Forward the Original Title: Is the AI Agent Framework the Final Piece of the Puzzle? How to Interpret the “Wave-Particle Duality” of Frameworks?

Le cadre de l'agent d'IA, en tant qu'élément clé du développement de l'industrie, peut avoir le potentiel double de stimuler à la fois la mise en œuvre de la technologie et la maturation de l'écosystème. Certains des cadres les plus discutés sur le marché incluent Eliza, Rig, Swarms et ZerePy. Ces cadres attirent les développeurs via leurs référentiels GitHub, se construisant ainsi une réputation. Grâce à l'émission de jetons via des "bibliothèques", ces cadres, tels que la lumière, incarnent à la fois des caractéristiques ondulatoires et des particules. De même, les cadres d'agent possèdent à la fois des externalités sérieuses et des traits de Memecoin. Cet article se concentrera sur l'interprétation de la "dualité onde-particule" de ces cadres et explorera pourquoi le cadre de l'agent peut être la pièce finale du puzzle.

Les externalités apportées par les cadres des agents peuvent laisser une croissance durable après l'éclatement de la bulle

Depuis l'apparition de GOAT, le récit de l'Agent attire une attention croissante sur le marché, à la manière d'un maître des arts martiaux lançant un coup puissant - le poing gauche représentant le "Memecoin" et la paume droite incarnant "l'espoir de l'industrie", vous pourriez être vaincu par l'un ou l'autre de ces mouvements. En réalité, les scénarios d'application des agents d'IA ne sont pas strictement différenciés, et les frontières entre les plateformes, les frameworks et les applications spécifiques sont floues. Cependant, ils peuvent encore être grossièrement classés selon les préférences en matière de jetons ou de protocoles. En fonction des préférences de développement des jetons ou des protocoles, ils peuvent généralement être classés dans les catégories suivantes:

• Launchpad: Plateformes d'émission d'actifs. Des exemples incluent Virtuals Protocol et Clanker sur la chaîne Base, et Dasha sur la chaîne Solana.
• Applications d'agent IA: Ceux-ci flottent entre Agent et Memecoin, et ont des caractéristiques distinctives dans la configuration de la mémoire, telles que GOAT, aixbt, etc. Ces applications sont généralement des sorties à sens unique, avec des conditions d'entrée très limitées.
• Moteurs d'agent d'IA: Les exemples incluent Griffain sur la chaîne Solana et Spectre AI sur la chaîne de base. Griffain évolue d'un mode lecture-écriture à un mode lecture-écriture-action ; Spectre AI est un moteur RAG utilisé pour les recherches on-chain.
• Cadres d'agents d'IA: Pour les plateformes de framework, l'Agent lui-même est un atout. Par conséquent, le framework de l'Agent agit en tant que plateforme d'émission d'actifs et de lancement pour les Agents. Les projets représentatifs comprennent actuellement ai16, Zerebro, ARC, et les Swarms très discutés.
• Autres petites directions: Des projets d'agent complets tels que Simmi, le mode de protocole AgentFi, l'agent de type falsification Seraph et le créateur d'API en temps réel Agent Creator.Bid.

Lorsqu'on discute plus en détail du cadre de l'Agent, on peut voir qu'il a des externalités significatives. Contrairement aux développeurs des principales chaînes publiques et protocoles qui ne peuvent choisir que parmi différents environnements de langage de programmation, la taille globale de la communauté de développeurs dans l'industrie n'a pas montré un taux de croissance correspondant en termes de capitalisation boursière. Les dépôts GitHub sont l'endroit où les développeurs Web2 et Web3 construisent un consensus. Construire une communauté de développeurs ici est bien plus attrayant et influent pour les développeurs Web2 que n'importe quel package "plug-and-play" développé individuellement par un protocole.

Les quatre frameworks mentionnés dans cet article sont tous open-source:

• Le framework Eliza par ai16z a reçu 6 200 étoiles.
• Le framework ZerePy de Zerebro a reçu 191 étoiles.
• Le cadre RIG développé par ARC a reçu 1 700 étoiles.
• Le framework Swarms de Swarms a reçu 2 100 étoiles.

Actuellement, le cadre Eliza est largement utilisé dans diverses applications d'agent et est le cadre le plus utilisé. Le développement de ZerePy n'est pas très avancé et sa direction de développement réside principalement dans X. Il ne prend pas encore en charge les LLM locaux et la mémoire intégrée. RIG a la difficulté de développement relative la plus élevée, mais offre aux développeurs la plus grande liberté pour réaliser une optimisation des performances. Les essaims, à part le lancement mcs de l'équipe, n'ont pas encore d'autres cas d'utilisation. Cependant, les essaims peuvent s'intégrer à différents cadres, offrant un potentiel significatif.

