在本報告中，我們討論了加密與AI領域中的框架現狀。我們將探討當前的框架類型（ELIZA、GAME、ARC、ZEREPY）及其技術差異。

總結：

我們在過去一週內審查並測試了這四大主流框架，結論如下（包括一個“速查表”）。
我們認為，$AI16Z 將繼續佔據市場主導地位。Eliza（$ai16z，約60%市場份額，市值9億美元）的價值體現在其先發優勢（Lindy效應）以及開發者中加速的使用趨勢，這通過193位貢獻者、1.8k次分叉和6000+顆星得以體現，使其成為GitHub上最受歡迎的存儲庫之一。

$GAME（約20%市場份額，市值3億美元）目前運行非常流暢，正在迅速被採用。$VIRTUAL 今日宣佈的200多個項目、每日15萬次請求和每週200%的增長進一步證明了這一點。$GAME 將繼續受益於 $VIRTUAL 的崛起，並有望成為其生態系統中的最大贏家之一。

Rig（$ARC，約15%市場份額，市值1.6億美元）因其模塊化設計，操作簡單，非常具有吸引力，並且作為 Solana 生態系統（RUST）中的“純正玩家”，有望佔據主導地位。

Zerepy（$ZEREBRO，約5%市場份額，市值3億美元）是一種更具利基性的特定應用框架，深受其獨特社區的歡迎。其最近與 ai16z 社區的合作可能會帶來協同效應。

我們的市場份額計算是市值、開發記錄和底層操作系統終端市場覆蓋範圍的綜合評估。

我們認為，框架領域將在當前週期中實現最快的增長，約17億美元的總市值可能會輕鬆增長到200億美元，這相比於2021年一級鏈（L1）估值的峰值（許多項目單獨就超過200億美元）仍然是保守的估計。儘管這四大框架服務於不同的終端市場（鏈/生態系統），但基於市值的加權方法可能是最審慎的，因為我們認為該領域是一個“水漲船高”的市場。
框架速查表：

在此表格中，我們列出了每個主要框架的關鍵技術、組成部分和優勢。

框架概覽速查表
框架介紹

在AI與加密領域的交叉點上，已經出現了多個框架來促進AI的發展。其中包括由$AI16Z推出的ELIZA、由$ARC推出的RIG、由$ZEREBRO推出的ZEREPY，以及由$VIRTUAL推出的$GAME。每個框架都針對智能體開發的不同需求和理念，從開源社區項目到注重性能的企業解決方案。

框架首先介紹了其性質、使用的編程語言、技術架構、算法及其獨特功能，以及框架可能應用的潛在用例。然後，我們將從可用性、可擴展性、適應性和性能方面對各框架進行比較，並分析它們的優勢和侷限性。

ELIZA框架，由@ai16zdao通過@shawmakesmagic開發

Eliza是一個開源的多智能體模擬框架，旨在創建、部署和管理自主AI智能體。該框架採用TypeScript作為編程語言，提供了一個靈活且可擴展的平臺，用於構建能夠在多個平臺上與人類交互的智能體，同時保持一致的個性和知識。

該框架的核心功能包括支持同時部署和管理多個獨特AI個性的多智能體架構，以及通過角色文件框架創建多樣化智能體的角色系統，以及通過先進的檢索增強生成（RAG）系統提供長期記憶和上下文感知的內存管理功能。此外，Eliza框架還提供流暢的平臺集成功能，可與Discord、X和其他社交媒體平臺可靠連接。

在AI智能體的通信和媒體處理能力方面，Eliza是一個出色的選擇。在通信方面，該框架支持與Discord的集成，包括語音頻道功能、X功能、Telegram，以及通過API直接訪問以支持定製用例。另一方面，該框架的媒體處理功能包括PDF文檔閱讀和分析、鏈接內容提取和摘要、音頻轉錄、視頻內容處理、圖像分析以及對多樣化媒體輸入和輸出的對話總結功能。

Eliza框架通過本地推理支持開源模型、基於雲的推理（如OpenAI），以及默認配置（例如Nous Hermes Llama 3.1B），提供靈活的AI模型支持，還支持Claude來處理複雜查詢。Eliza採用模塊化架構，具有廣泛的操作系統、自定義客戶端支持和全面的API，確保應用的可擴展性和適應性。

