Neste relatório, discutimos o panorama para Frameworks dentro de Crypto X AI. Vamos analisar os tipos atuais (ELIZA, GAME, ARC, ZEREPY) e suas diferenças tecnológicas.

Net/Net:

Revisamos e testamos os 4 principais frameworks ao longo da última semana e as nossas conclusões estão delineadas aqui (e sim, há uma Folha de Dicas).

Acreditamos que $AI16Z continuará a dominar a quota. O valor em Eliza ($ai16z, ~60% de quota de mercado, $900m Mcap) é a sua vantagem de primeiro a chegar (Efeito Lindy) e uso acelerado entre os programadores, evidenciado por 193 contribuidores, 1.8k forks e 6000+ estrelas, o que a levou a ser um dos repositórios mais populares no Github.

$GAME (~20% de quota de mercado, Mcap de $300m), até agora, é muito suave e está a experimentar uma rápida adoção, como indicado pelo anúncio de hoje da $VIRTUAL indicando 200+ projetos, 150k pedidos diários e um crescimento de 200% s/s. $GAMEcontinuará a beneficiar-se do aumento do $VIRTUAL e tem potencial para ser um dos maiores vencedores no seu ecossistema.

Rig ($ARC, cerca de 15% de participação de mercado, $160m de capitalização de mercado) é muito convincente e fácil de operar devido ao seu design modular, e pode dominar dentro do ecossistema Solana (RUST) como um 'pure-play'.

Zerepy ($ZEREBRO, ~5% de quota de mercado, $300m Mcap), é uma aplicação mais específica dentro de uma comunidade de culto, sob $ZEREBRO, e a sua recente parceria com a comunidade ai16z provavelmente impulsiona sinergias.

Observamos que nossos cálculos de participação de mercado são uma combinação de MCap, registro de desenvolvimento e abrangência do mercado final do sistema operacional subjacente.

Acreditamos que o segmento do Framework será o que mais crescerá durante o ciclo atual, pois ~$1.7b em MCap combinado poderia facilmente crescer para $20b, o que ainda poderia ser conservador em comparação com as avaliações de pico L1 em 2021, onde muitas alcançaram mais de $20b sozinhas em valorização. Embora todos os 3 atendam a diferentes mercados finais (cadeias/ecossistemas), uma abordagem ponderada pelo valor de mercado poderia ser a mais prudente, dado que vemos o setor como uma maré crescente.

Guia de Referência do Framework:

Nesta tabela apresentamos as principais tecnologias, componentes e pontos fortes de cada estrutura principal.

Um guia de referência para uma visão geral dos frameworks

Introdução aos Frameworks

Na intersecção de AI x Crypto, vários frameworks surgiram para facilitar o desenvolvimento de IA. Incluem ELIZA por $AI16Z, RIG por $ARC, ZEREPY por $ZEREBRO, e $GAMEpor $VIRTUAL. Cada estrutura atende a diferentes necessidades e filosofias no desenvolvimento agente, variando de projetos da comunidade de código aberto a soluções empresariais focadas em desempenho.

Esta nota apresenta primeiro os frameworks quanto ao que são, a linguagem de programação utilizada, arquitetura técnica, algoritmos e características únicas com casos de uso potenciais onde o framework pode ser utilizado. Em seguida, comparamos cada framework em termos de usabilidade, escalabilidade, adaptabilidade e desempenho. Juntamente com suas forças e limitações.

estrutura ELIZA por @ai16zdaovia @shawmakesmagic

Eliza é uma estrutura de simulação de código aberto e multiagente projetada para criar, implantar e gerir agentes de IA autônomos. Desenvolvida em TypeScript como linguagem de programação, fornece uma plataforma flexível e extensível para a construção de agentes inteligentes capazes de interagir com humanos em várias plataformas, mantendo personalidades e conhecimentos consistentes.

