การเปรียบเทียบสี่กรอบ Crypto X AI ได้แก่ ELIZA, GAME, ARC และ ZEREPY

ผู้แต่ง: Deep Value Memetics แปลโดย Golden Finance xiaozou

ในเอกสารนี้เราจะสำรวจอนาคตของกรอบงาน Crypto X AI เราจะมองไปที่กรอบงานหลักสี่แห่งในปัจจุบัน (ELIZA, GAME, ARC, ZEREPY) และความแตกต่างทางเทคโนโลยีของแต่ละกรอบงาน

1、บทนำ

เราได้ศึกษาและทดสอบกรอบ Crypto X AI หลักสี่ตัว ได้แก่ ELIZA, GAME, ARC, ZEREPY ในช่วงสัปดาห์ที่ผ่านมา และเราสรุปผลได้ดังนี้

เรามั่นใจว่า AI16Z จะยังคงเป็นผู้นำอยู่ Eliza มีค่า (ส่วนแบ่งตลาดประมาณ 60% มูลค่าตลาดเกิน 1 พันล้านดอลลาร์) อยู่ที่ข้อได้เปรียบที่ได้มาแต่แรก (Lindy Effect) และการที่มีนักพัฒนาจำนวนมากขึ้นเรื่อย ๆ ที่ใช้ โดยข้อมูลอย่างเช่น ผู้ร่วมสนับสนุน 193 คน, การแยกย่อย 1800 ครั้ง และดาวมากกว่า 6000 ดวง ยืนยันสิ่งนี้ ทำให้มันเป็นหนึ่งในคลังรหัสที่ได้รับความนิยมมากที่สุดบน Github.

จนถึงตอนนี้เกม (ส่วนแบ่งการตลาดประมาณ 20% มูลค่าตลาดประมาณ 300 ล้านดอลลาร์) กําลังเติบโตเป็นอย่างดีและได้รับการยอมรับอย่างรวดเร็วตามที่เพิ่งประกาศโดย VIRTUAL แพลตฟอร์มนี้มีโครงการมากกว่า 200 โครงการคําขอรายวัน 150,000 รายการและอัตราการเติบโตรายสัปดาห์ 200% เกมจะยังคงได้รับประโยชน์จากการเพิ่มขึ้นของเสมือนจริงและจะเป็นหนึ่งในผู้ชนะที่ยิ่งใหญ่ที่สุดในระบบนิเวศ

Rig（ARC，占ตลาดประมาณ 15%、มูลค่าตลาดประมาณ 1.6 พันล้านดอลลาร์สหรัฐ）น่าสนใจมาก เนื่องจากการออกแบบแบบโมดูลาร์ที่ใช้งานง่ายและสามารถทำหน้าที่เป็น “pure-play” ในระบบนิเวศของ Solana (RUST) ได้อย่างโดดเด่น.

Zerepy (ส่วนแบ่งการตลาดประมาณ 5% มูลค่าตลาดประมาณ 300 ล้านดอลลาร์) เป็นแอปพลิเคชันที่ค่อนข้างเฉพาะกลุ่ม ซึ่งมุ่งเน้นไปที่ชุมชน ZEREBRO ที่กระตือรือร้น การร่วมมือกับชุมชน ai16z ในช่วงหลังอาจสร้างผล synergies ได้.

เราสังเกตเห็นว่าการคำนวณส่วนแบ่งการตลาดของเราได้ครอบคลุมมูลค่าตลาด บันทึกการพัฒนา และตลาดระบบปฏิบัติการพื้นฐาน

เราคิดว่าตลาดเฉพาะกรอบในวัฏจักรตลาดนี้จะเป็นสาขาที่เติบโตเร็วที่สุด มูลค่าตลาดรวม 1.7 พันล้านดอลลาร์อาจเติบโตได้ง่ายถึง 20 พันล้านดอลลาร์ ซึ่งยังคงถือว่าค่อนข้างอนุรักษ์นิยมเมื่อเปรียบเทียบกับมูลค่าสูงสุดของ L1 ในปี 2021 ซึ่งหลาย L1 มีมูลค่ามากกว่า 20 พันล้านดอลลาร์ แม้ว่าเฟรมเวิร์กเหล่านี้จะให้บริการตลาดปลายทางที่แตกต่างกัน (เชน/ระบบนิเวศ) แต่เนื่องจากเราเชื่อว่าด้านนี้กำลังอยู่ในแนวโน้มที่เพิ่มขึ้น วิธีการถ่วงน้ำหนักตามมูลค่าตลาดอาจเป็นวิธีที่ระมัดระวังที่สุด.

2、สี่กรอบหลัก

ในตารางด้านล่างนี้ เราได้รวบรวมเทคโนโลยีหลัก ส่วนประกอบ และข้อดีของแต่ละกรอบงานหลักไว้แล้ว

! 9QWj2COuwGQYXBstk6MThoHfphrEq4UXz95DfgzC.png

（1）ภาพรวมของกรอบงาน

ในพื้นที่ตัดกันของ AI X Crypto มีหลายกรอบงานที่ส่งเสริมการพัฒนา AI ซึ่งได้แก่ ELIZA ของ AI16Z, RIG ของ ARC, ZEREBRO ของ ZEREPY, และ VIRTUAL ของ GAME กรอบงานแต่ละตัวตอบสนองต่อความต้องการและแนวคิดที่แตกต่างกันในกระบวนการพัฒนาเอเจนต์ AI ตั้งแต่โครงการในชุมชนโอเพนซอร์สไปจนถึงโซลูชันระดับองค์กรที่เน้นด้านประสิทธิภาพ

บทความนี้จะเริ่มต้นด้วยการแนะนำกรอบการทำงาน บอกทุกคนว่ามันคืออะไร ใช้ภาษาโปรแกรมอะไร โครงสร้างทางเทคนิค อัลกอริธึม มีฟังก์ชันเฉพาะอะไรบ้าง และกรอบการทำงานสามารถใช้งานในกรณีใดได้บ้าง จากนั้นเราจะเปรียบเทียบแต่ละกรอบการทำงานในด้านความสามารถในการใช้งาน ความสามารถในการขยาย ข้อปรับตัว และประสิทธิภาพ สำรวจข้อดีและข้อจำกัดของแต่ละกรอบการทำงาน

