原文：Deep Value Memetics；译者：Azuma；编辑：郝方舟
出品
|
Odaily星球日报（ID：o-daily）
要点概述
在这份报告中，我们讨论了 Crypto & AI 领域内几大主流框架的发展格局。
我们将审视当前的四大主流框架 —— Eliza（AI16Z）、G.A.M.E（GAME）、Rig（ARC）、ZerePy（ZEREBRO），剖析其技术差异及发展潜力。
在过去一周里，我们对以上四大框架进行了分析与测试，结论概述如下。
-
我们认为 Eliza （市占率约 60% ，原作者撰文时市值约 9 亿美元，截至发文市值约 14 亿美元）将继续主导市场份额。
Eliza 的价值在于它的先发优势以及开发者的加速采用，Github 上的 193 位贡献者、 1800 分叉和 6000 多颗星证明了这一点，并使其成为了 Github 上最受欢迎的软件库之一。
-
G.A.M.E（市占率约 20% ，原作者撰文时市值约 3 亿美元，截至发文市值约 2.57 亿美元）到目前为止的发展非常顺利，
且也正在经历快速采用，正如 Virtuals Protocol 早前发布的公告那样，基于 G.A.M.E 构建的项目已有 200 多个，日常请求次数超 15 万，周增长率超 200% 。G.A.M.E 将继续受益于 VIRTUAL 的爆发，并有可能成为该生态系统中最大的赢家之一。
-
Rig（市占率约 15% ，原作者撰文时市值约 1.6 亿美元，截至发文市值约 2.79 亿美元）的模块化设计非常引人注目且易于操作，
有望作为在 Solana 生态系统（RUST）中占据主导地位。
-
Zerepy（市占率约 5% ，原作者撰文时市值约 3 亿美元，截至发文市值约 4.24 亿美元）是一个更小众的应用，特定于一个狂热的 ZEREBRO 社区，
它最近与 ai16z 社区的合作可能会产生一定的协同效应。
在上述统计中，“市占率”在计算方式综合考虑了市值、开发记录以及基础操作系统终端市场的广度。
我们相信 AI 框架将成为本周期中增长最快的板块，当前大约 17 亿美元的板块总市值将很容易增长至 200 亿美元，
与 2021 年高峰时的 Layer 1 估值相比，这个数字可能依旧比较保守 —— 当时许多单一项目的估值都达到了 200 亿美元以上。虽然上述框架服务于不同的终端市场（链/生态系统），但鉴于我们认为这个板块将整体增长，采用市值加权的方法可能相对最为谨慎。
四大框架
在 AI 和 Crypto 的交汇处，已出现了几个旨在加速 AI 开发的框架，它们包括 Eliza（AI16Z）、G.A.M.E（GAME）、Rig（ARC）、ZerePy（ZEREBRO）。从开源社区项目到注重性能的企业解决方案，每个框架都迎合了代理开发的不同需求和理念。
在下边这张表中，我们列出了每个框架的关键技术、组件和优势。
这份报告将首先聚焦这些框架是什么，它们所使用的编程语言、技术架构、算法以及具有潜在用例的独特功能。然后我们将根据易用性、可扩展性、适应性和性能来比较每个框架，同时讨论它们的优势和局限性。
Eliza 是一个由 ai16z 开发的开源多代理模拟框架，旨在创建、部署和管理自主 AI 代理。它以 TypeScript 作为编程语言开发，为构建智能代理提供了一个灵活、可扩展的平台，这些代理能够在多个平台上与人类互动，同时保持一致的个性和知识。
该框架的核心功能包括：支持同时部署和管理多个独特 AI 个性的多代理架构；使用角色文件框架创建多样化代理的角色系统；通过先进的检索增强生成系统（RAG）提供长期记忆和可感知上下文的记忆管理功能。此外，Eliza 框架还提供流畅的平台集成，可与 Discord、X 和其他社交媒体平台实现可靠连接。
在 AI 代理的通信和媒体功能方面，Eliza 是一个极佳的选择。在通信方面，该框架支持与 Discord 的语音频道功能、X 功能、Telegram 以及用于定制用例的直接 API 访问进行集成。另一方面，该框架的媒体处理功能已扩展至 PDF 文档阅读和分析、链接内容提取和摘要、音频转录、视频内容处理、图像分析和对话摘要，可有效处理各种媒体输入和输出。
Eliza 提供了灵活的 AI 模型支持，可通过使用开源模型进行本地推理，通过 OpenAI 以及 Nous Hermes Llama 3.1 B 等默认配置进行基于云的推理，且支持集成 Claude 以处理复杂查询。Eliza 采用了模块化架构，拥有广泛的动作系统、自定义客户端支持和全面的 API，确保了跨应用的可扩展性和适应性。
Eliza 的用例覆盖了多个领域，比如与客户支持、社区管理、个人任务相关的 AI 助手；再比如自动内容创建者、品牌代表等社交媒体角色；它还可作为知识工作者，扮演研究助理、内容分析师和文档处理员等角色；以及角色扮演机器人、教育导师和娱乐代理等形式的互动角色。
Eliza 的架构围绕着一个代理运行时（agent runtime）构建，该运行时可与角色系统（由模型提供商支持）、记忆管理器（连接到数据库）和动作系统（与平台客户端链接）无缝集成。该框架的独特功能包括允许模块化功能扩展的插件系统，支持语音、文本和媒体等多模态交互，以及与 Llama、GPT-4 和 Claude 等领先 AI 模型的兼容性。凭借其多功能和强大的设计，Eliza 成为跨领域开发 AI 应用的强大工具。
