Dans ce rapport, nous discutons du paysage des cadres au sein de Crypto X AI. Nous examinerons les types actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences technologiques.

Net/Net:

Nous avons examiné et testé les 4 principaux frameworks au cours de la semaine dernière et nos conclusions sont présentées ici (et oui, il y a une feuille de triche).

Nous pensons que $AI 16Z continuera de dominer la part de marché. La valeur d’Eliza ($ai 16z, ~60% de part de marché, 900 millions de dollars Mcap) est son avantage de premier arrivé (effet Lindy) et son utilisation accélérée parmi les développeurs, comme en témoignent 193 contributeurs, 1,8k forks et 6000+ étoiles, ce qui en fait l’un des dépôts les plus populaires sur Github.

$GAME (~20% de part de marché, capitalisation boursière de 300 millions de dollars), jusqu'à présent, est très fluide et connaît une adoption rapide, comme le montre l'annonce d'aujourd'hui de $VIRTUAL indiquant plus de 200 projets, 150 000 demandes quotidiennes et une croissance de 200% semaine après semaine. $GAMEcontinuera à bénéficier de la hausse de $VIRTUAL et sera l'un des plus grands gagnants de leur écosystème.

Rig ($ARC, ~15% de part de marché, $160m Mcap) est très attractif et facile à utiliser grâce à sa conception modulaire, et peut dominer l'écosystème Solana (RUST) en tant que « pure-play ».

Zerepy ($ZEREBRO, ~5% de part de marché, Mcap de 300 millions de dollars), est une application plus spécialisée au sein d'une communauté culte, sous $ZEREBRO, et son récent partenariat avec la communauté ai16z favorise probablement les synergies.

Nous notons que nos calculs de part de marché sont un mélange de capitalisation boursière, de dossier de développement et de portée du marché final du système d'exploitation.

Nous pensons que le segment Framework sera le plus en croissance pendant le cycle actuel, car ~1,7 milliard de dollars de capitalisation boursière combinée pourrait facilement atteindre 20 milliards de dollars, ce qui pourrait encore être conservateur par rapport aux valorisations de pointe L1 en 2021 où beaucoup ont atteint 20 milliards de dollars ou plus en valorisation seule. Bien que les 3 servent des marchés finaux différents (chaînes/écosystèmes), une approche pondérée par la capitalisation boursière pourrait être la plus prudente étant donné que nous considérons le secteur comme une marée montante.

Feuille de triche du cadre :

Dans ce tableau, nous présentons les principales technologies, composants et forces de chaque cadre majeur.

Une fiche de triche pour un aperçu des frameworks

Introduction aux cadres

Dans l'intersection de l'IA x Crypto, plusieurs cadres ont émergé pour faciliter le développement de l'IA. Ils comprennent ELIZA par $AI16Z, RIG par $ARC, ZEREPY par $ZEREBRO, et $GAME par $VIRTUAL. Chaque framework répond à des besoins et à des philosophies différents en matière de développement agentique, allant des projets communautaires open source aux solutions d’entreprise axées sur la performance.

Cette note présente d'abord les cadres tels qu'ils sont, le langage de programmation utilisé, l'architecture technique, les algorithmes et les fonctionnalités uniques avec des cas d'utilisation potentiels où le cadre peut être utilisé. Ensuite, nous comparons chaque cadre en termes d'utilisabilité, de scalabilité, d'adaptabilité et de performance. Avec leurs forces et leurs limites.

Cadre ELIZA par @ai16zdaovia @shawmakesmagic

Eliza est un cadre de simulation multi-agent open-source conçu pour créer, déployer et gérer des agents IA autonomes. Développé en TypeScript comme langage de programmation, il offre une plateforme flexible et extensible pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes tout en maintenant des personnalités et des connaissances cohérentes.

Les capacités essentielles de ce cadre comprennent une architecture multi-agent qui prend en charge le déploiement et la gestion de plusieurs personnalités AI uniques simultanément, ainsi qu'un système de personnage pour créer des agents divers en utilisant le cadre de fichier de personnage, et une fonction de gestion de la mémoire via un système avancé de génération augmentée par récupération (RAG) qui fournit une mémoire à long terme et une conscience contextuelle. De plus, le cadre Eliza offre une intégration de plateforme fluide pour une connexion fiable avec Discord, X, et d'autres plateformes de médias sociaux.