Eliza的用例涵蓋多個領域，例如：作為客戶支持、社區管理和個人任務的AI助手；作為社交媒體角色，如自動內容創作者、互動機器人和品牌代表。此外，它還可作為研究助理、內容分析師和文檔處理器等知識工作者，以及支持角色扮演機器人、教育導師和娛樂智能體等交互角色。

Eliza的架構圍繞智能體運行時構建，與其角色系統（由模型提供商支持）、內存管理器（連接到數據庫）以及操作系統（與平臺客戶端連接）無縫集成。該框架的獨特功能包括插件系統，支持模塊化功能擴展；支持語音、文本和媒體等多模態交互；兼容Llama、GPT-4和Claude等主流AI模型。憑藉其多功能和強大的設計，Eliza在開發多領域AI應用方面表現出色。

G.A.M.E框架，由@virtuals_io通過@everythingempt0開發

生成式自主多模態實體框架（G.A.M.E）旨在為開發者提供API和SDK訪問權限，以便實驗AI智能體。該框架提供了一種結構化的方法來管理AI智能體的行為、決策和學習過程。

核心組件包括：首先，智能體提示接口作為開發者將GAME集成到智能體中的入口，允許訪問智能體行為。感知子系統通過指定參數（如會話ID、智能體ID、用戶及其他相關細節）來啟動會話。

它將傳入的信息合成成適合戰略規劃引擎的格式，作為AI智能體的感知輸入機制，無論是以對話還是反應的形式。對話處理模塊是其核心，用於處理來自智能體的消息和迴應，並與感知子系統協作，有效地解讀並回應輸入。

戰略規劃引擎與對話處理模塊和鏈上錢包操作員協同工作，生成迴應和計劃。該引擎在兩個層次上運作：作為高級規劃者，根據上下文或目標制定廣泛的戰略；作為低級策略，將這些戰略轉化為可執行的策略，並進一步細分為任務規劃者（用於指定任務）和計劃執行者（用於執行任務）。

一個獨立但關鍵的組件是世界上下文，它引用環境、世界信息和遊戲狀態，為智能體的決策提供必要的上下文。此外，智能體庫用於存儲長期屬性，如目標、反思、經驗和個性，這些共同塑造了智能體的行為和決策過程。

該框架使用短期工作記憶和長期記憶處理器。短期記憶保留與先前行動、結果和當前計劃相關的信息。相比之下，長期記憶處理器根據重要性、時效性和相關性等標準提取關鍵信息。該記憶存儲有關智能體的經驗、反思、動態個性、世界上下文和工作記憶的知識，以增強決策過程，併為學習提供基礎。

在佈局上，學習模塊從感知子系統獲取數據，生成通用知識，並將其反饋到系統中，以完善未來的互動。開發者可以通過接口輸入有關行動、遊戲狀態和感官數據的反饋，以增強AI智能體的學習能力，改善其規劃和決策能力。

工作流程從開發者通過智能體提示接口與系統互動開始。輸入通過感知子系統處理並轉發到對話處理模塊，後者管理交互邏輯。戰略規劃引擎然後根據這些信息制定並執行計劃，利用高級戰略和詳細的行動規劃。

來自世界上下文和智能體庫的數據為這些過程提供信息，同時工作記憶跟蹤當前任務。與此同時，長期記憶處理器存儲和檢索知識。學習模塊分析結果並將新知識集成到系統中，推動智能體行為和互動的持續改進。

RIG框架，由@arcdotfun通過@Playgrounds0x開發

Rig是一個基於Rust的開源框架，旨在簡化大型語言模型（LLM）應用程序的開發。它提供了一個統一的接口，用於與多個LLM提供商（如OpenAI和Anthropic）進行交互，並支持包括MongoDB和Neo4j在內的多種向量存儲。該框架的模塊化架構具有核心組件，如提供商抽象層、向量存儲集成和智能體系統，以促進無縫的LLM交互。

Rig的主要受眾包括在Rust中構建AI/ML應用程序的開發者，而其次要受眾則是尋求將多個LLM提供商和向量存儲集成到Rust應用程序中的組織。該代碼庫採用基於工作區的結構，使用多個crate，使得項目能夠擴展並提高管理效率。關鍵特性包括提供商抽象層，它標準化了LLM提供商的完成和嵌入API，並具有一致的錯誤處理機制。向量存儲集成組件提供了一個抽象接口，用於多個後端，並支持向量相似度搜索。智能體系統簡化了LLM交互，支持檢索增強生成（RAG）和工具集成。此外，嵌入框架提供了批處理功能和類型安全的嵌入操作。