G.A.M.E 由 Virtuals 官方团队开发，全称为“生成式自主多模态实体框架（The Generative Autonomous Multimodal Entities Framework）”，该框架旨在为开发者提供应用程序接口（API）和软件开发工具包（SDK），以便他们使用 AI 代理进行实验。该框架提供了一种管理 AI 代理行为、决策和学习过程的结构化方法。
-
G.A.M.E 的核心组件如下首先，“代理提示界面”（Agent Prompting Interface）是开发者将 G.A.M.E 集成到代理中以获取代理行为的入口。
-
“感知子系统”则通过指定会话 ID、代理 ID、用户和其他相关细节等参数来启动会话。它将传入的消息合成为适合“战略规划引擎”的格式，充当 AI 代理的感觉输入机制，无论是以对话还是反应的形式。这里的核心是“对话处理模块”，负责处理来自代理的消息和响应，并与“感知子系统”协作，有效解释和响应输入。
-
“战略规划引擎”与“对话处理模块”和“链上钱包操作员”协同工作，生成响应和计划。该引擎在两个层面上运作：作为高级规划器，根据上下文或目标创建广泛的策略；作为低级策略，将这些策略转化为可执行的政策，进一步细分为动作规划器（用于指定任务）和计划执行器（用于执行任务）。
-
一个单独但关键的组件是“世界上下文”，它引用环境、世界信息和游戏状态，为代理的决策提供必要的上下文。此外，“代理库”用于存储长期属性，如目标、反思、经验和个性，这些共同塑造了代理的行为和决策过程。该框架使用了“短期工作记忆”和“长期记忆处理器” —— 短期记忆保留有关先前行动、结果和当前计划的相关信息；相比之下，长期记忆处理器根据重要性、最近性和相关性等标准提取关键信息。这种记忆存储了有关代理的经验、反思、动态个性、世界上下文和工作记忆的知识，以增强决策并为学习提供基础。
-
为了增加布局，“学习模块”从“感知子系统”获取数据以生成通用知识，这些知识被反馈到系统中以优化未来的交互。开发者可以通过界面输入对行动、游戏状态和感官数据的反馈，以增强 AI 代理的学习并提高其规划和决策能力。
工作流程从开发者通过代理提示界面进行交互开始；“感知子系统”处理输入并将其转发给“对话处理模块”，该模块管理交互逻辑；然后，“战略规划引擎”根据这些信息，利用高级战略和详细的行动规划来制定和执行计划。
来自“世界上下文”和“代理库”的数据为这些过程提供信息，而工作记忆跟踪即时任务。同时，“长期记忆处理器”随时间存储和检索知识。“学习模块”分析结果并将新知识整合到系统中，使代理的行为和交互持续改进。
Rig 是一个基于 Rust 的开源框架，旨在简化大型语言模型（LLM）应用的开发。它提供了一个统一的接口，用于与多个 LLM 提供商（如 OpenAI 和 Anthropic）进行交互，并支持各种向量存储，包括 MongoDB 和 Neo 4 j。该框架的模块化架构具有“提供商抽象层”、“向量存储集成”和“代理系统”等核心组件，可促进 LLM 的无缝交互。
Rig 的主要受众包括使用 Rust 构建 AI/ML 应用的开发者，次要受众包括寻求将多个 LLM 提供商和向量存储集成到其 Rust 应用中的组织。资源库使用基于工作区的结构组织，包含多个 crates，实现了可扩展性和高效的项目管理。Rig 主要功能包括“提供商抽象层”（Provider Abstraction Layer），该层通过一致的错误处理，将用于完成和嵌入 LLM 提供商的 API 标准化；“向量存储集成”组件为多个后端提供了一个抽象接口，并支持向量相似性搜索；“代理系统”简化了 LLM 交互，支持检索增强生成（RAG）和工具集成。此外，嵌入框架提供了批处理能力和类型安全的嵌入操作。
Rig 利用多项技术优势确保可靠性和性能。异步操作利用 Rust 的异步运行时来高效处理大量并发请求；该框架固有的错误处理机制提高了对人工智能提供商或数据库操作故障的恢复能力；类型安全可防止编译时出错，从而提高代码的可维护性；高效的序列化和反序列化流程有助于处理 JSON 等格式的数据，这对人工智能服务的通信和存储至关重要；详细的日志记录和仪表进一步帮助调试和监控应用程序。
Rig 中的工作流程始于客户端发起请求，请求流经“提供商抽象层”，与相应的 LLM 模型交互；然后，数据由核心层处理，代理可在核心层使用工具或访问向量存储以获取上下文；通过 RAG 等复杂的工作流程生成和完善响应，其中包括文档检索和上下文理解，然后再返回给客户端。该系统集成了多个 LLM 提供商和向量存储，可适应模型可用性或性能变化。
Rig 的用例多种多样，包括检索相关文档以提供准确回复的问题解答系统、用于高效内容发现的文档搜索和检索，以及为客户服务或教育提供上下文感知交互的聊天机器人或虚拟助理。它还支持内容生成，能够根据学习到的模式创建文本和其他材料，是开发人员和组织机构的多功能工具。
ZerePy 是一个用 Python 编写的开源框架，旨在利用 OpenAI 或 Anthropic LLM 在 X 上部署代理。ZerePy 源自模块化版本的 Zerebro 后端，允许开发者使用与 Zerebro 核心功能类似的功能启动代理。虽然该框架为代理的部署提供了基础，但为了产生创造性的产出，必须对模型进行微调。ZerePy 简化了个性化 AI 代理的开发和部署，尤其适用于社交平台上的内容创作，促进了以艺术和去中心化应用为目标的 AI 创意生态系统。