ELIZA (พัฒนาโดย ai16z)

Elizaเป็นเฟรมเวิร์กโอเพ่นซอร์สสำหรับการจำลองหลายตัวแทน ซึ่งออกแบบมาเพื่อสร้าง ปรับใช้ และจัดการตัวแทน AI อิสระ มันพัฒนาด้วยภาษาโปรแกรม TypeScript โดยให้แพลตฟอร์มที่ยืดหยุ่นและขยายได้สำหรับการสร้างตัวแทนที่ชาญฉลาด ซึ่งสามารถมีปฏิสัมพันธ์กับมนุษย์ในหลายแพลตฟอร์ม และรักษาเอกลักษณ์และความรู้ที่สอดคล้องกัน

ฟีเจอร์หลักของกรอบงานนี้ประกอบด้วยสถาปัตยกรรมหลายตัวแทนที่รองรับการปรับใช้และจัดการบุคลิกภาพ AI ที่เป็นเอกลักษณ์หลายตัวพร้อมกัน รวมถึงระบบบทบาทที่สร้างตัวแทนต่าง ๆ โดยใช้กรอบไฟล์บทบาท และฟังก์ชันการจัดการหน่วยความจำที่มีการรับรู้บริบทและหน่วยความจำระยะยาวที่นำเสนอโดยระบบการสร้างที่เสริมด้วยการค้นหาขั้นสูง (RAG) นอกจากนี้กรอบ Eliza ยังให้การรวมแพลตฟอร์มที่ราบรื่นเพื่อเชื่อมต่อที่เชื่อถือได้กับ Discord, X และแพลตฟอร์มโซเชียลมีเดียอื่น ๆ

จากมุมมองของฟังก์ชันการสื่อสารและสื่อของ AI ตัวแทน Eliza เป็นตัวเลือกที่ยอดเยี่ยม ในด้านการสื่อสาร แพลตฟอร์มนี้รองรับการผสานรวมกับฟังก์ชันช่องเสียงของ Discord, ฟังก์ชัน X, Telegram และการเข้าถึง API โดยตรงสำหรับกรณีการใช้งานที่กำหนดเอง ในทางกลับกัน ฟังก์ชันการประมวลผลสื่อของแพลตฟอร์มสามารถขยายไปยังการอ่านและวิเคราะห์เอกสาร PDF, การดึงและสรุปเนื้อหาลิงก์, การถอดเสียง, การประมวลผลเนื้อหาวิดีโอ, การวิเคราะห์ภาพ, และการสรุปการสนทนา ซึ่งสามารถจัดการกับการป้อนและส่งออกสื่อในรูปแบบต่างๆ ได้อย่างมีประสิทธิภาพ

กรอบ Eliza ให้การสนับสนุนโมเดล AI ที่ยืดหยุ่นผ่านการอนุมานในท้องถิ่นของโมเดลโอเพนซอร์ส การอนุมานจากคลาวด์ของ OpenAI และการกำหนดค่าที่ตั้งค่าเริ่มต้น (เช่น Nous Hermes Llama 3.1B) และรวมการสนับสนุนสำหรับ Claude ในการจัดการงานที่ซับซ้อน Eliza ใช้สถาปัตยกรรมแบบโมดูลาร์ มีการสนับสนุนระบบปฏิบัติการที่หลากหลาย การสนับสนุนไคลเอนต์ที่กำหนดเอง และ API ที่ครอบคลุม เพื่อให้แน่ใจว่ามีความสามารถในการปรับขยายและปรับตัวระหว่างแอปพลิเคชันต่างๆ

กรณีการใช้งานของ Eliza ข้ามหลายสาขา เช่น: ผู้ช่วย AI สำหรับการสนับสนุนลูกค้า การตรวจสอบชุมชน และงานส่วนตัว รวมถึงผู้สร้างเนื้อหา หุ่นยนต์โต้ตอบ และตัวแทนแบรนด์ในบทบาทสื่อสังคม มันยังสามารถทำหน้าที่เป็นผู้ทำงานความรู้ รับบทเป็นผู้ช่วยวิจัย นักวิเคราะห์เนื้อหา และผู้ประมวลเอกสาร และสนับสนุนบทบาทโต้ตอบในรูปแบบต่างๆ เช่น หุ่นยนต์บทบาทการเล่น ผู้สอนการศึกษา และตัวแทนการขาย.

สถาปัตยกรรมของ Eliza สร้างขึ้นรอบ ๆ ตัวรันไทม์ของเอเจนต์ (agent runtime) ซึ่งรวมเข้ากับระบบบทบาท (supported by model providers) ตัวจัดการหน่วยความจำ (เชื่อมต่อกับฐานข้อมูล) และระบบปฏิบัติการ (เชื่อมต่อกับไคลเอนต์แพลตฟอร์ม) อย่างไร้รอยต่อ ฟีเจอร์เฉพาะของกรอบงานนี้รวมถึงระบบปลั๊กอินที่รองรับการขยายฟังก์ชันแบบโมดูลาร์ รองรับการโต้ตอบแบบหลายโหมด เช่น เสียง ข้อความ และสื่อ รวมถึงเข้ากันได้กับโมเดล AI ชั้นนำ (เช่น Llama, GPT-4 และ Claude) ด้วยการออกแบบที่หลากหลายและทรงพลัง Eliza จึงโดดเด่นในฐานะเครื่องมือที่ทรงพลังสำหรับการพัฒนาแอปพลิเคชัน AI ข้ามสาขา.

G.A.M.E (พัฒนาโดย Virtuals Protocol)

กรอบหน่วยงานหลายโหมดแบบสร้างสรรค์อัตโนมัติ (G.A.M.E) มีเป้าหมายเพื่อให้การเข้าถึง API และ SDK แก่นักพัฒนาสำหรับการทดลองตัวแทน AI กรอบนี้มีวิธีการที่มีโครงสร้างในการจัดการพฤติกรรม การตัดสินใจ และกระบวนการเรียนรู้ของตัวแทน AI

ส่วนประกอบหลักมีดังนี้: ก่อนอื่น อินเทอร์เฟซการกระตุ้นตัวแทน (Agent Prompting Interface) เป็นจุดเข้าสำหรับนักพัฒนาที่จะรวม GAME เข้ากับตัวแทนเพื่อเข้าถึงพฤติกรรมของตัวแทน ระบบการรับรู้ (Perception Subsystem) เริ่มเซสชันโดยการกำหนด ID เซสชัน, ID ตัวแทน, ผู้ใช้ และพารามิเตอร์ที่เกี่ยวข้องอื่น ๆ.