As principais capacidades deste framework incluem uma arquitetura multi-agente que suporta a implementação e gestão de múltiplas personalidades de IA únicas simultaneamente, juntamente com um sistema de personagens para criar agentes diversos usando o framework de ficheiros de personagens, e uma funcionalidade de gestão de memória através de um sistema avançado de Geração com Recuperação Acrescida (RAG) que fornece memória a longo prazo e consciência contextual. Além disso, o framework Eliza oferece uma integração suave na plataforma para conexão fiável com o Discord, X e outras plataformas de redes sociais.

Eliza é uma excelente escolha quando se trata de capacidades de comunicação e mídia de agentes de IA. Quando se trata de comunicação, a estrutura suporta integração no Discord com recursos de canal de voz, funcionalidade X, Telegram e acesso direto à API para casos de uso personalizados. Por outro lado, os recursos de processamento de mídia da estrutura se estendem à leitura e análise de documentos PDF, extração e sumarização de conteúdo de links, transcrição de áudio, processamento de conteúdo de vídeo, análise de imagem e resumo de conversas para lidar com diversas entradas e saídas de mídia de forma eficaz.

O framework Eliza fornece suporte flexível ao modelo de IA por meio de inferência local com modelos de código aberto, inferência baseada em nuvem via OpenAI e configurações padrão como Nous Hermes Llama 3.1B, com suporte de integração para Claude para lidar com consultas complexas. Eliza emprega uma arquitetura modular com um extenso sistema de ação, suporte personalizado ao cliente e uma API abrangente, garantindo escalabilidade e adaptabilidade em todas as aplicações.

Os casos de uso do Eliza abrangem vários domínios, como: assistentes de IA para suporte ao cliente, moderação da comunidade e tarefas pessoais, bem como personas de mídia social, como criadores de conteúdo automatizados, bots de engajamento e representantes de marca. Ele também serve como um trabalhador do conhecimento para funções como assistente de pesquisa, analista de conteúdo e processador de documentos, e suporta personagens interativos na forma de bots de interpretação de papéis, tutores educacionais e agentes de entretenimento.

A arquitetura do Eliza gira em torno de um tempo de execução do agente, que se integra perfeitamente com seu sistema de personagem (suportado por um provedor de modelo), gerenciador de memória (conectado a um banco de dados) e sistema de ação (vinculado a clientes de plataforma). Recursos exclusivos do framework incluem um sistema de plugins que permite a extensão modular da funcionalidade, suporte para interações multimodais como voz, texto e mídia, e compatibilidade com os principais modelos de IA como Llama, GPT-4 e Claude. Com seu design versátil e robusto, Eliza se destaca como uma poderosa ferramenta para o desenvolvimento de aplicativos de IA em diversos domínios.

Estrutura G.A.M.E por @virtuals_iovia @everythingempt0

O Framework de Entidades Multimodais Autónomas Generativas (G.A.M.E) foi concebido para fornecer aos programadores acesso à API e SDK para experimentar com agentes de IA. Este framework oferece uma abordagem estruturada para gerir o comportamento, tomada de decisão e processos de aprendizagem de agentes de IA.

Os componentes principais são: Primeiro, uma interface de solicitação de agente como um ponto de entrada para os desenvolvedores integrarem o GAME em um agente para acessar o comportamento agentico. O Subsistema de Perceção inicia sessões especificando parâmetros como IDs de sessão, IDs de agente, usuários e outros detalhes relevantes.

Ele sintetiza mensagens recebidas num formato adequado para o Motor de Planeamento Estratégico, atuando como mecanismo de entrada sensorial para agentes de IA, quer na forma de diálogo ou reações. Central a isso está o Módulo de Processamento de Diálogo para processar mensagens e respostas do agente e colaborar com o Subsistema de Percepção para interpretar e responder a inputs de forma eficaz.

O Motor de Planeamento Estratégico funciona em conjunto com o Módulo de Processamento de Diálogo e o operador de carteira on-chain, gera respostas e planos. Este motor funciona em dois níveis: como planeador de alto nível para criar estratégias amplas com base no contexto ou objetivos e como política de baixo nível para traduzir essas estratégias em políticas acionáveis, que é ainda dividida em um Planeador de Ações para especificar tarefas e um Executor de Planos para executá-las.