Rig利用多個技術優勢來確保可靠性和性能。異步操作利用Rust的異步運行時高效處理大量併發請求。框架內建的錯誤處理機制增強了對AI提供商或數據庫操作失敗的彈性。類型安全防止了編譯時錯誤，提升了代碼的可維護性。高效的序列化和反序列化過程促進了如JSON等格式的數據處理，這對AI服務的通信和存儲至關重要。詳細的日誌記錄和監控工具進一步幫助調試和應用程序監控。

Rig的工作流程始於客戶端發起請求，該請求通過提供商抽象層與適當的LLM模型進行交互。數據隨後由核心層處理，智能體可以使用工具或訪問向量存儲以獲取上下文。迴應通過複雜的工作流（如RAG，涉及文檔檢索和上下文理解）生成並優化後返回給客戶端。系統集成了多個LLM提供商和向量存儲，允許根據模型的可用性或性能變化進行適應。

Rig的多種用例包括：檢索相關文檔以提供準確迴應的問答系統；用於高效內容發現的文檔搜索與檢索；提供上下文感知互動的聊天機器人或虛擬助手，用於客戶服務或教育。它還支持內容生成，基於學習到的模式創建文本和其他材料，使其成為開發者和組織的多功能工具

Zerepy框架，由@0xzerebro和@blorm_通過@jyu_eth開發

ZerePy是一個開源框架，用Python編寫，旨在利用OpenAI或Anthropic LLM在X平臺上部署智能體。ZerePy來源於Zerebro後端的模塊化版本，允許開發者啟動具有類似於Zerebro核心功能的智能體。儘管該框架為智能體部署提供了基礎，但需要對模型進行微調以生成創意輸出。ZerePy簡化了個性化AI智能體的開發和部署，特別是在社交平臺上的內容創作，推動了一個面向藝術和去中心化應用的AI驅動創意生態系統。

該框架以Python構建，強調智能體自主性，重點生成創意輸出，與ELIZA的架構和合作夥伴關係相符。其模塊化設計支持記憶系統集成，並促進智能體在社交平臺上的部署。關鍵功能包括用於智能體管理的命令行界面、與Twitter的集成、支持OpenAI和Anthropic LLM，以及一個模塊化連接系統，以增強功能性。

ZerePy的應用場景涵蓋社交媒體自動化，用戶可以部署AI智能體進行發佈、回覆、點贊和轉發，從而提升平臺互動。此外，它還適用於音樂、表情包和NFT等領域的內容創作，使其成為數字藝術和基於區塊鏈的內容平臺的寶貴工具。

四個框架的比較
在我們看來，每個框架都提供了獨特的AI開發方法，滿足特定需求和環境，這使得它們不再是競爭對手，而是各自提供了獨特的提案。

ELIZA以其用戶友好的界面脫穎而出，特別適合熟悉JavaScript和Node.js環境的開發者。其全面的文檔幫助開發者在各種平臺上設置AI智能體，儘管其廣泛的功能集可能帶來一定的學習曲線。作為TypeScript開發的框架，Eliza非常適合構建嵌入網頁的智能體，因為大多數前端Web基礎設施都採用TypeScript。該框架以其多智能體架構為優勢，能夠在Discord、X和Telegram等平臺上部署不同的AI個性。其先進的RAG系統用於記憶管理，使其在客戶支持或社交媒體應用中的AI助手方面尤其有效。儘管它提供了靈活性、強大的社區支持和一致的跨平臺性能，但由於仍處於早期階段，對於開發者來說，可能存在一定的學習曲線。

GAME專為遊戲開發者設計，通過API提供低代碼或無代碼接口，使得遊戲行業內的非技術用戶也能輕鬆使用。然而，遊戲開發和區塊鏈集成的專業化聚焦可能會對沒有相關經驗的用戶造成較高的學習曲線。它在程序化內容生成和NPC行為方面表現突出，但由於其聚焦於特定領域，且區塊鏈集成帶來的複雜性，限制了其應用的廣度。