มันจะรวบรวมข้อมูลที่เข้ามาเป็นรูปแบบที่เหมาะสมสำหรับกลไกการวางแผนกลยุทธ์ (Strategic Planning Engine) ทำหน้าที่เป็นกลไกป้อนข้อมูลที่รู้สึกถึง AI ตัวแทน ไม่ว่าจะเป็นในรูปแบบของการสนทนาหรือการตอบสนอง แกนหลักคือโมดูลการจัดการการสนทนา ซึ่งใช้ในการจัดการข้อความและการตอบสนองจากตัวแทน และทำงานร่วมกับระบบการรับรู้เพื่ออธิบายและตอบสนองต่อข้อมูลอย่างมีประสิทธิภาพ.

เครื่องมือการวางแผนเชิงกลยุทธ์ทํางานร่วมกับโมดูลการประมวลผลการสนทนาและผู้ให้บริการกระเป๋าเงินแบบ on-chain เพื่อสร้างการตอบสนองและแผน เครื่องยนต์ทํางานในสองระดับ: ในฐานะนักวางแผนระดับสูงเพื่อสร้างกลยุทธ์ในวงกว้างตามบริบทหรือเป้าหมาย นโยบายเหล่านี้จะถูกแปลงเป็นนโยบายที่นําไปปฏิบัติได้เป็นนโยบายระดับต่ําซึ่งแบ่งออกเป็นตัววางแผนการดําเนินการสําหรับงานที่ระบุและกําหนดเวลาผู้ดําเนินการสําหรับการปฏิบัติงาน

อีกหนึ่งองค์ประกอบที่สำคัญและแยกต่างหากคือ World Context (โลกบริบท) ซึ่งอ้างอิงถึงสภาพแวดล้อม ข้อมูลระดับโลก และสถานะของเกม เพื่อให้บริบทที่จำเป็นสำหรับการตัดสินใจของตัวแทน นอกจากนี้ Agent Repository (คลังตัวแทน) ใช้สำหรับจัดเก็บคุณสมบัติระยะยาว เช่น เป้าหมาย การสะท้อนประสบการณ์ และบุคลิกภาพ ซึ่งร่วมกันกำหนดพฤติกรรมและกระบวนการตัดสินใจของตัวแทน

กรอบงานนี้ใช้หน่วยความจำระยะสั้นและหน่วยความจำระยะยาวในการประมวลผล หน่วยความจำระยะสั้นเก็บรักษาพฤติกรรมก่อนหน้า ผลลัพธ์ และข้อมูลที่เกี่ยวข้องกับแผนปัจจุบัน ในทางตรงกันข้าม หน่วยประมวลผลหน่วยความจำระยะยาวจะดึงข้อมูลสำคัญตามมาตรฐานต่างๆ เช่น ความสำคัญ ความล่าสุด และความเกี่ยวข้อง หน่วยความจำระยะยาวเก็บประสบการณ์ของตัวแทน การสะท้อนบุคลิกภาพที่เปลี่ยนแปลง และความรู้ในบริบทของโลกและหน่วยความจำในการทำงานเพื่อเสริมสร้างการตัดสินใจและเพื่อให้พื้นฐานในการเรียนรู้

โมดูลการเรียนรู้ใช้ข้อมูลจากระบบการรับรู้เพื่อสร้างความรู้ทั่วไป ซึ่งความรู้นี้จะถูกส่งกลับไปยังระบบเพื่อปรับปรุงการโต้ตอบในอนาคต นักพัฒนาสามารถป้อนข้อเสนอแนะแบบข้อมูลเกี่ยวกับการกระทำ สถานะเกม และข้อมูลการรับรู้ผ่านทางอินเตอร์เฟซ เพื่อเสริมสร้างความสามารถในการเรียนรู้ของเอไอเอเจนต์ และเพิ่มความสามารถในการวางแผนและตัดสินใจของมัน

กระบวนการทำงานเริ่มต้นจากนักพัฒนาที่มีปฏิสัมพันธ์ผ่านอินเทอร์เฟซของพร็อกซี พิมพ์ข้อมูลที่ถูกประมวลผลโดยระบบรับรู้และส่งต่อไปยังโมดูลการจัดการบทสนทนา โมดูลการจัดการบทสนทนามีหน้าที่รับผิดชอบในการจัดการตรรกะของการโต้ตอบ จากนั้นเอนจินการวางแผนกลยุทธ์จะกำหนดและดำเนินการตามแผนโดยใช้กลยุทธ์ระดับสูงและแผนการดำเนินการที่ละเอียด

ข้อมูลจากบริบททั่วโลกและที่เก็บข้อมูลของตัวแทนจะแจ้งให้กระบวนการเหล่านี้ทราบ ในขณะที่การติดตามหน่วยความจำทำงานจะติดตามงานที่เกิดขึ้นในทันที ในขณะเดียวกัน โปรเซสเซอร์หน่วยความจำระยะยาวจะจัดเก็บและเรียกคืนความรู้ระยะยาว โมดูลการเรียนรู้วิเคราะห์ผลลัพธ์และรวมความรู้ใหม่เข้ากับระบบ ทำให้พฤติกรรมและการโต้ตอบของตัวแทนสามารถปรับปรุงได้อย่างต่อเนื่อง.

RIG (พัฒนาโดย ARC)

Rig เป็นเฟรมเวิร์ก Rust แบบโอเพ่นซอร์สที่ออกแบบมาเพื่อง่ายต่อการพัฒนาแอปพลิเคชันโมเดลภาษาขนาดใหญ่ มันให้อินเตอร์เฟซที่เป็นเอกภาพสำหรับการโต้ตอบกับผู้ให้บริการ LLM หลายราย (เช่น OpenAI และ Anthropic) รองรับการจัดเก็บเวกเตอร์ที่หลากหลาย รวมถึง MongoDB และ Neo4j ความโดดเด่นของสถาปัตยกรรมโมดูลาร์ของเฟรมเวิร์กนี้อยู่ที่ส่วนประกอบหลัก เช่น ชั้น абстракция ผู้ให้บริการ (Provider Abstraction Layer) การรวมการจัดเก็บเวกเตอร์ และระบบตัวแทน เพื่ออำนวยความสะดวกในการโต้ตอบ LLM อย่างราบรื่น.