Um componente separado, mas crítico, é o Contexto Mundial, que faz referência ao ambiente, informações do mundo e estados do jogo, fornecendo um contexto essencial para a tomada de decisão do agente. Além disso, o Repositório de Agentes para armazenar atributos de longo prazo, como objetivos, reflexões, experiências e personalidades, que moldam coletivamente o comportamento e os processos de tomada de decisão do agente.

Este framework utiliza uma memória de trabalho de curto prazo e um processador de memória de longo prazo. A memória de curto prazo retém informações relevantes sobre ações anteriores, resultados e planos atuais. Em contraste, o processador de memória de longo prazo extrai informações-chave com base em critérios como importância, atualidade e relevância. Essa memória armazena conhecimentos sobre as experiências do agente, reflexões, personalidade dinâmica, contexto do mundo e memória de trabalho para aprimorar a tomada de decisões e fornecer uma base para a aprendizagem.

Para adicionar ao layout, o Módulo de Aprendizagem consome dados do Subsistema de Percepção para gerar conhecimento geral, que é retroalimentado no sistema para refinar interações futuras. Os desenvolvedores podem fornecer feedback sobre ações, estados do jogo e dados sensoriais por meio da interface para aprimorar a aprendizagem do agente de IA e melhorar suas capacidades de planejamento e tomada de decisão.

O fluxo de trabalho começa com os desenvolvedores interagindo através da Interface de Prompting do Agente. As entradas são processadas pelo Subsistema de Percepção e encaminhadas para o Módulo de Processamento de Diálogo, que gerencia a lógica de interação. O Motor de Planeamento Estratégico formula e executa planos com base nesta informação, utilizando estratégias de alto nível e planeamento detalhado de ações.

Os processos são informados pelos dados do Repositório de Contexto e Agente, enquanto a Memória de Trabalho acompanha as tarefas imediatas. Simultaneamente, o Processador de Memória de Longo Prazo armazena e recupera conhecimento ao longo do tempo. O Módulo de Aprendizagem analisa os resultados e integra novos conhecimentos no sistema, permitindo melhoria contínua no comportamento e nas interações do agente.

Framework RIG by@arcdotfunvia @Playgrounds0x

Rig é um framework de código aberto baseado em Rust, projetado para agilizar o desenvolvimento de aplicações de Modelos de Linguagem Grandes. Ele fornece uma interface unificada para interagir com vários provedores de MLG, como OpenAI e Anthropic, e suporta vários repositórios de vetores, incluindo MongoDB e Neo4j. A arquitetura modular do framework apresenta componentes principais como a Camada de Abstração do Provedor, Integração de Repositório de Vetores e um Sistema de Agente para facilitar interações perfeitas de MLG.

O público principal do Rig inclui desenvolvedores que criam aplicativos de IA/ML no Rust, enquanto seu público secundário compreende organizações que buscam integrar vários provedores de LLM e lojas vetoriais em seus aplicativos Rust. O repositório é organizado usando uma estrutura baseada em espaço de trabalho com várias caixas, permitindo escalabilidade e gerenciamento eficiente de projetos. Os principais recursos incluem a camada de abstração do provedor, que padroniza APIs para conclusão e incorporação em provedores LLM com tratamento consistente de erros. O componente Vetor Store Integration oferece uma interface abstrata para vários backends e suporta pesquisas de semelhança vetorial. O Agent System simplifica as interações LLM, suportando a Geração Aumentada de Recuperação (RAG) e a integração de ferramentas. Além disso, o Embeddings Framework fornece recursos de processamento em lote e operações de incorporação seguras para tipos.