Rig由於使用Rust，可能因為語言本身的複雜性而不太友好，帶來了顯著的學習挑戰，但對於熟悉系統編程的開發者而言，Rust提供了直觀的交互方式。Rust語言本身在性能和內存安全方面優於TypeScript。它具有嚴格的編譯時檢查和零成本抽象，這是運行復雜AI算法所必需的。Rust語言高效且低級控制使其非常適合資源密集型的AI應用。該框架提供高性能解決方案，模塊化和可擴展的設計使其非常適合企業級應用。然而，Rust的使用為不熟悉該語言的開發者帶來了較高的學習曲線。

ZerePy利用Python，提供了較高的可用性，特別適用於創意型AI任務，對於Python開發者，尤其是具有AI/ML背景的開發者，學習曲線較低，並且受益於Zerebro在加密社區中的強大支持。ZerePy在創意AI應用方面表現突出，如NFT等，使其成為數字媒體和藝術領域的強大工具。儘管在創意方面表現優秀，但與其他框架相比，它的應用範圍相對較窄。

在可擴展性方面，ELIZA通過V2更新取得了進展，引入了統一的消息總線和可擴展的核心框架，使得跨多個平臺的管理更加高效。然而，若未進行優化，管理多平臺交互可能會帶來可擴展性挑戰。

GAME在實時處理方面表現出色，適用於遊戲領域，其可擴展性通過高效的算法和可能的區塊鏈分佈式系統進行管理，儘管可能會受到特定遊戲引擎或區塊鏈網絡限制的約束。

Rig框架利用Rust的性能來實現可擴展性，本身設計適用於高吞吐量應用，特別適合企業級部署，儘管這可能意味著需要複雜的配置來實現真正的可擴展性。

ZerePy的可擴展性側重於創意輸出，並得到社區貢獻的支持，但其聚焦於創意領域可能限制了其在更廣泛AI應用中的應用，且可擴展性可能會受到創意任務多樣性的考驗，而非用戶數量的影響。

在適應性方面，ELIZA憑藉其插件系統和跨平臺兼容性領先，其次是GAME在遊戲環境中的適應性，再是Rig在處理複雜AI任務時的適應性。ZerePy在創意領域展現出高適應性，但對於更廣泛的AI應用則不太適用。

在性能方面，ELIZA經過優化，適合快速的社交媒體互動，其響應時間至關重要，但在處理更復雜的計算任務時，其性能可能有所波動。

Virtual Protocol的GAME專注於遊戲場景中的高性能實時交互，利用高效的決策過程，並可能結合區塊鏈技術實現去中心化的AI操作。

Rig框架憑藉其Rust基礎，為高性能計算任務提供了卓越的性能，適用於對計算效率要求極高的企業級應用。

Zerepy的性能主要面向創意內容的生成，其性能指標集中在內容生成的效率和質量，可能在創意領域外的應用場景中適應性較差。

考慮到各自的優勢，ELIZA提供了靈活性和可擴展性，通過插件系統和角色配置使其高度適應各種平臺上的社交AI互動。

GAME在遊戲中提供了獨特的實時互動能力，通過區塊鏈集成增強了AI參與感，帶來了創新的AI體驗。

Rig的優勢在於其在企業級AI任務中的性能和可擴展性，注重乾淨、模塊化的代碼結構，確保長期項目的健康。

Zerepy在促進創意方面表現突出，領先於數字藝術領域的AI應用，且由充滿活力的社區驅動的開發模式支持。

每個框架都有其侷限性，ELIZA仍處於初期階段，可能存在穩定性問題，並且對新開發者有一定的學習曲線；GAME的專注領域可能限制了其在更廣泛應用中的適用性，且區塊鏈增加了複雜性；Rig由於Rust的陡峭學習曲線可能會讓一些開發者卻步；Zerepy過於專注於創意輸出，可能限制其在其他AI領域的應用。

框架比較關鍵要點：
Rig ($ARC):
語言：Rust，注重安全性和性能。
使用場景：由於注重效率和可擴展性，最適合企業級AI應用。
社區：以技術開發者為主，社區驅動較少。

Eliza ($AI16Z):
語言：TypeScript，強調Web3的靈活性和社區參與。
使用場景：設計用於社交互動、DAO和交易，特別注重多智能體系統。
社區：高度社區驅動，GitHub參與度廣泛。

ZerePy ($ZEREBRO):
語言：Python，使其對更廣泛的AI開發者群體更具可訪問性。
使用場景：適用於社交媒體自動化和簡單的AI智能體任務。
社區：相對較新，但由於Python的流行以及AI16Z貢獻者的支持，具備增長潛力。