Eliza est un excellent choix en ce qui concerne les capacités de communication et de médias des agents d’IA. En ce qui concerne la communication, le framework prend en charge l’intégration sur Discord avec des capacités de canal vocal, la fonctionnalité X, Telegram et un accès direct à l’API pour les cas d’utilisation personnalisés. D’autre part, les fonctionnalités de traitement multimédia du framework s’étendent à la lecture et à l’analyse de documents PDF, à l’extraction et au résumé de contenu à partir de liens, à la transcription audio, au traitement de contenu vidéo, à l’analyse d’images et au résumé de conversations pour gérer efficacement diverses entrées et sorties multimédias.

Le framework Eliza fournit un support de modèle d'IA flexible grâce à une inférence locale avec des modèles open-source, une inférence basée sur le cloud via OpenAI, et des configurations par défaut comme Nous Hermes Llama 3.1B, avec un support d'intégration pour Claude pour gérer des requêtes complexes. Eliza utilise une architecture modulaire avec un système d'action étendu, un support client personnalisé et une API complète, garantissant à la fois la scalabilité et l'adaptabilité dans les applications.

Les cas d'utilisation pour Eliza couvrent plusieurs domaines tels que: des assistants d'IA pour le support client, la modération de la communauté et les tâches personnelles, ainsi que des personnages sur les réseaux sociaux tels que des créateurs de contenu automatisés, des bots d'engagement et des représentants de marque. Il sert également de travailleur du savoir pour des rôles tels que l'assistant de recherche, l'analyste de contenu et le processeur de documents, et prend en charge des personnages interactifs sous la forme de bots de jeu de rôle, de tuteurs éducatifs et d'agents de divertissement.

L'architecture d'Eliza repose sur un agent d'exécution, qui s'intègre parfaitement à son système de personnage (pris en charge par un fournisseur de modèles), à son gestionnaire de mémoire (connecté à une base de données) et à son système d'action (lié aux clients de la plateforme). Les fonctionnalités uniques du framework comprennent un système de plug-in qui permet une extension modulaire de la fonctionnalité, la prise en charge d'interactions multimodales telles que la voix, le texte et les médias, et la compatibilité avec des modèles d'IA de premier plan tels que Llama, GPT-4 et Claude. Avec sa conception polyvalente et robuste, Eliza se distingue comme un outil puissant pour le développement d'applications d'IA dans divers domaines.

Cadre G.A.M.E par @virtuals_iovia @everythingempt0

Le cadre d'entités multimodales autonomes génératives (G.A.M.E) est conçu pour fournir aux développeurs un accès API et SDK pour expérimenter avec des agents d'IA. Ce cadre offre une approche structurée pour gérer le comportement des agents d'IA, la prise de décision et les processus d'apprentissage.

Les composants principaux sont : Premièrement, une interface de guidage de l'agent comme point d'entrée pour les développeurs afin d'intégrer GAME dans un agent pour accéder au comportement agentique. Le sous-système de perception initie des sessions en spécifiant des paramètres tels que les identifiants de session, les identifiants d'agent, les utilisateurs et d'autres détails pertinents.

Il synthétise les messages entrants dans un format adapté au moteur de planification stratégique, agissant comme mécanisme d'entrée sensorielle pour les agents d'IA, que ce soit sous forme de dialogue ou de réactions. Au cœur de cela se trouve le module de traitement du dialogue pour traiter les messages et les réponses de l'agent et collaborer avec le sous-système de perception pour interpréter et répondre aux entrées de manière efficace.

Le moteur de planification stratégique fonctionne en conjonction avec le module de traitement du dialogue et l'opérateur de portefeuille sur chaîne, génère des réponses et des plans. Ce moteur fonctionne à deux niveaux : en tant que planificateur de haut niveau pour créer des stratégies générales basées sur le contexte ou les objectifs et en tant que politique de bas niveau pour traduire ces stratégies en politiques opérationnelles qui sont ensuite divisées en un planificateur d'actions pour spécifier les tâches et un exécuteur de plan pour les exécuter.