Rig aproveita várias vantagens técnicas para garantir confiabilidade e desempenho. As operações assíncronas utilizam o tempo de execução assíncrono do Rust para lidar com várias solicitações simultâneas de forma eficiente. Os mecanismos inerentes de tratamento de erros do framework melhoram a resiliência contra falhas em provedores de IA ou operações de banco de dados. A segurança de tipos previne erros em tempo de compilação, melhorando a manutenibilidade do código. Os processos eficientes de serialização e deserialização facilitam o manuseio de dados em formatos como JSON, crucial para a comunicação e armazenamento de serviços de IA. O registro detalhado e a instrumentação auxiliam ainda mais na depuração e monitorização de aplicações.

O fluxo de trabalho no Rig começa quando um cliente inicia um pedido, que flui através da Camada de Abstração do Provedor para interagir com o modelo LLM apropriado. Os dados são então processados pela camada central, onde os agentes podem usar ferramentas ou acessar armazenamentos de vetores para contexto. As respostas são geradas e refinadas através de fluxos de trabalho complexos como RAG, que envolve recuperação de documentos e compreensão do contexto, antes de serem devolvidas ao cliente. O sistema integra vários fornecedores de LLM e armazenamentos de vetores, permitindo adaptabilidade a alterações de disponibilidade ou desempenho do modelo.

Os diversos casos de uso do Rig incluem sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, pesquisa e recuperação de documentos para descoberta eficiente de conteúdo e chatbots ou assistentes virtuais que proporcionam interações contextualmente conscientes para serviço ao cliente ou educação. Ele também suporta a geração de conteúdo, permitindo a criação de texto e outros materiais com base em padrões aprendidos, tornando-se uma ferramenta versátil para desenvolvedores e organizações.

Estrutura Zerepy por@0xzerebroe @blorm_via@jyu_eth

ZerePy é um framework de código aberto, escrito em Python, projetado para implantar agentes em X, utilizando OpenAI ou Anthropic LLMs. Derivado de uma versão modularizada do backend Zerebro, o ZerePy permite que os desenvolvedores lancem agentes com funcionalidade semelhante às principais características do Zerebro. Embora o framework forneça uma base para a implantação do agente, é necessário ajustar os modelos para gerar saídas criativas. O ZerePy simplifica o desenvolvimento e implantação de agentes de IA personalizados, especialmente para criação de conteúdo em plataformas sociais, promovendo um ecossistema de criatividade impulsionado por IA voltado para aplicações artísticas e descentralizadas.

O framework, construído em Python, enfatiza a autonomia do agente com foco na geração de saída criativa, alinhando-se com a arquitetura + Parceria com ELIZA. Seu design modular suporta integração de sistema de memória e facilita a implantação do agente em plataformas sociais. As principais características incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte para OpenAI e Anthropic LLMs, e um sistema de conexão modular para funcionalidade aprimorada.

Os casos de uso do ZerePy abrangem a automação das redes sociais, onde os usuários podem implementar agentes de IA para publicar, responder, curtir e retuitar, aumentando o envolvimento na plataforma. Além disso, ele atende à criação de conteúdo em áreas como música, memes e NFTs, tornando-se uma ferramenta valiosa para artes digitais e plataformas de conteúdo baseadas em blockchain.

Comparação entre os quatro frameworks

Na nossa opinião, cada framework oferece uma abordagem única para o desenvolvimento de IA, atendendo a necessidades e ambientes específicos que retiram o debate desses frameworks serem concorrentes para se aproximarem dos argumentos de cada framework oferecer uma proposição única.

ELIZA destaca-se pela sua interface amigável, especialmente para os programadores familiarizados com os ambientes JavaScript e Node.js. A sua documentação abrangente ajuda na configuração de agentes de IA em várias plataformas, embora o seu extenso conjunto de funcionalidades possa apresentar uma curva de aprendizagem moderada. Desenvolvido em TypeScript, torna Eliza ideal para construir agentes incorporados na web, uma vez que a maior parte do frontend da infraestrutura web é construída em typescript. O framework destaca-se pela sua arquitetura multiagente, possibilitando a implementação de diversas personalidades de IA em plataformas como Discord, X e Telegram. O seu avançado sistema RAG para gestão de memória torna-o particularmente eficaz para assistentes de IA em aplicações de apoio ao cliente ou redes sociais. Embora forneça flexibilidade, forte apoio da comunidade e desempenho consistente em várias plataformas, ainda está numa fase inicial e pode representar uma curva de aprendizagem para os programadores.