GAME ($VIRTUAL):
專注：自主適應的AI智能體，可以根據虛擬環境中的交互不斷演化。
使用場景：最適用於需要學習和適應的場景，如遊戲或虛擬世界。
社區：創新性強，但仍在競爭中定義自己的細分市場。

GitHub星星曆史

GitHub 星曆史
上面的插圖展示了自框架發佈以來，它們在GitHub上的星標歷史。值得注意的是，GitHub的星標數量是社區興趣、項目流行度和項目價值感知的一個重要指標。

ELIZA - 紅線：
顯示了一個顯著且穩定的星標增長，從七月起基數較低，但自十一月下旬開始，星標數大幅上漲，達到了6.1k顆星。這表明ELIZA吸引了開發者的高度關注，並且由於其特性、更新和社區互動，迅速獲得了大量興趣。其指數增長表明，ELIZA由於其功能、更新和社區參與，已經獲得了顯著的吸引力，其流行度遠超其他框架，顯示出強大的社區支持和在AI社區中更廣泛的適用性或興趣。

RIG - 藍線：
Rig是四個框架中最早發佈的，星標增長相對溫和，但一直保持穩定增長，近期有了明顯的上升。它已達到了1.7k顆星，但仍處於上升軌道。持續的開發、更新和用戶基礎的增長促進了興趣的積累。這可能反映出一個小眾的受眾群體，或是一個仍在建立聲譽的框架。

ZEREPY - 黃線：
ZerePy剛剛發佈了幾天，星標數增長至181顆。可以看出，ZerePy需要更多的開發工作來提高其可見性和採納度。與$AI16Z的合作可能會吸引更多的貢獻者加入代碼庫。

GAME - 綠線：
該項目的星標數量較少，注意到這個框架可以通過API直接應用於虛擬生態系統中的代理，從而不需要在GitHub上獲取更多的可見性。然而，這個框架僅在一個多月前向構建者公開發布，目前已有200多個項目正在使用GAME進行開發。

框架的看漲論點
Eliza的版本2將包括與Coinbase代理工具包的集成。所有使用Eliza的項目將未來支持本地TEE，使代理能夠在安全的環境中運行。Eliza的一個即將推出的功能是插件註冊表，允許開發者無縫地註冊和集成插件。

此外，Eliza V2將支持自動化、匿名的跨平臺消息傳遞。定於2025年1月1日發佈的Tokenomics白皮書預計將對支撐Eliza框架的AI16Z代幣產生積極影響。AI16Z計劃繼續增強框架的實用性，依託其首席貢獻者的努力，吸引高質量的人才加入。

GAME框架提供無代碼集成，支持在單一項目中同時使用GAME和ELIZA，每個框架分別承擔不同的功能。預計這種方法將吸引專注於業務邏輯而非技術複雜性的構建者。儘管該框架僅公開發布超過30天，但已經取得了顯著進展，得到了團隊努力招募更多貢獻者的支持。預計每個在$VIRTUAL上啟動的項目都將採用GAME。

Rig由$ARC代幣代表，具有顯著潛力，儘管該框架的增長處於早期階段。用於引導使用Rig的項目的握手程序已經上線幾天。儘管如此，預計很快會有高質量的項目與ARC配對，類似於Virtual飛輪，但更專注於Solana。團隊對與Solana的合作伙伴關係持樂觀態度，並將ARC定位於Solana，正如Virtual是Base一樣。值得注意的是，團隊不僅激勵使用Rig啟動的新項目，還鼓勵開發者提升Rig框架本身。

Zerepy是一個新發布的框架，憑藉與$AI16Z（Eliza）的合作伙伴關係，正在獲得越來越多的關注。該框架吸引了Eliza的貢獻者，他們正在積極改進Zerepy。它受到$ZEREBRO粉絲的熱烈追捧，併為Python開發者打開了新的機會，填補了在AI基礎設施競爭領域中的空白。預計該框架將在AI的創意領域發揮重要作用。

免責聲明：

1. 本文轉載自【X】。所有版權歸原作者所有【@DV_Memetics】。若對本次轉載有異議，請聯繫 Gate Learn 團隊，他們會及時處理。
2. 免責聲明：本文表達的觀點和意見僅代表作者個人觀點，不構成投資建議。
3. Gate Learn 團隊將該文章翻譯成其他語言。除非另有說明，否則禁止複製、分發或抄襲翻譯文章。