Un composant séparé mais essentiel est le Contexte Mondial, qui fait référence à l'environnement, aux informations mondiales et aux états du jeu, fournissant un contexte essentiel pour la prise de décision de l'agent. De plus, le Répertoire de l'Agent permet de stocker des attributs à long terme tels que les objectifs, les réflexions, les expériences et les personnalités, qui façonnent collectivement le comportement de l'agent et les processus de prise de décision.

Ce cadre utilise une mémoire de travail à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve les informations pertinentes sur les actions précédentes, les résultats et les plans actuels. En revanche, le processeur de mémoire à long terme extrait les informations clés en fonction de critères tels que l'importance, la récence et la pertinence. Cette mémoire stocke les connaissances sur les expériences de l'agent, les réflexions, la personnalité dynamique, le contexte mondial et la mémoire de travail pour améliorer la prise de décision et fournir une base d'apprentissage.

Pour compléter la mise en page, le module d'apprentissage utilise les données du sous-système de perception pour générer des connaissances générales, qui sont ensuite réintroduites dans le système pour affiner les interactions futures. Les développeurs peuvent fournir des commentaires sur les actions, les états du jeu et les données sensorielles via l'interface afin d'améliorer l'apprentissage de l'agent d'IA et ses capacités de planification et de prise de décision.

Le flux de travail commence par des interactions entre les développeurs via l'interface de prompteur d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement du dialogue, qui gère la logique d'interaction. Le moteur de planification stratégique formule ensuite et exécute des plans basés sur ces informations, en utilisant à la fois des stratégies de haut niveau et une planification d'action détaillée.

Les données provenant du Contexte mondial et du Répertoire d'agents informent ces processus, tandis que la Mémoire de travail suit les tâches immédiates. Simultanément, le Processeur de mémoire à long terme stocke et récupère les connaissances au fil du temps. Le Module d'apprentissage analyse les résultats et intègre de nouvelles connaissances dans le système, permettant une amélioration continue du comportement et des interactions de l'agent.

Cadre RIG par @arcdotfunvia @Playgrounds0x

Rig est un framework open source basé sur Rust conçu pour rationaliser le développement d'applications de modèles de langage volumineux. Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM, tels que OpenAI et Anthropic, et prend en charge diverses bases de données de vecteurs, y compris MongoDB et Neo4j. L'architecture modulaire du framework comprend des composants principaux tels que la couche d'abstraction du fournisseur, l'intégration de la base de données de vecteurs et un système d'agents pour faciliter les interactions fluides avec le LLM.

Le public principal de Rig comprend les développeurs qui créent des applications d’IA/ML dans Rust, tandis que son public secondaire comprend les organisations qui cherchent à intégrer plusieurs fournisseurs de LLM et magasins de vecteurs dans leurs applications Rust. Le référentiel est organisé à l’aide d’une structure basée sur un espace de travail avec plusieurs caisses, ce qui permet une évolutivité et une gestion de projet efficace. Les principales fonctionnalités incluent la couche d’abstraction des fournisseurs, qui standardise les API pour la complétion et l’intégration entre les fournisseurs de LLM avec une gestion cohérente des erreurs. Le composant Vector Store Integration offre une interface abstraite pour plusieurs backends et prend en charge les recherches de similarité vectorielle. Le système d’agents simplifie les interactions LLM, en prenant en charge la génération augmentée de récupération (RAG) et l’intégration d’outils. En outre, l’infrastructure d’intégrations fournit des fonctionnalités de traitement par lots et des opérations d’incorporation de type sécurisé.

Rig tire parti de plusieurs avantages techniques pour garantir la fiabilité et les performances. Les opérations asynchrones utilisent l'horloge interne asynchrone de Rust pour traiter efficacement de nombreuses demandes simultanées. Les mécanismes de gestion des erreurs intégrés au framework améliorent la résilience face aux défaillances des fournisseurs d'IA ou des opérations de base de données. La sécurité des types empêche les erreurs au moment de la compilation, ce qui améliore la maintenabilité du code. Les processus de sérialisation et de désérialisation efficaces facilitent la gestion des données pour des formats tels que JSON, essentiel pour la communication et le stockage des services d'IA. La journalisation et l'instrumentation détaillées contribuent également au débogage et à la surveillance des applications.