GAME, projetado tendo em mente os desenvolvedores de jogos, oferece interfaces de baixo código ou sem código por meio de uma API, tornando-o acessível para usuários menos técnicos dentro do setor de jogos. No entanto, seu foco especializado em desenvolvimento de jogos e integração blockchain pode representar uma curva de aprendizado íngreme para aqueles sem experiência relevante. Ele se destaca pela geração de conteúdo procedural e comportamento de NPC, mas é limitado por seu foco de nicho e pela complexidade adicionada pela integração blockchain.

A Rig, devido ao uso de Rust, pode ser menos amigável devido à complexidade da linguagem, representando um desafio significativo de aprendizagem, mas para aqueles versados em programação de sistemas, oferece uma interação intuitiva. A própria linguagem de programação é conhecida pelo desempenho e segurança de memória em comparação com Typescript. Ela vem com verificações rigorosas em tempo de compilação e abstrações de custo zero que são necessárias para executar algoritmos de IA complexos. A linguagem é eficiente e seu controle de baixo nível a torna ideal para aplicativos de IA intensivos em recursos. Este framework oferece soluções de alto desempenho com um design modular e escalável, tornando-o ideal para aplicativos empresariais. No entanto, o uso de Rust introduz uma curva de aprendizado íngreme para desenvolvedores que não estão familiarizados com a linguagem.

ZerePy, utilizando Python, oferece alta usabilidade para tarefas criativas de IA, com uma curva de aprendizado mais baixa para desenvolvedores Python, especialmente aqueles com formação em IA/ML, e beneficia do forte apoio da comunidade devido ao envolvimento da Zerebro na comunidade de criptomoedas. Excelente em aplicações criativas de IA, como NFTs, posicionando-se como uma ferramenta poderosa para mídia digital e artes. Embora prospere na criatividade, seu escopo é relativamente mais estreito em comparação com outros frameworks.

Em termos de escalabilidade, ELIZA deu passos significativos com sua atualização V2, que introduz um barramento de mensagens unificado e um framework central escalável, permitindo uma gestão eficiente em várias plataformas. No entanto, gerir essa interação multiplataforma pode introduzir desafios de escalabilidade se não for otimizado.

GAME destaca-se no processamento em tempo real necessário para jogos, onde a escalabilidade é gerida através de algoritmos eficientes e potencialmente sistemas distribuídos da blockchain, embora possa ser limitada pelo motor de jogo específico ou pelas limitações da rede da blockchain.

O Rig Framework aproveita o desempenho do Rust para escalabilidade, inerentemente projetado para aplicativos de alta taxa de transferência, o que pode ser particularmente eficaz para implantações de nível empresarial, embora isso possa significar configurações complexas para alcançar a verdadeira escalabilidade.

A escalabilidade do Zerepy está voltada para resultados criativos, suportados por contribuições da comunidade, mas seu foco pode limitar sua aplicação em contextos mais amplos de IA, com a escalabilidade potencialmente testada pela diversidade de tarefas criativas em vez do volume de usuários.

Em termos de adaptabilidade, ELIZA lidera com o seu sistema de plug-ins e compatibilidade multi-plataforma, seguido por GAME dentro de ambientes de jogos e Rig para lidar com tarefas complexas de IA. ZerePy demonstra alta adaptabilidade em domínios criativos, mas é menos adequado para aplicações de IA mais amplas.

Em termos de desempenho, ELIZA é otimizada para interações rápidas nas redes sociais, onde os tempos de resposta rápidos são essenciais, mas o seu desempenho pode variar ao lidar com tarefas computacionais mais complexas.

GAME pela Virtual Protocol concentra-se na interação em tempo real de alto desempenho em cenários de jogos, utilizando processos de tomada de decisão eficientes e possivelmente blockchain para operações descentralizadas de IA.

