Perbandingan empat kerangka Crypto X AI: ELIZA, GAME, ARC, dan ZEREPY

Penulis: Deep Value Memetics, Terjemahan: Jinse Caijing xiaozou

Dalam artikel ini, kita akan membahas prospek kerangka kerja Crypto X AI. Kita akan fokus pada empat kerangka utama saat ini (ELIZA, GAME, ARC, ZEREPY) dan perbedaan teknologinya masing-masing.

1. Pendahuluan

Kami telah melakukan penelitian dan pengujian pada empat kerangka utama Crypto X AI yaitu ELIZA, GAME, ARC, dan ZEREPY selama seminggu terakhir, dan kami meny得出的 kesimpulan sebagai 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), serta semakin banyaknya pengembang yang menggunakannya. Data seperti 193 kontributor, 1800 fork, dan lebih dari 6000 star membuktikan hal ini, menjadikannya salah satu repositori kode paling populer di Github.

Hingga saat ini, perkembangan GAME (pangsa pasar sekitar 20%, nilai pasar sekitar 300 juta USD) sangat baik, sedang mendapatkan adopsi yang cepat, seperti yang baru saja diumumkan oleh VIRTUAL, platform tersebut memiliki lebih dari 200 proyek, 150.000 permintaan harian, dan 200% tingkat pertumbuhan mingguan. 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 berperan sebagai "pure-play" yang mendominasi dalam ekosistem Solana (RUST).

Zerepy (pangsa pasar sekitar 5%, nilai pasar sekitar 300 juta USD) adalah aplikasi yang relatif kecil, yang ditujukan untuk komunitas ZEREBRO yang antusias, dan kolaborasinya yang baru-baru ini dengan komunitas ai16z mungkin akan menghasilkan efek sinergi.

Kami memperhatikan bahwa perhitungan pangsa pasar kami mencakup kapitalisasi pasar, catatan pengembangan, dan pasar terminal sistem operasi yang mendasarinya.

Kami percaya bahwa dalam siklus pasar ini, segmen pasar kerangka akan menjadi bidang dengan pertumbuhan tercepat, dengan total kapitalisasi pasar sebesar 1,7 miliar dolar AS mungkin dengan mudah tumbuh menjadi 20 miliar dolar AS, yang masih relatif konservatif dibandingkan dengan puncak valuasi L1 pada tahun 2021, ketika banyak valuasi L1 mencapai lebih dari 20 miliar dolar AS. Meskipun kerangka-kerangka ini melayani pasar akhir yang berbeda (rantai/ekosistem), mengingat bahwa kami percaya bidang ini sedang dalam tren yang terus meningkat, pendekatan berbasis kapitalisasi pasar mungkin adalah metode yang paling hati-hati.

2、Empat Kerangka

Dalam tabel di bawah ini, kami mencantumkan teknologi kunci, komponen, dan keuntungan dari masing-masing 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 pertama-tama akan memperkenalkan kerangka kerja, memberi tahu semua orang apa itu, bahasa pemrograman, arsitektur teknologi, algoritma yang digunakan, fitur unik yang dimiliki, serta potensi kasus penggunaan yang dapat diterapkan pada kerangka kerja. Kemudian, kita akan membandingkan setiap kerangka kerja dari segi kegunaan, skalabilitas, adaptabilitas, dan kinerja, mengeksplorasi kelebihan dan keterbatasan masing-masing.

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 mampu 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 menggunakan kerangka berkas peran untuk menciptakan agen yang berbeda, dan fungsi manajemen memori yang menyadari konteks dan memori jangka panjang melalui sistem Penguatan Generasi (RAG). Selain itu, kerangka Eliza juga menyediakan integrasi platform yang mulus, memungkinkan koneksi yang andal 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 fungsi saluran suara Discord, fitur X, Telegram, serta akses langsung API untuk kasus penggunaan yang disesuaikan. Di sisi lain, fungsi pemrosesan media kerangka ini dapat diperluas untuk membaca dan menganalisis dokumen PDF, ekstraksi dan rangkuman konten tautan, transkripsi audio, pemrosesan konten video, analisis gambar, dan rangkuman 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-tugas kompleks. Eliza mengadopsi arsitektur modular, memiliki dukungan sistem operasi yang luas, dukungan klien kustom, dan API yang komprehensif, memastikan skalabilitas dan adaptabilitas antara aplikasi.

