockchain.
(2) Perbandingan Empat Kerangka
Menurut kami, setiap kerangka kerja menyediakan pendekatan unik untuk pengembangan kecerdasan buatan, 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 low-code atau no-code 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 khususnya 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 (memory safety). Ia memiliki pemeriksaan waktu kompilasi yang ketat dan abstraksi biaya nol, yang diperlukan untuk menjalankan algoritma AI yang kompleks. Bahasa ini sangat efisien, dan kontrol tingkat rendahnya menjadikannya pilihan yang ideal untuk aplikasi AI yang memerlukan sumber daya intensif. Kerangka kerja ini menyediakan solusi berkinerja tinggi dengan desain modular dan dapat diperluas, menjadikannya pilihan yang ideal untuk aplikasi perusahaan. Namun, bagi pengembang yang tidak akrab dengan Rust, menggunakan Rust tidak terhindarkan dari menghadapi kurva pembelajaran yang curam.
Memanfaatkan Python, ZerePy menawarkan tingkat kegunaan yang tinggi untuk tugas-tugas AI kreatif, dengan kurva belajar yang rendah untuk pengembang Python, terutama bagi mereka yang memiliki latar belakang AI/ML, dan manfaat dari dukungan komunitas yang kuat berkat komunitas kripto Zerebro. ZerePy mengkhususkan diri dalam aplikasi AI kreatif seperti NFT, memposisikan dirinya sebagai alat yang ampuh untuk media digital dan seni. Meskipun berkembang dengan kreativitas, ia memiliki ruang lingkup yang relatif sempit dibandingkan dengan kerangka kerja lainnya.
Dalam hal skalabilitas, ELIZA telah membuat langkah besar dalam pembaruan V2-nya, yang memperkenalkan jalur perpesanan terpadu dan kerangka kerja inti yang dapat diperluas yang mendukung manajemen yang efektif di berbagai platform. Namun, jika tidak dioptimalkan, pengelolaan interaksi multi-platform tersebut dapat menghadirkan tantangan skalabilitas.
GAME menunjukkan kinerja yang luar biasa dalam pemrosesan waktu nyata yang diperlukan untuk permainan, skalabilitas dikelola melalui algoritma efisien dan sistem terdistribusi blockchain 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 di tingkat perusahaan, meskipun ini mungkin berarti bahwa mencapai skalabilitas yang sebenarnya memerlukan pengaturan yang kompleks.
Skalabilitas Zerepy ditujukan untuk keluaran kreatif, didukung oleh kontribusi komunitas, tetapi fokusnya mungkin membatasi penerapannya dalam lingkungan AI yang lebih luas, dan skalabilitas mungkin akan diuji oleh keragaman tugas kreatif daripada jumlah pengguna.
Dalam hal adaptasi, ELIZA unggul dengan sistem plugin dan kompatibilitas lintas platform, sementara GAME dalam lingkungan permainannya dan Rig yang menangani tugas AI yang kompleks juga sangat baik. ZerePy menunjukkan tingkat adaptasi yang tinggi di bidang kreatif, tetapi kurang cocok untuk aplikasi AI yang lebih luas.
Dalam hal kinerja, ELIZA dioptimalkan untuk interaksi media sosial yang cepat, dengan waktu respons yang cepat sebagai kunci, tetapi dalam menangani tugas komputasi yang lebih kompleks, kinerjanya mungkin berbeda.
GAME yang dikembangkan oleh Virtual Protocol berfokus pada interaksi real-time berkinerja tinggi dalam skenario game, memanfaatkan proses pengambilan keputusan yang efisien dan blockchain potensial untuk operasi AI terdesentralisasi.
Kerangka Rig berbasis bahasa Rust, memberikan kinerja yang 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 indikator yang berfokus pada efisiensi dan kualitas pembuatan konten, yang mungkin tidak terlalu umum di luar bidang kreatif.
Keunggulan ELIZA adalah menyediakan fleksibilitas dan skalabilitas, melalui sistem plugin dan konfigurasi perannya yang membuatnya sangat adaptif, yang menguntungkan 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 kerja memiliki batasan sendiri, ELIZA masih berada pada tahap awal, terdapat potensi masalah stabilitas dan kurva belajar bagi pengembang baru, Game yang bersifat niche mungkin akan membatasi aplikasi yang lebih luas, dan blockchain juga menambah kompleksitas, Rig mungkin akan menakut-nakuti sebagian pengembang karena kurva belajar yang curam yang disebabkan oleh Rust, sementara perhatian Zerepy yang terbatas terhadap output kreatif mungkin akan 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 teknis.