O Framework Rig, com sua base em Rust, oferece excelente desempenho para tarefas de computação de alto desempenho, adequado para aplicações empresariais onde a eficiência computacional é primordial.

O desempenho da Zerepy é adaptado para a criação de conteúdo criativo, com métricas centradas na eficiência e qualidade da geração de conteúdo, potencialmente menos versátil fora dos domínios criativos.

Considerando as vantagens, ELIZA proporciona flexibilidade e extensibilidade, tornando-a altamente adaptável através do seu sistema de plugins e configuração de personagens, benéfico para interações de IA social em várias plataformas.

GAME oferece capacidades únicas de interação em tempo real dentro de jogos, aprimoradas pela integração da blockchain para um novo envolvimento da IA.

A vantagem do Rig reside no seu desempenho e escalabilidade para tarefas de IA empresariais, com foco em código limpo e modular para a saúde a longo prazo do projeto.

A Zerepy destaca-se na promoção da criatividade, liderando em aplicações de IA para artes digitais, apoiada por um modelo de desenvolvimento impulsionado pela comunidade vibrante.

Cada framework tem suas limitações, ELIZA ainda está em estágios iniciais com possíveis problemas de estabilidade e uma curva de aprendizado para desenvolvedores novos, o foco de nicho do Game pode limitar aplicações mais amplas, e a blockchain adiciona complexidade, a curva de aprendizado íngreme do Rig devido a Rust pode desencorajar alguns desenvolvedores, e o foco estreito do Zerepy em saídas criativas pode restringir seu uso em outros campos de IA.

Principais conclusões na comparação de estruturas

Rig ($ARC):

Linguagem: Rust, focando em segurança e desempenho.

Caso de Uso: Ideal para aplicações de IA de nível empresarial devido ao seu foco na eficiência e escalabilidade.

Comunidade: Menos orientada para a comunidade, mais focada nos desenvolvedores técnicos.

Eliza ($AI16Z):

Linguagem: TypeScript, enfatizando a flexibilidade do web3 e o envolvimento da comunidade.

Caso de uso: Projetado para interações sociais, DAOs e negociação, com forte ênfase em sistemas multi-agentes.

Comunidade: Altamente orientada para a comunidade, com um amplo envolvimento no GitHub.

ZerePy ($ZEREBRO):

Linguagem: Python, tornando-a acessível a uma base mais ampla de desenvolvedores de IA.

Caso de Uso: Adequado para automação de mídia social e tarefas mais simples de agentes de IA.

Comunidade: Relativamente nova, mas com potencial de crescimento devido à popularidade do Python + apoio dos contribuintes da AI16Z.

JOGO ($VIRTUAL):

Foco: em agentes de IA autônomos e adaptativos que podem evoluir com base em interações dentro de ambientes virtuais.

Caso de Uso: Melhor para cenários onde os agentes precisam aprender e adaptar, como jogos ou mundos virtuais.

Comunidade: Inovadora, mas ainda definindo seu nicho em meio à concorrência.

Histórico de Estrelas no Github

Histórico de Estrelas do Github

A ilustração acima é uma referência ao histórico de estrelas do GitHub dos frameworks desde o seu lançamento. Observa-se que as estrelas do GitHub servem como indicador de interesse da comunidade, popularidade do projeto e valor percebido do projeto.

ELIZA - Linha Vermelha:

Demonstra um aumento significativo e constante nas estrelas, a partir de uma base baixa em julho e experimentando um aumento significativo nas estrelas a partir do final de novembro, atingindo 6,1 mil estrelas. Isso indica um aumento rápido de interesse que capturou a atenção dos desenvolvedores. O crescimento exponencial sugere que ELIZA ganhou tração substancial devido às suas características, atualizações e envolvimento da comunidade. Sua popularidade supera em muito os outros, o que indica um forte apoio da comunidade e uma maior aplicabilidade ou interesse na comunidade de IA.