De plus, dans la classification susmentionnée, la séparation du moteur Agent et du framework peut causer de la confusion. Mais je crois que les deux sont différents. Tout d'abord, pourquoi est-ce appelé un moteur? L'analogie avec les moteurs de recherche dans la vie réelle est relativement appropriée. Contrairement aux applications Agent homogénéisées, les performances du moteur Agent sont à un niveau supérieur, mais il est complètement encapsulé et les ajustements sont effectués via des interfaces API comme une boîte noire. Les utilisateurs peuvent expérimenter les performances du moteur Agent en le clonant, mais ils ne peuvent pas contrôler l'image complète ou la liberté de personnalisation comme ils peuvent le faire avec le framework de base. Le moteur de chaque utilisateur est comme la génération d'un miroir sur un Agent formé et interagissant avec ce miroir. D'autre part, le framework est fondamentalement conçu pour s'adapter à la chaîne, car lorsqu'un Agent construit un framework d'Agent, l'objectif ultime est l'intégration avec la chaîne correspondante. Comment définir les méthodes d'interaction de données, comment définir les méthodes de validation de données, comment définir la taille de bloc et comment équilibrer le consensus et les performances - ce sont les choses que le framework doit considérer. Quant au moteur, il doit seulement affiner le modèle et ajuster la relation entre l'interaction de données et la mémoire dans une direction. La performance est le seul critère d'évaluation, alors que le framework ne se limite pas à cela.

L’examen du cadre de l’agent du point de vue de la « dualité onde-particule » peut être une condition préalable pour rester sur la bonne voie

Le cycle d'entrée-sortie d'un agent nécessite trois parties. Tout d'abord, le modèle sous-jacent détermine la profondeur et la méthode de réflexion. Ensuite, la mémoire est l'endroit où la personnalisation a lieu. Après que le modèle de base a produit une sortie, il est modifié en fonction de la mémoire. Enfin, l'opération de sortie est effectuée sur différents clients.

Source :@SuhailKakar

Pour confirmer que le framework Agent a une « dualité onde-particule », l'« onde » représente les caractéristiques de « Memecoin », qui représentent la culture communautaire et l'activité des développeurs, mettant l'accent sur l'attractivité et la capacité de diffusion de l'Agent. La « particule » représente les caractéristiques des « attentes de l'industrie », qui représentent la performance sous-jacente, les cas d'utilisation réels et la profondeur technique. Je vais expliquer cela en combinant deux aspects, en utilisant les tutoriels de développement de trois frameworks à titre d'exemples:

Cadre d'intégration rapide Eliza

1. Configurer l'environnement

Source :@SuhailKakar

1. Installer Eliza

Source: @SuhailKakar

1. Fichier de configuration

Source: @SuhailKakar

4. Définir la personnalité de l'agent

Source: @SuhailKakar

Le framework Eliza est relativement facile à prendre en main. Il est basé sur TypeScript, un langage que la plupart des développeurs Web et Web3 connaissent. Le framework est simple et évite les abstractions excessives, ce qui permet aux développeurs d'ajouter facilement les fonctionnalités qu'ils souhaitent. À partir de l'étape 3, nous pouvons voir que Eliza prend en charge l'intégration multi-client et peut être compris comme un assembleur pour l'intégration multi-client. Eliza prend en charge des plateformes telles que DC, TG et X, ainsi que divers modèles de langage volumineux. Il permet une entrée via les médias sociaux mentionnés ci-dessus et des sorties via des modèles LLM, et prend également en charge la gestion interne de la mémoire, ce qui permet à tout développeur ayant des habitudes différentes de déployer rapidement un agent d'IA.

En raison de la simplicité du framework et de la richesse de ses interfaces, Eliza abaisse considérablement le seuil d'accès et atteint une norme d'interface relativement unifiée.

Utilisation en un clic du framework ZerePy

1. Fork du dépôt ZerePy

Source :https://replit.com/

1. Configurer X et GPT

Source :https://replit.com/

3. Définir la personnalité de l'agent

Source:https://replit.com/

Cadre de plate-forme optimisé pour les performances

Prenant la construction d'un agent RAG (Retrieval-Augmented Generation) comme exemple:

1. Configurer l'environnement et la clé OpenAI

source :https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Définir le client OpenAI et utiliser le découpage pour le traitement des fichiers PDF

source :https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Définir la structure du document et l'intégration

source:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Créer le stockage vectoriel et l'agent RAG

source:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

Rig (ARC) est un cadre de construction de système AI basé sur le langage Rust pour les moteurs de flux de travail LLM. Il résout les problèmes d'optimisation des performances de niveau inférieur. En d'autres termes, ARC est une «boîte à outils» moteur AI qui fournit des appels AI et une optimisation des performances, le stockage de données, la gestion des exceptions et d'autres services de support en arrière-plan.