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 untuk basis pengembang AI yang lebih luas.
Kasus penggunaan: Cocok untuk otomatisasi media sosial dan tugas agen AI yang lebih sederhana.
Komunitas: Relatif baru, tetapi dengan popularitas Python dan dukungan dari kontributor AI16Z, diharapkan akan tumbuh.
GAME (VIRTUAL):
Fokus: Agen kecerdasan buatan yang mandiri dan adaptif, dapat berevolusi berdasarkan interaksi dalam lingkungan virtual.
Kasus penggunaan: paling cocok untuk pembelajaran dan penyesuaian agen AI dalam skenario, 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):
Dimulai dari basis rendah pada bulan Juli dan kemudian meningkat secara signifikan pada akhir November dengan jumlah star yang mencapai 61.000 bintang, ini menunjukkan minat orang-orang yang cepat meningkat, menarik perhatian para pengembang. Pertumbuhan eksponensial ini menunjukkan bahwa ELIZA telah mendapatkan daya tarik besar karena fungsinya, pembaruan, dan keterlibatan komunitas. Popularitasnya jauh melebihi pesaing lainnya, menunjukkan bahwa ia memiliki dukungan komunitas yang kuat dan memiliki aplikasi atau minat yang lebih luas di komunitas kecerdasan buatan.
RIG（garis biru）：
Rig adalah kerangka kerja tertua di antara empat besar, jumlah bintangnya sedang tetapi terus meningkat, dan kemungkinan akan meningkat secara signifikan dalam sebulan ke depan. Ini telah mencapai 1700 bintang, tetapi masih terus meningkat. Pengembangan yang berkelanjutan, pembaruan, dan jumlah pengguna yang terus meningkat adalah alasan di balik akumulasi minat pengguna yang terus-menerus. Ini mungkin mencerminkan bahwa pengguna kerangka ini adalah kelompok kecil atau masih dalam proses membangun reputasi.
ZEREPY (Garis Kuning):
ZerePy baru saja diluncurkan beberapa hari yang lalu dan telah mengumpulkan 181 bintang. Penting untuk 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, perlu dicatat 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 lebih dari sebulan yang lalu, dengan lebih dari 200 proyek yang sedang dibangun menggunakan GAME.
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 datang dari Eliza adalah registri plugin (Plugin Registry), yang memungkinkan pengembang untuk mendaftarkan dan mengintegrasikan plugin dengan mulus.
Selain itu, Eliza V2 akan mendukung pengiriman pesan anonim lintas platform secara otomatis. Buku putih ekonomi token dijadwalkan untuk dirilis pada 1 Januari 2025, dan diharapkan akan memiliki dampak positif pada token AI16Z yang mendasari kerangka kerja Eliza. AI16Z berencana untuk terus meningkatkan kegunaan kerangka kerja, terus menarik talenta berkualitas tinggi, dan upaya kontributor utamanya telah membuktikan bahwa itu memiliki kemampuan seperti itu.
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 kerangka kerjanya masih dalam tahap awal pertumbuhan dan rencana untuk mendorong adopsi proyek baru berlangsung selama beberapa hari. Tetapi proyek berkualitas tinggi dengan ARC diperkirakan akan segera muncul, mirip dengan Virtual Flywheel, tetapi dengan fokus pada Solana. Tim optimis dengan kemitraan dengan Solana, menyamakan hubungan ARC dengan Solana dengan Virtual to Base. Perlu dicatat bahwa tim tidak hanya mendorong proyek baru untuk memulai dengan Rig, tetapi juga mendorong pengembang untuk meningkatkan kerangka kerja Rig itu sendiri.
Zerpy adalah kerangka kerja yang baru diluncurkan yang mendapatkan daya tarik berkat kemitraannya dengan Eliza. Kerangka kerja ini menarik kontributor Eliza, yang secara aktif mengerjakannya. Didorong oleh penggemar ZEREBRO, ia memiliki pengikut kultus dan membuka peluang baru bagi pengembang Python yang sebelumnya kurang terwakili dalam perlombaan untuk infrastruktur AI. Kerangka kerja ini akan memainkan peran penting dalam kreativitas AI.