RIG - Linha Azul:

Rig é o mais antigo entre os quatro, mostrando um crescimento modesto, mas consistente em estrelas, com um aumento perceptível no mês atual. Ele atingiu 1.7k estrelas, mas está em uma trajetória ascendente. A acumulação constante de interesse é devido ao desenvolvimento contínuo, atualizações e uma base de usuários em crescimento. Isso pode refletir uma audiência de nicho ou um framework que ainda está construindo sua reputação.

ZEREPY - Linha Amarela:

ZerePy foi lançado há poucos dias e já tem 181 estrelas. É destacado que ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e adoção. A parceria com $AI16Z provavelmente atrairá mais contribuidores para a base de código.

JOGO - Green Line:

Este projeto tem estrelas mínimas, é notado que este framework pode ser aplicado diretamente em agentes dentro do ecossistema virtual via uma API que elimina a necessidade de visibilidade no Github. No entanto, este framework só ficou disponível para construtores publicamente há pouco mais de um mês, com mais de 200 projetos sendo construídos com GAME.

Tese do touro para os frameworks

A versão 2 da Eliza incluirá integração com o kit de agente Coinbase. Todos os projetos que usam a Eliza terão suporte futuro para TEE nativa, permitindo que os agentes operem em ambientes seguros. Uma funcionalidade futura da Eliza é o Plugin Registry, permitindo que os desenvolvedores registem e integrem plugins de forma transparente.

Além disso, o Eliza V2 irá suportar mensagens automatizadas e anônimas entre plataformas. O whitepaper de Tokenomics, programado para ser lançado em 1 de janeiro de 2025, tem a expectativa de impactar positivamente o token AI16Z, que sustenta o framework Eliza. A AI16Z planeja continuar aprimorando a utilidade do framework, aproveitando a integração de talentos de alta qualidade, conforme demonstrado pelos esforços de seu principal contribuinte.

O framework GAME oferece integração sem código para agentes, permitindo o uso simultâneo de GAME e ELIZA em um único projeto, cada um servindo a propósitos específicos. Espera-se que essa abordagem atraia construtores focados na lógica dos negócios em vez de complexidades técnicas. Apesar de estar disponível ao público há pouco mais de 30 dias, o framework tem visto progresso substancial, apoiado pelos esforços da equipe para integrar mais colaboradores. Espera-se que todos os projetos lançados no $VIRTUAL adotem o GAME.

Rig, representado pela $ARCtoken, tem um potencial significativo, embora o crescimento de sua estrutura esteja nos estágios iniciais. O programa de aperto de mãos para integração de projetos usando Rig está ativo há apenas alguns dias. No entanto, projetos de qualidade emparelhados com ARC são esperados em breve, semelhante ao volante virtual, mas com foco em Solana. A equipe está otimista com uma parceria com a Solana, posicionando a ARC para Solana como o Virtual é para Base. É importante destacar que a equipe incentiva não apenas novos projetos lançados com Rig, mas também desenvolvedores a aprimorar a própria estrutura do Rig.

Zerepy, uma estrutura recém-lançada, está ganhando tração devido à sua parceria com $AI16Z (Eliza). A estrutura atraiu contribuidores da Eliza, que estão trabalhando ativamente para melhorá-la. Ela desfruta de um seguimento cult, impulsionado pelos fãs de $ZEREBRO, e abriu novas oportunidades para desenvolvedores Python, que anteriormente não tinham representação no cenário competitivo da infraestrutura de IA. Esta estrutura está preparada para desempenhar um papel significativo nos aspectos criativos da IA.

Aviso legal:

1. Este artigo foi republicado de [gateX]. Todos os direitos autorais pertencem ao autor original [@DV_Memetics]. Se houver objeções a esta reimpressão, por favor, entre em contato com o Gate Learnequipa, e eles tratarão disso prontamente.
2. Aviso de responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem um conselho de investimento.
3. A equipe Learn da gate traduziu o artigo para outros idiomas. Copiar, distribuir ou plagiar os artigos traduzidos é proibido, a menos que seja mencionado.