ผู้ชมหลักของ Rig รวมถึงนักพัฒนาที่สร้างแอปพลิเคชัน AI/ML โดยใช้ Rust ตามด้วยองค์กรที่ต้องการรวมผู้ให้บริการ LLM หลายรายและร้านค้าเวกเตอร์เข้ากับแอปพลิเคชัน Rust ของตนเอง พื้นที่เก็บข้อมูลใช้สถาปัตยกรรมพื้นที่ทํางานที่มีลังหลายลังเพื่อรองรับความสามารถในการปรับขนาดและการจัดการโครงการที่มีประสิทธิภาพ คุณสมบัติหลักของมันคือเลเยอร์นามธรรมของผู้ให้บริการซึ่งให้มาตรฐานสําหรับการกรอกและฝัง API ระหว่างผู้ให้บริการ LLM ที่แตกต่างกันพร้อมการจัดการข้อผิดพลาดที่สอดคล้องกัน ส่วนประกอบ Vector Store Integration มีอินเทอร์เฟซนามธรรมสําหรับแบ็กเอนด์หลายตัวและรองรับการค้นหาความคล้ายคลึงกันของเวกเตอร์ ระบบเอเจนต์ช่วยลดความยุ่งยากในการโต้ตอบ LLM รองรับ Retrieval Enhanced Generation (RAG) และการรวมเครื่องมือ นอกจากนี้เฟรมเวิร์กการฝังยังให้ความสามารถในการประมวลผลแบบแบทช์และการฝังการดําเนินงานเพื่อความปลอดภัยของประเภท

แท่นขุดเจาะใช้ประโยชน์จากข้อได้เปรียบทางเทคนิคหลายประการเพื่อให้มั่นใจถึงความน่าเชื่อถือและประสิทธิภาพ การดําเนินการแบบอะซิงโครนัสใช้ประโยชน์จากรันไทม์แบบอะซิงโครนัสของ Rust เพื่อจัดการคําขอพร้อมกันจํานวนมากได้อย่างมีประสิทธิภาพ กลไกการจัดการข้อผิดพลาดโดยธรรมชาติของเฟรมช่วยเพิ่มความยืดหยุ่นให้กับผู้ให้บริการ AI หรือการดําเนินการฐานข้อมูลที่ล้มเหลว ความปลอดภัยประเภทสามารถป้องกันข้อผิดพลาดในกระบวนการรวบรวมซึ่งจะช่วยเพิ่มการบํารุงรักษารหัส กระบวนการออกหมายเลขกํากับและ deserialization ที่มีประสิทธิภาพสนับสนุนการประมวลผลข้อมูลในรูปแบบเช่น JSON ซึ่งเป็นสิ่งจําเป็นสําหรับการสื่อสารและการจัดเก็บบริการ AI การบันทึกโดยละเอียดและเครื่องมือช่วยเพิ่มเติมในการดีบักและการตรวจสอบแอปพลิเคชัน

เวิร์กโฟลว์ของ Rig เริ่มต้นเมื่อลูกค้าเริ่มต้นคําขอ ซึ่งโต้ตอบกับโมเดล LLM ที่เหมาะสมผ่านเลเยอร์นามธรรมของผู้ให้บริการ จากนั้นข้อมูลจะถูกประมวลผลโดยเลเยอร์หลักซึ่งเอเจนต์สามารถใช้เครื่องมือหรือเข้าถึงที่เก็บเวกเตอร์ของบริบท การตอบกลับจะถูกสร้างขึ้นและปรับแต่งผ่านเวิร์กโฟลว์ที่ซับซ้อน เช่น RAGs ก่อนที่จะถูกส่งกลับไปยังไคลเอ็นต์ ซึ่งเป็นกระบวนการที่เกี่ยวข้องกับการดึงเอกสารและการทําความเข้าใจตามบริบท ระบบทํางานร่วมกับผู้ให้บริการ LLM หลายรายและพื้นที่เก็บข้อมูลเวกเตอร์ทําให้สามารถปรับให้เข้ากับความพร้อมใช้งานของโมเดลหรือการอัปเดตประสิทธิภาพได้

กรณีการใช้งานของ Rig มีความหลากหลาย รวมถึงระบบถามตอบที่ค้นหาข้อมูลที่เกี่ยวข้องเพื่อให้คำตอบที่ถูกต้อง ระบบการค้นหาและเรียกดูเอกสารเพื่อการค้นพบเนื้อหาที่มีประสิทธิภาพ และแชทบอทหรือผู้ช่วยเสมือนที่มีการรับรู้บริบทสำหรับการบริการลูกค้าหรือการศึกษา นอกจากนี้ยังสนับสนุนการสร้างเนื้อหา โดยสนับสนุนการสร้างข้อความและวัสดุอื่น ๆ ที่อิงจากโหมดการเรียนรู้ ทำให้ Rig เป็นเครื่องมือทั่วไปสำหรับนักพัฒนาและองค์กรต่าง ๆ

Zerepy (พัฒนาโดย ZEREPY และ blorm)

ZerePy เป็นเฟรมเวิร์กโอเพ่นซอร์สที่เขียนด้วยภาษา Python ซึ่งมีจุดมุ่งหมายเพื่อปรับใช้เอเจนต์บน X โดยใช้ OpenAI หรือ Anthropic LLMs มาจากแบ็กเอนด์ของ Zerebro เวอร์ชันโมดูลาร์ ZerePy ช่วยให้นักพัฒนาสามารถเปิดตัวตัวแทนที่มีฟังก์ชันหลักคล้ายกับ Zerebro แม้ว่าเฟรมเวิร์กจะเป็นรากฐานสําหรับการปรับใช้เอเจนต์ แต่การปรับแต่งโมเดลอย่างละเอียดเป็นสิ่งสําคัญในการสร้างผลลัพธ์ที่สร้างสรรค์ ZerePy ช่วยลดความยุ่งยากในการพัฒนาและปรับใช้ตัวแทน AI ส่วนบุคคลโดยเฉพาะอย่างยิ่งสําหรับการสร้างเนื้อหาบนแพลตฟอร์มโซเชียลส่งเสริมระบบนิเวศสร้างสรรค์ที่ขับเคลื่อนด้วย AI สําหรับงานศิลปะและแอปพลิเคชันแบบกระจายอํานาจ