Le flux de travail dans Rig commence lorsque un client initie une demande, qui passe par la couche d'abstraction du fournisseur pour interagir avec le modèle LLM approprié. Les données sont ensuite traitées par la couche principale, où les agents peuvent utiliser des outils ou accéder à des magasins de vecteurs pour obtenir du contexte. Les réponses sont générées et affinées grâce à des flux de travail complexes comme RAG, qui implique la récupération de documents et la compréhension du contexte, avant d'être renvoyées au client. Le système intègre plusieurs fournisseurs LLM et magasins de vecteurs, ce qui permet une adaptation à la disponibilité ou aux changements de performance du modèle.

Les cas d'utilisation diversifiés de Rig incluent des systèmes de question-réponse qui récupèrent des documents pertinents pour fournir des réponses précises, la recherche et la récupération de documents pour une découverte de contenu efficace, et des chatbots ou des assistants virtuels qui fournissent des interactions conscientes du contexte pour le service clientèle ou l'éducation. Il prend également en charge la génération de contenu, permettant la création de textes et d'autres matériels basés sur des motifs appris, ce qui en fait un outil polyvalent pour les développeurs et les organisations.

Cadre Zerepy par@0xzerebroet @blorm_via @jyu_eth

ZerePy est un framework open-source écrit en Python conçu pour déployer des agents sur X en utilisant OpenAI ou Anthropic LLMs. Dérivé d'une version modulaire du backend Zerebro, ZerePy permet aux développeurs de lancer des agents avec des fonctionnalités similaires aux fonctionnalités principales de Zerebro. Bien que le framework offre une base pour le déploiement d'agents, il est nécessaire d'ajuster finement les modèles pour générer des sorties créatives. ZerePy simplifie le développement et le déploiement d'agents IA personnalisés, notamment pour la création de contenu sur les plateformes sociales, favorisant ainsi un écosystème de créativité pilotée par l'IA axée sur les applications artistiques et décentralisées.

Le cadre, construit en Python, met l'accent sur l'autonomie de l'agent avec un accent sur la génération de résultats créatifs, en alignant avec l'architecture d'ELIZA + Partenariat avec ELIZA. Sa conception modulaire prend en charge l'intégration du système de mémoire et facilite le déploiement de l'agent sur les plates-formes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion de l'agent, l'intégration avec Twitter, le support pour OpenAI et Anthropic LLMs, et un système de connexion modulaire pour une fonctionnalité améliorée.

Les cas d'utilisation de ZerePy couvrent l'automatisation des médias sociaux, où les utilisateurs peuvent déployer des agents d'IA pour poster, répondre, aimer et retweeter, augmentant ainsi l'engagement sur la plateforme. De plus, il répond à la création de contenu dans des domaines tels que la musique, les mèmes et les NFT, ce qui en fait un outil précieux pour les arts numériques et les plateformes de contenu basées sur la blockchain.

Comparaison entre les quatre cadres

À notre avis, chaque cadre offre une approche unique du développement de l’IA, répondant à des besoins et à des environnements spécifiques, ce qui éloigne le débat de ces cadres en tant que concurrents pour se rapprocher des arguments de chaque cadre offrant une proposition unique.

ELIZA se distingue par son interface conviviale, en particulier pour les développeurs familiers avec les environnements JavaScript et Node.js. Sa documentation complète facilite la configuration des agents d'IA sur différentes plates-formes, bien que son ensemble de fonctionnalités étendu puisse présenter une courbe d'apprentissage modérée. Développé en TypeScript, Eliza est idéal pour la création d'agents intégrés dans le Web, car la majeure partie de l'infrastructure frontale du Web est construite en TypeScript. Le framework excelle avec son architecture multi-agent, permettant le déploiement de différentes personnalités d'IA sur des plates-formes telles que Discord, X et Telegram. Son système RAG avancé pour la gestion de la mémoire le rend particulièrement efficace pour les assistants d'IA dans le support client ou les applications de médias sociaux. Bien qu'il offre une flexibilité, un fort soutien communautaire et des performances cohérentes multiplateformes, il en est encore à ses débuts et peut représenter une courbe d'apprentissage pour les développeurs.