Ce que Rig veut résoudre, c'est le problème de la « sélection » pour aider les développeurs à mieux choisir LLM, à mieux optimiser les mots d'invite, à gérer les jetons plus efficacement, et comment gérer le traitement simultané, gérer les ressources, réduire la latence, etc. Son objectif est de savoir comment « bien l'utiliser » lors de la collaboration avec le système d'agent d'IA, en se concentrant sur le modèle AI LLM.

Rigest une bibliothèque Rust open source conçue pour simplifier le développement d’applications pilotées par LLM, y compris les agents RAG. Parce que Rig est plus ouvert, il a des exigences plus élevées pour les développeurs et une meilleure compréhension de Rust et d’Agent. Le didacticiel ci-dessous est le processus de configuration de l’agent RAG le plus élémentaire. RAG améliore le LLM en combinant le LLM avec la recherche de connaissances externes. Dans d’autres démos sur le site officiel, vous pouvez voir que Rig a les caractéristiques suivantes :

• Interface LLM unifiée : prend en charge des API cohérentes de différents fournisseurs LLM, simplifiant l'intégration.
• Flux de travail abstrait: des composants modulaires pré-construits permettent à Rig de réaliser la conception de systèmes d'IA complexes.
• Stockage vectoriel intégré: La prise en charge intégrée du stockage de genre offre des performances efficaces dans les agents de recherche similaires tels que l'agent RAG.
• Intégration flexible : Fournit une API facile à utiliser pour le traitement de l'intégration, réduisant la difficulté de la compréhension sémantique lors du développement d'agents de recherche similaires tels que l'agent RAG.

On peut constater que par rapport à Eliza, Rig offre aux développeurs une marge supplémentaire pour l'optimisation des performances, aidant les développeurs à mieux déboguer les appels et l'optimisation de la collaboration entre LLM et Agent. Rig offre des performances basées sur Rust, en tirant parti des abstractions sans coût de Rust et des opérations LLM à faible latence, à haute performance et sûres en termes de mémoire. Cela peut offrir un degré de liberté plus élevé au niveau sous-jacent.

Cadre de groupes de composition modulaire

Swarms vise à fournir un cadre d'orchestration multi-Agent de niveau production de qualité entreprise. Le site officiel propose des dizaines de flux de travaux et d'architectures parallèles/séquentielles pour les tâches des Agents. Ci-dessous une brève introduction à une petite partie d'entre eux.

Workflow séquentiel

Source: https://docs.swarms.world

L'architecture en essaim séquentiel traite les tâches dans une séquence linéaire. Chaque agent termine sa tâche avant de transmettre les résultats à l'agent suivant dans la chaîne. Cette architecture garantit un traitement ordonné et est utile lorsque les tâches ont des dépendances.

Cas d'utilisation:

• Chaque étape du flux de travail dépend de la précédente, comme dans une ligne d'assemblage ou un traitement séquentiel des données.
• Scénarios qui nécessitent un strict respect des séquences d'opération.

Architecture hiérarchique:

Source: https://docs.swarms.world

Cette architecture implémente un contrôle de haut en bas, où un Agent de niveau supérieur coordonne les tâches entre les Agents de niveau inférieur. Les Agents exécutent les tâches simultanément et renvoient leurs résultats dans la boucle pour l'agrégation finale. Ceci est particulièrement utile pour les tâches qui sont hautement parallélisables.

Source: https://docs.swarms.world

Cette architecture est conçue pour gérer des groupes à grande échelle d'Agents travaillant simultanément. Elle peut gérer des milliers d'Agents, chacun fonctionnant sur son propre thread. Elle est idéale pour superviser la sortie des opérations d'Agent à grande échelle.

Swarms n'est pas seulement un cadre d'Agent mais est également compatible avec les cadres Eliza, ZerePy et Rig mentionnés précédemment. Avec une approche modulaire, il maximise les performances de l'Agent dans différents workflows et architectures pour résoudre les problèmes correspondants. La conception et le développement de Swarms, ainsi que sa communauté de développeurs, progressent bien.