เฟรมเวิร์กนี้พัฒนาด้วย Python โดยเน้นความเป็นอิสระของตัวแทน มุ่งเน้นไปที่การสร้างผลลัพธ์ที่สร้างสรรค์ ซึ่งสอดคล้องกับโครงสร้างของ ELIZA และความสัมพันธ์กับ ELIZA การออกแบบแบบโมดูลาร์สนับสนุนการรวมระบบหน่วยความจำ และสนับสนุนการปรับใช้ตัวแทนบนแพลตฟอร์มโซเชียล ฟังก์ชันหลักประกอบด้วยอินเทอร์เฟซบรรทัดคำสั่งสำหรับการจัดการตัวแทน การรวมเข้ากับ Twitter การสนับสนุน OpenAI และ Anthropic LLM และระบบการเชื่อมต่อโมดูลาร์เพื่อเสริมฟังก์ชันการทำงาน

กรณีการใช้งานของ ZerePy ครอบคลุมด้านการทำงานอัตโนมัติในสื่อสังคม ผู้ใช้สามารถปรับใช้ตัวแทนปัญญาประดิษฐ์เพื่อทำการโพสต์ ตอบกลับ กดถูกใจ และแชร์ เพื่อเพิ่มการมีส่วนร่วมบนแพลตฟอร์ม นอกจากนี้ยังตอบสนองต่อการสร้างเนื้อหาในด้านดนตรี มีม และ NFT ทำให้เป็นเครื่องมือที่สำคัญสำหรับศิลปะดิจิทัลและแพลตฟอร์มเนื้อหาที่ใช้บล็อกเชน.

（2）เปรียบเทียบสี่กรอบ

ในมุมมองของเรา เฟรมเวิร์กแต่ละตัวมีวิธีการที่เป็นเอกลักษณ์ในการพัฒนาเทคโนโลยีปัญญาประดิษฐ์ ซึ่งสอดคล้องกับความต้องการและสภาพแวดล้อมเฉพาะ เราจะเปลี่ยนความสนใจจากความสัมพันธ์ในการแข่งขันของเฟรมเวิร์กเหล่านี้ไปยังเอกลักษณ์ของแต่ละเฟรมเวิร์กแทน.

ELIZA โดดเด่นด้วยอินเทอร์เฟซที่ใช้งานง่ายโดยเฉพาะอย่างยิ่งสําหรับนักพัฒนาที่คุ้นเคยกับสภาพแวดล้อม JavaScript และ Node.js เอกสารที่ครอบคลุมช่วยตั้งค่าตัวแทน AI บนแพลตฟอร์มที่หลากหลายแม้ว่าชุดคุณสมบัติที่กว้างขวางอาจมาพร้อมกับช่วงการเรียนรู้ที่แน่นอน พัฒนาด้วย TypeScript ทําให้ Eliza เหมาะอย่างยิ่งสําหรับการสร้างพร็อกซีที่ฝังอยู่ในเว็บเนื่องจากส่วนหน้าของโครงสร้างพื้นฐานเว็บส่วนใหญ่ได้รับการพัฒนาด้วย TypeScript เฟรมเวิร์กนี้เป็นที่รู้จักในด้านสถาปัตยกรรมแบบหลายเอเจนต์ ซึ่งสามารถปรับใช้บุคลิก AI ต่างๆ บนแพลตฟอร์ม เช่น Discord, X และ Telegram ระบบ RAG ที่มีการจัดการหน่วยความจําขั้นสูงทําให้มีประสิทธิภาพเป็นพิเศษสําหรับการสนับสนุนลูกค้าหรือผู้ช่วย AI ในแอปพลิเคชันโซเชียลมีเดีย แม้ว่าจะมีความยืดหยุ่นการสนับสนุนชุมชนที่แข็งแกร่งและประสิทธิภาพข้ามแพลตฟอร์มที่สอดคล้องกัน แต่ก็ยังอยู่ในช่วงเริ่มต้นและสามารถก่อให้เกิดช่วงการเรียนรู้สําหรับนักพัฒนา

GAMEถูกออกแบบมาโดยเฉพาะสำหรับนักพัฒนาเกม โดยให้บริการ API ที่มีอินเทอร์เฟซที่มีโค้ดต่ำหรือไม่มีโค้ด เพื่อให้ผู้ใช้ที่มีความสามารถทางเทคนิคต่ำในด้านเกมสามารถใช้งานได้ อย่างไรก็ตาม มันมุ่งเน้นไปที่การพัฒนาเกมและการบูรณาการบล็อกเชน ซึ่งอาจทำให้เกิดเส้นโค้งการเรียนรู้ที่ชันสำหรับผู้ที่ไม่มีประสบการณ์ที่เกี่ยวข้อง มันมีความโดดเด่นในด้านการสร้างเนื้อหาของโปรแกรมและพฤติกรรมของ NPC แต่ถูกจำกัดโดยความซับซ้อนที่เพิ่มขึ้นจากการแบ่งย่อยในสาขาและการบูรณาการบล็อกเชน.