GAME, conçu pour les développeurs de jeux, propose des interfaces low-code ou no-code via une API, ce qui le rend accessible aux utilisateurs moins techniques du secteur du jeu. Cependant, l’accent mis sur le développement de jeux et l’intégration de la blockchain pourrait poser une courbe d’apprentissage abrupte pour ceux qui n’ont pas d’expérience pertinente. Il se distingue par la génération de contenu procédural et le comportement des PNJ, mais est limité par son objectif de niche et la complexité ajoutée par l’intégration de la blockchain.

Rig, en raison de son utilisation de Rust, peut être moins convivial en raison de la complexité du langage, ce qui pose un défi d’apprentissage important, mais pour ceux qui sont versés dans la programmation de systèmes, il offre une interaction intuitive. Le langage de programmation lui-même est connu pour ses performances et sa sécurité de la mémoire par rapport au tapuscrit. Il est livré avec des contrôles stricts du temps de compilation et des abstractions à coût nul qui sont nécessaires pour exécuter des algorithmes d’IA complexes. Le langage est efficace et son contrôle de bas niveau le rend idéal pour les applications d’IA gourmandes en ressources. Ce framework offre des solutions hautes performances avec une conception modulaire et évolutive, ce qui le rend idéal pour les applications d’entreprise. Cependant, l’utilisation de Rust introduit une courbe d’apprentissage abrupte pour les développeurs qui ne sont pas familiers avec le langage.

ZerePy, utilisant Python, offre une grande facilité d’utilisation pour les tâches d’IA créatives, avec une courbe d’apprentissage plus faible pour les développeurs Python, en particulier ceux qui ont une formation en IA/ML, et bénéficie d’un fort soutien de la communauté en raison de l’engagement de Zerebro dans la communauté crypto. Excelle dans les applications créatives d’IA telles que les NFT, se positionnant comme un outil puissant pour les médias numériques et les arts. Bien qu’il prospère dans la créativité, son champ d’application est relativement plus étroit par rapport à d’autres cadres.

En termes de scalabilité, ELIZA a fait des progrès avec sa mise à jour V2, qui introduit un bus de messages unifié et un framework central extensible, permettant une gestion efficace sur plusieurs plates-formes. Cependant, la gestion de cette interaction multiplateforme peut présenter des défis de scalabilité s'ils ne sont pas optimisés.

GAME excelle dans le traitement en temps réel nécessaire aux jeux, où la scalabilité est gérée grâce à des algorithmes efficaces et aux systèmes distribués de la blockchain, bien qu'elle puisse être limitée par le moteur de jeu spécifique ou les limitations du réseau blockchain.

Le cadre Rig Framework tire parti des performances de Rust pour la scalabilité, conçu de manière inhérente pour les applications à haut débit, ce qui pourrait être particulièrement efficace pour les déploiements au niveau de l'entreprise, même si cela pourrait signifier des configurations complexes pour atteindre une véritable scalabilité.

La scalabilité de Zerepy est axée sur des productions créatives, soutenue par les contributions de la communauté, mais son focus pourrait limiter son application dans des contextes d'IA plus larges, la scalabilité étant potentiellement testée par la diversité des tâches créatives plutôt que par le volume d'utilisateurs.

En ce qui concerne l'adaptabilité, ELIZA est en tête avec son système de plug-ins et sa compatibilité multiplateforme, suivi de GAME dans les environnements de jeu et de Rig pour la gestion des tâches d'IA complexes. ZerePy démontre une grande adaptabilité dans les domaines créatifs mais est moins adapté aux applications d'IA plus larges.

En termes de performances, ELIZA est optimisée pour des interactions rapides sur les réseaux sociaux, où des temps de réponse rapides sont essentiels, mais ses performances peuvent varier lorsqu'il s'agit de tâches computationnelles plus complexes.

GAME by Virtual Protocol se concentre sur une interaction en temps réel haute performance dans les scénarios de jeu, en utilisant des processus de prise de décision efficaces et éventuellement la blockchain pour les opérations d'IA décentralisées.