• Eliza : Offre la meilleure facilité d'utilisation, ce qui la rend adaptée aux débutants et au développement rapide de prototypes, en particulier pour les interactions d'IA sur les plateformes de médias sociaux. Le framework est simple et facile à intégrer et à modifier, adapté aux scénarios ne nécessitant pas une optimisation de performance poussée.
• ZerePy: Déploiement en un clic, idéal pour le développement rapide d'applications d'agents d'IA sur Web3 et les plateformes sociales. Il convient aux applications d'IA légères, avec un cadre simple et une configuration flexible pour une configuration et une itération rapides.
• Rig: Met l'accent sur l'optimisation des performances, en particulier pour les tâches à haute concurrence et haute performance. Il est idéal pour les développeurs qui ont besoin d'un contrôle détaillé et d'une optimisation. Le framework est plus complexe et nécessite des connaissances en Rust, ce qui le rend adapté aux développeurs plus expérimentés.
• Essaims: Adapté aux applications de niveau entreprise, soutenant la collaboration multi-agent et la gestion de tâches complexes. Le cadre est flexible, prend en charge le traitement parallèle à grande échelle et propose diverses configurations d'architecture. Cependant, en raison de sa complexité, il peut nécessiter des connaissances techniques plus solides pour une utilisation efficace.

En général, Eliza et ZerePy ont des avantages en termes de facilité d'utilisation et de développement rapide, tandis que Rig et Swarms sont plus adaptés aux développeurs professionnels ou aux applications d'entreprise nécessitant des performances élevées et un traitement à grande échelle.

C'est pourquoi le cadre Agent possède la caractéristique « d'espoir de l'industrie ». Les frameworks mentionnés ci-dessus en sont encore aux premiers stades, et la priorité immédiate est de gagner un avantage de premier arrivé et d'établir une communauté de développeurs active. Les performances du framework et le fait qu'il soit en retard par rapport aux applications populaires Web2 ne sont pas les principales préoccupations. Les seuls frameworks qui réussiront finalement sont ceux qui peuvent continuellement attirer les développeurs car l'industrie Web3 doit toujours capturer l'attention du marché. Peu importe la performance solide du framework ou la solidité de ses fondamentaux, s'il est difficile à utiliser et qu'il ne parvient pas à attirer les utilisateurs, cela sera contre-productif. À condition que le framework lui-même puisse attirer les développeurs, ceux qui ont un modèle économique de jeton plus mature et complet se démarqueront.

La caractéristique "Memecoin" des cadres d'Agent est assez facile à comprendre. Les jetons des cadres mentionnés ci-dessus n'ont pas de conception économique raisonnable, manquent de cas d'utilisation ou en ont très peu, et n'ont pas validé de modèles commerciaux. Il n'y a pas de volant de jeton efficace. Les cadres ne sont que des cadres, et il n'y a eu aucune intégration organique entre le cadre et le jeton. La croissance du prix du jeton, en dehors de FOMO, a peu de soutien fondamental et manque d'un solide fossé pour assurer une croissance de valeur stable et à long terme. En même temps, les cadres eux-mêmes sont encore quelque peu rudimentaires, et leur valeur réelle ne correspond pas à leur valeur marchande actuelle, présentant ainsi de fortes caractéristiques de "Memecoin".

Il est important de noter que la « dualité onde-particule » du cadre Agent n'est pas un désavantage et ne devrait pas être interprétée approximativement comme un cadre qui n'est ni une pure Memecoin ni une solution intermédiaire sans cas d'utilisation de jetons. Comme je l'ai mentionné dans l'article précédent, les Agents légers sont couverts par le voile ambigu de Memecoin. La culture communautaire et les fondamentaux ne seront plus une contradiction, et une nouvelle voie de développement des actifs émerge progressivement. Malgré la bulle initiale et l'incertitude entourant les cadres Agent, leur potentiel d'attirer les développeurs et de favoriser l'adoption des applications ne devrait pas être ignoré. À l'avenir, les cadres dotés d'un modèle économique de jetons bien développé et d'un écosystème de développeurs solide pourraient devenir les piliers clés de ce secteur.

Avertissement :

1. Cet article est reproduit à partir de [odaily]. Transférer le titre original : Le framework AI Agent est-il la dernière pièce du puzzle ? Comment interpréter la « dualité onde-particule » des frameworks ? Les droits d’auteur appartiennent à l’auteur original [Kevin, le chercheur de BlockBooster]. Si vous avez des objections à la réimpression, veuillez contacter Équipe Gate LearnL'équipe s'en occupera dès que possible selon les procédures pertinentes.
2. Clause de non-responsabilité : Les points de vue et opinions exprimés dans cet article sont exclusivement ceux de l'auteur et ne constituent pas des conseils en matière d'investissement.
3. L'équipe Learn de gate a traduit l'article dans d'autres langues. La copie, la distribution ou le plagiat des articles traduits est interdite sauf mention contraire.