เนื่องจากการใช้ภาษา Rust Rig อาจไม่เป็นมิตรกับผู้ใช้มากนักเนื่องจากความซับซ้อนของภาษาซึ่งนําเสนอความท้าทายในการเรียนรู้ที่สําคัญ แต่มีปฏิสัมพันธ์ที่ใช้งานง่ายสําหรับผู้ที่มีความเชี่ยวชาญในการเขียนโปรแกรมระบบ ในทางตรงกันข้ามกับ TypeScripe ภาษาการเขียนโปรแกรมนั้นขึ้นชื่อเรื่องประสิทธิภาพและความปลอดภัยของหน่วยความจํา มีการตรวจสอบเวลาคอมไพล์อย่างเข้มงวดและสิ่งที่เป็นนามธรรมที่ไม่มีต้นทุนซึ่งจําเป็นต่อการเรียกใช้อัลกอริทึม AI ที่ซับซ้อน ภาษานี้มีประสิทธิภาพสูงและการควบคุมในระดับต่ําทําให้เหมาะสําหรับแอปพลิเคชัน AI ที่ใช้ทรัพยากรมาก เฟรมเวิร์กให้โซลูชันประสิทธิภาพสูงพร้อมการออกแบบแบบแยกส่วนและปรับขนาดได้ทําให้เหมาะสําหรับแอปพลิเคชันระดับองค์กร อย่างไรก็ตามสําหรับนักพัฒนาที่ไม่คุ้นเคยกับ Rust การใช้ Rust จะนําไปสู่ช่วงการเรียนรู้ที่สูงชันอย่างหลีกเลี่ยงไม่ได้

ZerePy ใช้ Python เพื่อให้การใช้งานที่สูงสำหรับงาน AI ที่สร้างสรรค์ โดยมีเส้นโค้งการเรียนรู้ที่ต่ำสำหรับนักพัฒนา Python โดยเฉพาะผู้ที่มีพื้นฐาน AI/ML และได้รับประโยชน์จากการสนับสนุนจากชุมชนที่แข็งแกร่งจากชุมชนเข้ารหัสของ Zerebro ZerePy เชี่ยวชาญในแอปพลิเคชัน AI ที่สร้างสรรค์ เช่น NFT โดยวางตำแหน่งตัวเองเป็นเครื่องมือที่ทรงพลังสำหรับสื่อดิจิทัลและศิลปะ แม้ว่าจะเติบโตในด้านความคิดสร้างสรรค์ แต่ก็มีขอบเขตที่แคบเมื่อเปรียบเทียบกับกรอบงานอื่น ๆ.

ในแง่ของความสามารถในการปรับขนาด ELIZA มีความก้าวหน้าอย่างมากในการอัปเดต V2 ซึ่งแนะนําสายการส่งข้อความแบบครบวงจรและเฟรมเวิร์กหลักที่ขยายได้ซึ่งรองรับการจัดการที่มีประสิทธิภาพในหลายแพลตฟอร์ม อย่างไรก็ตามหากไม่ได้รับการปรับให้เหมาะสมการจัดการการโต้ตอบแบบหลายแพลตฟอร์มดังกล่าวสามารถนําเสนอความท้าทายในการปรับขนาดได้

GAME มีประสิทธิภาพยอดเยี่ยมในด้านการประมวลผลแบบเรียลไทม์ที่จำเป็นสำหรับเกม ความสามารถในการขยายตัวนั้นจัดการได้ผ่านอัลกอริธึมที่มีประสิทธิภาพและระบบบล็อกเชนที่กระจายอำนาจ แม้ว่าอาจถูกจำกัดโดยเอนจินเกมเฉพาะหรือเครือข่ายบล็อกเชน.

กรอบ Rig ใช้ความสามารถในการขยายตัวของ Rust โดยออกแบบมาสำหรับแอปพลิเคชันที่มีการทำงานสูง ซึ่งมีประสิทธิภาพเป็นพิเศษสำหรับการใช้งานในระดับองค์กร แม้ว่านี่อาจหมายความว่าการสร้างความสามารถในการขยายตัวที่แท้จริงอาจต้องการการตั้งค่าที่ซับซ้อน.

ความสามารถในการขยายตัวของ Zerepy มุ่งเน้นไปที่ผลลัพธ์ที่สร้างสรรค์ โดยมีการสนับสนุนจากการมีส่วนร่วมของชุมชน แต่การมุ่งเน้นที่จุดนี้อาจจำกัดการใช้งานในสภาพแวดล้อมของปัญญาประดิษฐ์ที่กว้างขึ้น ความสามารถในการขยายตัวอาจถูกทดสอบโดยความหลากหลายของงานสร้างสรรค์มากกว่าจำนวนผู้ใช้.

ในด้านการปรับตัว ELIZA มีระบบปลั๊กอินและความเข้ากันได้ข้ามแพลตฟอร์มที่โดดเด่น ส่วน GAME ในสภาพแวดล้อมเกมก็ทำได้ดี และ Rig ที่จัดการกับงาน AI ที่ซับซ้อนได้ดี ZerePy แสดงให้เห็นถึงความสามารถในการปรับตัวสูงในด้านความคิดสร้างสรรค์ แต่ไม่ค่อยเหมาะสมกับการใช้งาน AI ที่กว้างขวางกว่า

ในด้านประสิทธิภาพ ELIZA ได้รับการปรับให้เหมาะสมสำหรับการโต้ตอบในโซเชียลมีเดียอย่างรวดเร็ว โดยเวลาตอบสนองที่รวดเร็วเป็นกุญแจสำคัญ แต่เมื่อจัดการกับงานคำนวณที่ซับซ้อนมากขึ้น ผลลัพธ์อาจแตกต่างกันไป

GAME ที่พัฒนาโดย Virtual Protocol เน้นการโต้ตอบแบบเรียลไทม์ที่มีประสิทธิภาพสูงในฉากเกม โดยใช้กระบวนการตัดสินใจที่มีประสิทธิภาพและบล็อกเชนที่มีศักยภาพในการดำเนินการปัญญาประดิษฐ์แบบกระจายศูนย์

กรอบ Rig ที่สร้างขึ้นจากภาษา Rust มอบประสิทธิภาพที่ยอดเยี่ยมสำหรับงานคอมพิวเตอร์ประสิทธิภาพสูง เหมาะสำหรับแอปพลิเคชันธุรกิจที่ประสิทธิภาพการคำนวณมีความสำคัญอย่างยิ่ง.

ประสิทธิภาพของ Zerepy ได้รับการออกแบบมาเฉพาะสำหรับการสร้างเนื้อหาที่สร้างสรรค์ โดยมีตัวชี้วัดที่มุ่งเน้นไปที่ประสิทธิภาพและคุณภาพของการสร้างเนื้อหา ซึ่งอาจไม่เหมาะสมเท่ากับในด้านอื่น ๆ ของความคิดสร้างสรรค์.

ข้อดีของ ELIZA คือการให้ความยืดหยุ่นและความสามารถในการขยาย โดยระบบปลั๊กอินและการกำหนดบทบาททำให้มีความสามารถในการปรับตัวสูง ซึ่งเป็นประโยชน์ต่อการมีปฏิสัมพันธ์ของ AI สังคมข้ามแพลตฟอร์ม.