Le cadre Rig, avec sa base en Rust, offre d'excellentes performances pour les tâches de calcul haute performance, adapté aux applications d'entreprise où l'efficacité de calcul est primordiale.

La performance de Zerepy est adaptée à la création de contenu créatif, avec des métriques axées sur l'efficacité et la qualité de la génération de contenu, potentiellement moins polyvalente en dehors des domaines créatifs.

En tenant compte des avantages, ELIZA offre une flexibilité et une extensibilité, ce qui la rend très adaptable grâce à son système de plug-ins et à sa configuration de personnage, bénéfique pour les interactions sociales de l'IA sur différentes plates-formes.

GAME offre des capacités d'interaction en temps réel uniques au sein des jeux, renforcées par l'intégration de la blockchain pour une nouvelle expérience d'engagement de l'IA.

L'avantage de Rig réside dans ses performances et sa capacité de mise à l'échelle pour les tâches d'IA d'entreprise, avec un accent sur un code propre et modulaire pour la santé à long terme du projet.

Zerepy excelle dans la promotion de la créativité, en tête des applications d'IA pour les arts numériques, soutenue par un modèle de développement dynamique axé sur la communauté.

Chaque cadre a ses limites, ELIZA en est encore à ses débuts avec des problèmes de stabilité potentiels et une courbe d'apprentissage pour les nouveaux développeurs, la focalisation de Game sur un créneau pourrait limiter les applications plus larges, et la blockchain ajoute de la complexité, la courbe d'apprentissage raide de Rig en raison de Rust pourrait dissuader certains développeurs, et la focalisation étroite de Zerepy sur les sorties créatives pourrait restreindre son utilisation dans d'autres domaines de l'IA.

Points clés dans la comparaison des frameworks

Rig ($ARC) :

Langage : Rust, axé sur la sécurité et les performances.

Utilisation : Idéal pour les applications d'IA de niveau entreprise en raison de sa focalisation sur l'efficacité et l'évolutivité.

Communauté : Moins axé sur la communauté, plus axé sur les développeurs techniques.

Eliza ($AI16Z):

Langue: TypeScript, mettant l'accent sur la flexibilité web3 et l'implication de la communauté.

Utilisation: Conçu pour les interactions sociales, les DAO et le trading, avec une forte emphase sur les systèmes multi-agents.

Communauté: Très axée sur la communauté, avec une forte participation sur GitHub.

ZerePy ($ZEREBRO) :

Langage : Python, le rendant accessible à une base de développeurs en IA plus large.

Cas d'utilisation : Convient à l'automatisation des médias sociaux et aux tâches plus simples des agents d'IA.

Communauté : Relativement nouvelle mais en voie de croissance en raison de la popularité de Python + du soutien des contributeurs d'AI16Z.

JEU ($VIRTUAL) :

Focus: Sur des agents AI autonomes et adaptatifs qui peuvent évoluer en fonction des interactions au sein d'environnements virtuels.

Utilisation: Idéal pour les scénarios où les agents doivent apprendre et s'adapter, comme les jeux ou les mondes virtuels.

Communauté : Innovante mais encore en train de définir son créneau au milieu de la concurrence.

Star History Sur Github

Historique des étoiles GitHub

L'illustration ci-dessus est une référence à l'historique des étoiles GitHub des frameworks depuis leur lancement. Il est noté que les étoiles GitHub servent d'indicateur de l'intérêt de la communauté, de la popularité du projet et de la valeur perçue du projet.

ELIZA - Ligne Rouge:

Démontre une augmentation significative et régulière des étoiles, à partir d'une base faible en juillet et connaissant une augmentation significative des étoiles à partir de fin novembre, atteignant 6,1k étoiles. Cela indique une augmentation rapide de l'intérêt qui a capté l'attention des développeurs. La croissance exponentielle suggère que ELIZA a gagné une traction substantielle en raison de ses fonctionnalités, mises à jour et engagement communautaire. Sa popularité dépasse largement les autres, ce qui indique un fort soutien communautaire et une applicabilité ou un intérêt plus large dans la communauté de l'IA.