Kasus penggunaan Eliza mencakup berbagai bidang, seperti: asisten AI untuk dukungan pelanggan, moderasi komunitas, dan tugas pribadi, serta peran media sosial seperti pembuat 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 bentuk interaksi seperti bot peran, mentor pendidikan, dan perwakilan agen.

Arsitektur Eliza dibangun di sekitar waktu berjalan agen (agent runtime), yang terintegrasi secara mulus dengan sistem perannya (didukung oleh penyedia model), pengelola memori (terhubung ke basis data), dan sistem operasi (terhubung ke klien platform). Fitur unik dari kerangka ini termasuk sistem plugin yang mendukung perluasan fungsional modular, mendukung interaksi multimodal seperti suara, teks, dan media, serta kompatibel dengan model AI terkemuka (seperti Llama, GPT-4, dan Claude). Dengan desain yang beragam dan kuat, Eliza menonjol sebagai alat yang kuat untuk mengembangkan aplikasi AI lintas domain.

G.A.M.E (dikembangkan oleh Virtuals Protocol)

Kerangka Entitas Multimodal Otonom Generatif (G.A.M.E) bertujuan untuk menyediakan akses API dan SDK bagi pengembang untuk eksperimen agen AI. Kerangka ini menawarkan pendekatan terstruktur untuk mengelola perilaku, keputusan, dan proses pembelajaran agen AI.

Komponen inti adalah sebagai berikut: Pertama, Antarmuka Pemberian Prompt Agen (Agent Prompting Interface) adalah titik masuk bagi pengembang untuk mengintegrasikan GAME ke dalam agen untuk 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 menjadi format yang sesuai untuk mesin perencanaan strategis (Strategic Planning Engine) yang berfungsi sebagai mekanisme input sensori AI, baik dalam bentuk percakapan maupun reaksi. Intinya adalah modul pemrosesan percakapan, yang digunakan untuk menangani pesan dan respons dari agen, dan bekerja sama dengan subsistem persepsi untuk secara efektif menginterpretasikan dan menanggapi 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, menciptakan strategi luas berdasarkan konteks atau tujuan; sebagai strategi tingkat rendah yang mengubah strategi tersebut menjadi strategi yang dapat ditindaklanjuti, yang selanjutnya dibagi menjadi perencana tindakan untuk tugas yang ditentukan dan pelaksana rencana untuk melaksanakan tugas.

Komponen independen namun penting lainnya adalah World Context (Konteks Dunia), yang mengacu 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 memberikan dasar pembelajaran.

Modul pembelajaran menggunakan data yang berasal dari subsistem persepsi untuk menghasilkan pengetahuan umum, yang kemudian dikembalikan ke 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 merumuskan 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 pelacakan memori kerja menangani tugas-tugas langsung. 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 diperbaiki.

RIG (dikembangkan oleh ARC)

Rig adalah sebuah kerangka kerja Rust sumber terbuka yang bertujuan 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 ini terletak pada komponen intinya, 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 menggunakan Rust untuk membangun aplikasi AI/ML, diikuti oleh organisasi yang mencari untuk mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor ke dalam aplikasi Rust mereka sendiri. Repositori menggunakan arsitektur workspace, dengan beberapa crate, yang mendukung skalabilitas dan manajemen proyek yang efisien. Fitur kunci termasuk lapisan abstraksi penyedia, yang menyediakan standar untuk menyelesaikan dan menyematkan API di antara penyedia LLM yang berbeda, dengan penanganan kesalahan yang konsisten. Komponen Integrasi Penyimpanan Vektor memberikan antarmuka abstrak untuk beberapa backend dan mendukung pencarian kesamaan vektor. Sistem agen menyederhanakan interaksi LLM, mendukung Pengambilan yang Ditingkatkan Generasi (RAG) dan integrasi alat. Selain itu, kerangka penyematan juga menyediakan kemampuan pemrosesan batch dan operasi penyematan yang aman tipe.