GAMEนำเสนอฟีเจอร์การโต้ตอบแบบเรียลไทม์ที่ไม่เหมือนใครในเกม โดยการรวมบล็อกเชนเพื่อเพิ่มการมีส่วนร่วมของ AI ที่แปลกใหม่

ข้อได้เปรียบของ Rig คือประสิทธิภาพและความสามารถในการขยายตัวสำหรับงานปัญญาประดิษฐ์ขององค์กร โดยมุ่งเน้นไปที่การให้โค้ดที่มีโมดูลาร์สะอาดสำหรับสุขภาพโครงการระยะยาว

Zerepy เชี่ยวชาญในการพัฒนา ความคิดสร้างสรรค์ โดยเป็นผู้นำในด้านการใช้งานปัญญาประดิษฐ์ในศิลปะดิจิทัล และมีโมเดลการพัฒนาที่ขับเคลื่อนด้วยชุมชนที่มีชีวิตชีวาเป็นส่วนสนับสนุน.

แต่ละกรอบงานมีข้อจำกัดของตัวเอง ELIZA ยังคงอยู่ในระยะเริ่มต้น มีปัญหาความเสถียรที่อาจเกิดขึ้นและเส้นโค้งการเรียนรู้สำหรับนักพัฒนารายใหม่ เกมเฉพาะกลุ่มอาจจำกัดการใช้งานในวงกว้างมากขึ้น และบล็อกเชนยังเพิ่มความซับซ้อน Rig อาจทำให้นักพัฒนาบางคนรู้สึกกลัวเนื่องจากเส้นโค้งการเรียนรู้ที่ชันจาก Rust ในขณะที่ Zerepy อาจจำกัดการใช้งานของมันในด้าน AI อื่น ๆ เนื่องจากการมุ่งเน้นเพียงเล็กน้อยต่อผลลัพธ์ที่สร้างสรรค์.

（3）สรุปการเปรียบเทียบกรอบ

แท่นขุดเจาะ (ARC):

ภาษา: Rust, เน้นความปลอดภัยและประสิทธิภาพ.

กรณีการใช้งาน: ตัวเลือกที่เหมาะสมสำหรับแอปพลิเคชัน AI ระดับองค์กร เนื่องจากให้ความสำคัญกับประสิทธิภาพและความสามารถในการขยายตัว.

ชุมชน: ไม่ค่อยได้รับการขับเคลื่อนจากชุมชน แต่ให้ความสำคัญกับนักพัฒนาเทคโนโลยีมากกว่า.

เอลิซ่า (AI16Z):

ภาษา: TypeScript เน้นความยืดหยุ่นของ web3 และการมีส่วนร่วมของชุมชน.

กรณีการใช้งาน: ออกแบบสำหรับการโต้ตอบทางสังคม, DAO และการซื้อขาย โดยเน้นระบบผู้แทนหลายรายเป็นพิเศษ.

ชุมชน: ขับเคลื่อนโดยชุมชนอย่างสูง มีการมีส่วนร่วมใน GitHub อย่างกว้างขวาง.

ZerePy (ZEREBRO):

ภาษา: Python ทำให้สามารถใช้ได้กับฐานนักพัฒนา AI ที่กว้างขึ้น.

กรณีการใช้งาน: เหมาะสำหรับการทำงานอัตโนมัติในโซเชียลมีเดียและงานตัวแทน AI ที่ง่ายขึ้น.

ชุมชน: ค่อนข้างใหม่ แต่มีแนวโน้มที่จะเติบโตเนื่องจากความนิยมของ Python และการสนับสนุนจากผู้สนับสนุน AI16Z.

เกม (เสมือน):

จุดสนใจ: ตัวแทนปัญญาประดิษฐ์ที่เป็นอิสระและปรับตัวได้ ซึ่งสามารถพัฒนาได้ตามการมีปฏิสัมพันธ์ในสภาพแวดล้อมเสมือน

กรณีการใช้งาน: เหมาะที่สุดสำหรับตัวแทน AI ในการเรียนรู้และปรับตัวในสถานการณ์ต่างๆ เช่น เกมหรือโลกเสมือน

ชุมชน: ชุมชนที่มีนวัตกรรม แต่ยังคงกำลังหาตำแหน่งของตัวเองในการแข่งขัน.

3、แนวโน้มข้อมูล Star บน Github

! WwLoIpwzEOFhGg9cRuLcUueFqXpxu7HukpuIxOss.png

ภาพด้านบนแสดงข้อมูลการติดดาว GitHub ตั้งแต่กรอบงานเหล่านี้เปิดตัว ซึ่ง值得注意ว่า การติดดาว GitHub เป็นตัวชี้วัดความสนใจของชุมชน ความนิยมของโครงการ และมูลค่าที่รับรู้ของโครงการ

ELIZA (สายสีแดง) :

เริ่มจากฐานต่ำในเดือนกรกฎาคมแล้วเพิ่มขึ้นจนถึงปลายเดือนพฤศจิกายนที่จำนวนดาว star เพิ่มขึ้นอย่างมาก (ถึง 61,000 ดวง) ซึ่งแสดงให้เห็นว่าความสนใจของผู้คนเพิ่มขึ้นอย่างรวดเร็วและดึงดูดความสนใจของนักพัฒนา การเติบโตแบบชี้ขาดนี้แสดงให้เห็นว่า ELIZA ได้รับความสนใจอย่างมากจากฟังก์ชัน การอัปเดต และการมีส่วนร่วมของชุมชน ความนิยมของมันสูงกว่าคู่แข่งอื่น ๆ อย่างมาก ซึ่งแสดงให้เห็นว่ามีการสนับสนุนจากชุมชนที่แข็งแกร่งและมีความเหมาะสมหรือความสนใจที่กว้างขวางในชุมชนปัญญาประดิษฐ์.