RIG - Ligne Bleue :

Rig est le plus ancien des quatre, montrant une croissance modeste mais constante en termes d'étoiles, avec une augmentation notable au cours du mois en cours. Il a atteint 1,7k étoiles mais est sur une trajectoire ascendante. L'accumulation régulière d'intérêt est due au développement continu, aux mises à jour et à une base d'utilisateurs croissante. Cela pourrait refléter un public de niche ou un cadre qui est encore en train de bâtir sa réputation.

ZEREPY - Ligne Jaune :

ZerePy a été lancé il y a quelques jours et a obtenu 181 étoiles. Il est souligné que ZerePy a besoin de plus de développement pour augmenter sa visibilité et son adoption. Le partenariat avec $AI16Z devrait attirer plus de contributeurs à la base de code.

GAME - Ligne verte :

Ce projet a un nombre minimal d'étoiles, il est noté que ce cadre peut être directement appliqué sur des agents au sein de l'écosystème virtuel via une API qui élimine le besoin de visibilité sur Github. Cependant, ce cadre n'est disponible que depuis un peu plus d'un mois pour les constructeurs, avec plus de 200 projets en cours de construction avec GAME.

Thèse haussière pour les cadres

La version 2 d'Eliza comprendra l'intégration avec le kit d'agent Coinbase. Tous les projets utilisant Eliza bénéficieront d'un support futur pour TEE natif, permettant aux agents de fonctionner dans des environnements sécurisés. Une fonctionnalité à venir d'Eliza est le registre de plugins, permettant aux développeurs de s'inscrire et d'intégrer des plugins de manière transparente.

De plus, Eliza V2 prendra en charge la messagerie automatisée et anonyme entre différentes plateformes. Le livre blanc sur la tokenomie, prévu pour le 1er janvier 2025, devrait avoir un impact positif sur le jeton AI16Z, qui soutient le cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre, en tirant parti du recrutement de talents de haute qualité, comme en témoignent les efforts de son principal contributeur.

Le cadre GAME offre une intégration sans code pour les agents, permettant l'utilisation simultanée de GAME et ELIZA au sein d'un même projet, chacun servant des objectifs spécifiques. Cette approche devrait attirer les constructeurs axés sur la logique commerciale plutôt que sur les complexités techniques. Malgré être publiquement disponible depuis un peu plus de 30 jours, le cadre a connu des progrès substantiels, soutenus par les efforts de l'équipe pour intégrer davantage de contributeurs. Il est prévu que chaque projet lancé sur $VIRTUAL adoptera GAME.

Rig, représenté par le $ARCjeton, a un potentiel significatif, bien que la croissance de son cadre soit au stade précoce. Le programme de poignée de main pour l'intégration de projets utilisant Rig est en ligne depuis seulement quelques jours. Cependant, des projets de qualité associés à ARC sont prochainement prévus, à l'instar du volant virtuel, mais avec un accent sur Solana. L'équipe est optimiste quant à un partenariat avec Solana, positionnant ARC vers Solana comme Virtual est vers Base. Notamment, l'équipe incite non seulement les nouveaux projets lancés avec Rig, mais aussi les développeurs à améliorer le framework Rig lui-même.

Zerepy, un cadre nouvellement lancé, gagne du terrain grâce à son partenariat avec $AI16Z (Eliza). Le cadre a attiré des contributeurs d'Eliza, qui travaillent activement à l'améliorer. Il bénéficie d'un suivi passionné, alimenté par les fans de $ZEREBRO, et a ouvert de nouvelles opportunités pour les développeurs Python, qui manquaient auparavant de représentation dans le paysage concurrentiel de l'infrastructure AI. Ce cadre est sur le point de jouer un rôle significatif dans les aspects créatifs de l'IA.

Avertissement :

1. Cet article est repris de [gateX]. Tous les droits d'auteur appartiennent à l'auteur original [@DV_Memetics]. Si vous avez des objections à cette réimpression, veuillez contacter la Gate Learnl'équipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité : Les opinions exprimées dans cet article sont celles 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. Copier, distribuer ou plagier les articles traduits est interdit sauf mention contraire.