Rig memanfaatkan berbagai keunggulan teknologi untuk memastikan keandalan dan kinerja. Operasi asinkron memanfaatkan runtime asinkron Rust untuk menangani banyak permintaan bersamaan secara efisien. Mekanisme penanganan kesalahan yang melekat dalam framework meningkatkan kemampuan pemulihan dari kegagalan penyedia AI atau operasi basis data. Keamanan tipe dapat mencegah kesalahan selama proses kompilasi, sehingga meningkatkan pemeliharaan kode. Proses serialisasi dan deserialisasi yang efisien mendukung pengolahan data dalam format seperti JSON, yang sangat penting untuk komunikasi dan penyimpanan layanan AI. Pencatatan dan deteksi yang mendetail lebih lanjut membantu dalam debugging dan pemantauan aplikasi.

Alur kerja Rig dimulai saat klien mengajukan permintaan, yang berinteraksi dengan model LLM yang tepat melalui lapisan abstraksi penyedia. Kemudian, data 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 yang melibatkan pengambilan dokumen dan pemahaman konteks. Sistem ini mengintegrasikan beberapa penyedia LLM dan penyimpanan vektor, sehingga adaptif terhadap ketersediaan atau pembaruan kinerja model.

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 sadar konteks untuk layanan pelanggan atau pendidikan. Ini juga mendukung pembuatan konten, mendukung pembuatan teks dan materi lainnya berdasarkan mode pembelajaran, menjadikannya alat serbaguna bagi pengembang dan organisasi.

Zerepy (dari ZEREPY dan blorm)

ZerePy adalah kerangka kerja open-source yang ditulis dalam bahasa Python, dirancang untuk menggunakan OpenAI atau LLM Anthropic untuk menerapkan agen di X. Sebuah versi modular yang berasal 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 output kreatif. ZerePy menyederhanakan pengembangan dan penerapan agen AI yang dipersonalisasi, terutama untuk penciptaan konten di platform sosial, dan memupuk ekosistem kreatif yang didorong oleh AI yang berorientasi pada seni dan aplikasi terdesentralisasi.

Framework ini dikembangkan menggunakan Python, menekankan pada otonomi agen, dan fokus pada generasi keluaran kreatif, selaras dengan arsitektur ELIZA dan hubungannya dengan ELIZA. Desain modularnya mendukung integrasi sistem memori dan mendukung 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 bidang otomatisasi media sosial, di mana pengguna dapat menerapkan agen kecerdasan buatan untuk melakukan posting, balasan, suka, dan berbagi, sehingga meningkatkan keterlibatan di platform. Selain itu, ia juga memenuhi kebutuhan penciptaan konten di bidang musik, meme, dan NFT, menjadikannya alat penting untuk seni digital dan platform konten berbasis blockchain.

(2) Perbandingan Empat Kerangka

Menurut kami, setiap kerangka kerja memberikan pendekatan unik untuk pengembangan kecerdasan buatan, sesuai dengan kebutuhan dan lingkungan tertentu, kami memindahkan fokus dari hubungan kompetisi antara kerangka kerja ini ke keunikan masing-masing kerangka.

ELIZA menonjol dengan antarmuka yang ramah pengguna, terutama bagi pengembang yang familiar dengan lingkungan JavaScript dan Node.js. Dokumentasi komprehensifnya membantu dalam pengaturan agen kecerdasan buatan di berbagai platform, meskipun kumpulan fungsinya yang luas mungkin membawa kurva pembelajaran tertentu. Dikembangkan menggunakan TypeScript, Eliza menjadi pilihan ideal untuk membangun agen yang disematkan dalam web, karena sebagian besar infrastruktur web memiliki frontend yang dikembangkan dengan TypeScript. Kerangka kerja ini dikenal dengan arsitektur multi-agen, yang memungkinkan penyebaran berbagai kepribadian kecerdasan buatan di platform seperti Discord, X, dan Telegram. Sistem manajemen memori RAG yang canggih membuatnya sangat efektif sebagai asisten kecerdasan buatan dalam aplikasi dukungan pelanggan atau media sosial. Meskipun menawarkan fleksibilitas, dukungan komunitas yang kuat, dan kinerja lintas platform yang konsisten, ia masih berada di tahap awal dan mungkin menghadirkan kurva pembelajaran bagi pengembang.