แท่นขุดเจาะ (สายสีน้ําเงิน) :

Rigเป็นหนึ่งในสี่กรอบที่มีประวัติศาสตร์ยาวนานที่สุด จำนวนดาวที่มีอยู่ในระดับที่เหมาะสมแต่ยังคงเติบโตอย่างต่อเนื่อง ในเดือนถัดไปอาจมีการเพิ่มขึ้นอย่างมาก มันได้ถึง 1700 ดวงดาวแล้ว แต่ยังคงเพิ่มขึ้นอย่างต่อเนื่อง การพัฒนา การอัปเดตอย่างต่อเนื่อง และจำนวนผู้ใช้ที่เพิ่มขึ้นอย่างต่อเนื่องเป็นเหตุผลที่ทำให้ความสนใจของผู้ใช้ยังคงสะสม นี่อาจสะท้อนให้เห็นว่าผู้ใช้กรอบนี้เป็นกลุ่มเล็กหรือยังคงสะสมชื่อเสียงอยู่

ZEREPY (เส้นสีเหลือง) :

ZerePyเพิ่งเปิดตัวเมื่อไม่กี่วันก่อน และได้สะสมดาวไปแล้ว 181 ดวง สิ่งที่ควรเน้นคือ ZerePyต้องการการพัฒนามากขึ้นเพื่อเพิ่มการมองเห็นและอัตราการนำไปใช้ ความร่วมมือกับAI16Zอาจดึงดูดผู้มีส่วนร่วมในโค้ดมากขึ้น

เกม (เส้นเขียว):

โครงการนี้มีจำนวนดาวน้อยที่สุด ที่น่าสังเกตคือกรอบงานนี้สามารถนำไปใช้กับเอเจนต์ในระบบนิเวศเสมือนผ่าน API ได้โดยตรง ซึ่งจะกำจัดความต้องการในการมองเห็น Github อย่างไรก็ตามกรอบงานนี้เพิ่งเปิดให้ผู้สร้างเมื่อมากกว่าหนึ่งเดือนที่ผ่านมา โดยมีโครงการมากกว่า 200 โครงการที่กำลังใช้ GAME ในการสร้าง

4、เหตุผลในการมองบวกเกี่ยวกับกรอบ

เวอร์ชัน V2 ของ Eliza จะรวมชุดตัวแทนของ Coinbase โครงการทั้งหมดที่ใช้ Eliza ในอนาคตจะสนับสนุน TEE แบบเนทีฟ ซึ่งจะทำให้ตัวแทนสามารถทำงานในสภาพแวดล้อมที่ปลอดภัย ฟีเจอร์หนึ่งที่กำลังจะเปิดตัวของ Eliza คือทะเบียนปลั๊กอิน (Plugin Registry) ซึ่งจะช่วยให้นักพัฒนาสามารถลงทะเบียนและรวมปลั๊กอินได้อย่างไร้รอยต่อ.

นอกจากนี้ Eliza V2 จะสนับสนุนการส่งข้อความข้ามแพลตฟอร์มแบบไม่ระบุตัวตนโดยอัตโนมัติ เอกสารไวท์เปเปอร์เศรษฐศาสตร์โทเค็นมีกำหนดจะเผยแพร่ในวันที่ 1 มกราคม 2025 ซึ่งคาดว่าจะมีผลดีต่อโทเค็น AI16Z ที่อยู่ภายใต้กรอบ Eliza แผน AI16Z จะยังคงเพิ่มความสามารถของกรอบงานต่อไป และดึงดูดบุคลากรคุณภาพสูง ความพยายามของผู้มีส่วนร่วมหลักได้พิสูจน์แล้วว่ามีศักยภาพเช่นนั้น

GAMEกรอบงานให้การรวมแบบไม่มีโค้ดสำหรับตัวแทน โดยอนุญาตให้ใช้ GAME และ ELIZA ในโครงการเดียวกัน ซึ่งให้บริการตามวัตถุประสงค์เฉพาะ วิธีการนี้มีแนวโน้มที่จะดึงดูดผู้สร้างที่มุ่งเน้นไปที่ตรรกะธุรกิจแทนที่จะเป็นความซับซ้อนทางเทคนิค แม้ว่าเฟรมเวิร์กนี้จะเผยแพร่สาธารณะมาเพียง 30 กว่าวัน แต่ด้วยความพยายามของทีมในการดึงดูดการสนับสนุนจากผู้มีส่วนร่วมมากขึ้น มันได้บรรลุความก้าวหน้าอย่างมีนัยสำคัญ คาดว่าทุกโครงการที่จะเปิดตัวบน VIRTUAL จะใช้ GAME.

Rig ซึ่งแสดงโดยโทเค็น ARC มีศักยภาพที่ดีแม้ว่ากรอบการทํางานจะยังอยู่ในช่วงเริ่มต้นของการเติบโตและแผนการผลักดันการนําโครงการไปใช้นั้นเพิ่งเผยแพร่เพียงไม่กี่วัน แต่โครงการคุณภาพสูงกับ ARC คาดว่าจะเกิดขึ้นในเร็ว ๆ นี้คล้ายกับมู่เล่เสมือนจริง แต่มุ่งเน้นไปที่ Solana ทีมงานมองโลกในแง่ดีเกี่ยวกับการเป็นพันธมิตรกับ Solana โดยเปรียบความสัมพันธ์ของ ARC กับ Solana กับ Virtual to Base เป็นที่น่าสังเกตว่าทีมไม่เพียง แต่สนับสนุนให้โครงการใหม่เริ่มต้นด้วย Rig แต่ยังสนับสนุนให้นักพัฒนาปรับปรุงเฟรมเวิร์ก Rig ด้วย

Zerepyเป็นกรอบงานใหม่ที่เพิ่งเปิดตัว โดยได้รับความสนใจมากขึ้นเรื่อยๆ เนื่องจากความร่วมมือกับEliza กรอบงานนี้ดึงดูดผู้มีส่วนร่วมจากEliza ที่กำลังพัฒนาอย่างกระตือรือร้น ด้วยการสนับสนุนจากแฟนๆ ของZEREBRO ทำให้มันมีผู้ติดตามที่หลงใหล และมอบโอกาสใหม่ให้กับนักพัฒนาPython ซึ่งก่อนหน้านี้ขาดความเป็นตัวแทนในการแข่งขันโครงสร้างพื้นฐานด้านปัญญาประดิษฐ์ กรอบงานนี้จะมีบทบาทสำคัญในด้านความคิดสร้างสรรค์ของAI.