GAME dirancang khusus untuk pengembang game, menyediakan antarmuka low-code atau no-code melalui API, sehingga pengguna dengan tingkat keterampilan teknis yang lebih rendah di bidang game juga dapat menggunakannya. Namun, ini 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 segmen pasarnya dan integrasi blockchain.

Karena menggunakan bahasa Rust, mengingat kompleksitas bahasa tersebut, Rig mungkin tidak terlalu ramah, yang membawa tantangan pembelajaran 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). Ini 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 ideal untuk aplikasi AI yang memerlukan sumber daya intensif. Kerangka kerja ini menawarkan solusi berkinerja tinggi dengan desain modular dan skalabel, menjadikannya pilihan ideal untuk aplikasi perusahaan. Namun, bagi pengembang yang tidak familiar dengan Rust, menggunakan Rust tidak dapat dihindari harus menghadapi kurva pembelajaran 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 juga mendapatkan manfaat dari dukungan komunitas yang kuat berkat komunitas kripto Zerebro. ZerePy unggul dalam aplikasi kecerdasan buatan 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, dengan memperkenalkan jalur pesan yang terintegrasi dan kerangka inti yang dapat diskalakan, mendukung manajemen yang efektif di berbagai platform. Namun, jika tidak dioptimalkan, manajemen interaksi multi-platform ini dapat menimbulkan tantangan dalam hal skalabilitas.

GAME menunjukkan kinerja yang luar biasa dalam pemrosesan waktu nyata yang diperlukan untuk permainan, dan skalabilitas dikelola melalui algoritma yang efisien dan sistem terdistribusi 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 penyebaran tingkat perusahaan, meskipun ini mungkin berarti implementasi skalabilitas yang sebenarnya memerlukan pengaturan yang kompleks.

Skalabilitas Zerepy ditujukan untuk keluaran kreatif, didukung oleh kontribusi komunitas, tetapi fokusnya mungkin membatasi penerapannya dalam lingkungan kecerdasan buatan yang lebih luas, dan skalabilitas mungkin akan diuji oleh keberagaman tugas kreatif daripada jumlah pengguna.

Dalam hal adaptabilitas, ELIZA unggul dengan sistem plugin dan kompatibilitas lintas platformnya, 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 media sosial yang cepat, waktu respons yang cepat adalah kunci, tetapi kinerjanya mungkin berbeda saat menangani tugas komputasi yang lebih kompleks.

GAME yang dikembangkan oleh Virtual Protocol berfokus pada interaksi real-time berkinerja tinggi dalam skenario permainan, memanfaatkan proses pengambilan keputusan yang efisien dan potensi blockchain untuk operasi kecerdasan buatan 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 kurang umum di luar bidang kreatif.

Keunggulan ELIZA adalah memberikan fleksibilitas dan skalabilitas, melalui sistem plugin dan konfigurasi perannya 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 kecerdasan buatan seni digital, dan didukung oleh model pengembangan yang didorong oleh komunitas yang dinamis.

Setiap kerangka memiliki batasan tersendiri, ELIZA masih berada pada tahap awal, terdapat masalah stabilitas potensial dan kurva pembelajaran bagi pengembang baru, Game yang niche mungkin membatasi aplikasi yang lebih luas, dan blockchain juga menambah kompleksitas, Rig mungkin akan membuat sebagian pengembang mundur karena kurva pembelajaran yang curam akibat Rust, sementara perhatian Zerepy yang terbatas pada keluaran 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 teknis.

Eliza (AI16Z)：

Bahasa: TypeScript, menekankan fleksibilitas web3 dan partisipasi 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, agar 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 diharapkan berkembang karena popularitas Python dan dukungan dari kontributor AI16Z.

PERMAINAN (VIRTUAL):

Fokus: Agen kecerdasan buatan yang mandiri dan adaptif, yang dapat berevolusi berdasarkan interaksi di 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 kompetisi.

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 dan kemudian meningkat secara signifikan pada akhir November dengan jumlah star yang mencapai 61.000, ini menunjukkan bahwa minat orang meningkat dengan cepat, menarik perhatian para pengembang. Pertumbuhan eksponensial ini menunjukkan bahwa ELIZA telah mendapatkan daya tarik yang besar karena fungsinya, pembaruan, dan keterlibatan komunitas. Popularitasnya jauh melebihi kompetitor 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 yang paling tua di antara empat kerangka besar, jumlah star-nya moderat tetapi terus meningkat, dan kemungkinan akan meningkat secara signifikan dalam sebulan ke depan. Saat ini telah mencapai 1700 bintang, tetapi masih terus naik. Pengembangan yang berkelanjutan, pembaruan, dan jumlah pengguna yang terus meningkat adalah alasan minat pengguna yang terus terakumulasi. Ini mungkin mencerminkan bahwa pengguna kerangka ini 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. Kerja sama dengan AI16Z mungkin akan menarik lebih banyak kontributor kode.

GAME（绿线）：

Jumlah bintang proyek ini paling sedikit, yang perlu dicatat adalah bahwa kerangka ini dapat diterapkan secara 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 menggunakan GAME untuk dibangun.

4. Alasan Bullish untuk Kerangka

Versi V2 Eliza akan mengintegrasikan paket proxy Coinbase. Semua proyek yang menggunakan Eliza di masa depan akan mendukung TEE asli, sehingga proxy dapat beroperasi di lingkungan yang aman. Salah satu fitur yang akan segera 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 otomatis lintas platform. Buku putih ekonomi token dijadwalkan dirilis pada 1 Januari 2025, yang diharapkan akan berdampak positif pada token AI16Z yang mendasari kerangka Eliza. AI16Z berencana untuk terus meningkatkan utilitas kerangka tersebut dan terus menarik talenta berkualitas tinggi, upaya kontributor utamanya telah membuktikan bahwa ia memiliki kemampuan seperti itu.

Kerangka GAME menyediakan integrasi tanpa kode untuk agen, memungkinkan penggunaan GAME dan ELIZA secara bersamaan dalam satu proyek, masing-masing melayani tujuan tertentu. Pendekatan ini diharapkan dapat menarik pembangun yang lebih fokus pada logika bisnis daripada kompleksitas teknis. Meskipun kerangka ini baru dirilis secara publik selama lebih dari 30 hari, ia telah mencapai kemajuan substansial dengan upaya tim untuk menarik lebih banyak dukungan dari kontributor. Diharapkan semua proyek yang diluncurkan di VIRTUAL akan menggunakan GAME.

Rig yang diwakili oleh token ARC memiliki potensi besar, meskipun kerangkanya masih berada pada tahap pertumbuhan awal dan rencana untuk mendorong adopsi proyek 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 memiliki pandangan optimis tentang kemitraan dengan Solana, membandingkan hubungan ARC dengan Solana seperti hubungan Virtual dengan Base. Perlu dicatat bahwa tim tidak hanya mendorong proyek baru untuk menggunakan Rig sebagai peluncuran, tetapi juga mendorong pengembang untuk memperkuat kerangka Rig itu sendiri.

Zerepy adalah sebuah kerangka kerja yang baru diluncurkan, dan karena hubungan kerjasamanya dengan Eliza, ia mendapatkan perhatian yang semakin meningkat. Kerangka kerja ini menarik para kontributor Eliza, yang secara aktif memperbaikinya. Didukung oleh penggemar ZEREBRO, ia memiliki sekelompok pengikut yang fanatik dan memberikan peluang baru bagi pengembang Python, yang sebelumnya kurang terwakili dalam persaingan infrastruktur kecerdasan buatan. Kerangka kerja ini akan memainkan peran penting dalam kreativitas AI.