Comparaison des quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY

Auteur : Deep Value Memetics, Traduction : Jinse Caijing xiaozou

Dans cet article, nous explorerons les perspectives du cadre Crypto X AI. Nous nous concentrerons sur les quatre principaux cadres actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.

1. Introduction

Au cours de la semaine dernière, nous avons étudié et testé les quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY. Voici nos conclusions.

Nous croyons qu'AI16Z continuera à dominer. La valeur d'Eliza (environ 60 % de part de marché, une capitalisation boursière de plus de 1 milliard de dollars) réside dans son avantage de premier arrivé (effet Lindy) et dans son adoption croissante par de plus en plus de développeurs. Les données telles que 193 contributeurs, 1800 forks et plus de 6000 étoiles en témoignent, faisant d'Eliza l'un des dépôts de code les plus populaires sur Github.

Jusqu'à présent, le développement de GAME (avec une part de marché d'environ 20 % et une capitalisation boursière d'environ 300 millions de dollars) se déroule très bien, et adopte rapidement, comme vient de l'annoncer VIRTUAL, la plateforme compte plus de 200 projets, 150 000 demandes quotidiennes et un taux de croissance hebdomadaire de 200 %. GAME continuera de bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.

Rig (ARC, part de marché d'environ 15 %, valorisation d'environ 160 millions de dollars) est très remarquable en raison de son design modulaire qui est très facile à utiliser et peut dominer en tant que « pure-play » dans l'écosystème Solana (RUST).

Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement de niche, spécialement destinée à la communauté ZEREBRO passionnée. Sa récente collaboration avec la communauté ai16z pourrait générer des synergies.

Nous avons remarqué que notre calcul de part de marché couvre la capitalisation boursière, les antécédents de développement et le marché des systèmes d'exploitation sous-jacents.

Nous pensons que, dans ce cycle de marché, le sous-segment des frameworks sera le domaine à la croissance la plus rapide, avec une capitalisation boursière totale de 1,7 milliard de dollars qui pourrait facilement passer à 20 milliards de dollars, ce qui reste relativement conservateur par rapport à l'évaluation de pointe des L1 en 2021, lorsque de nombreuses L1 ont atteint des évaluations de plus de 20 milliards de dollars. Bien que ces frameworks servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous considérons que ce domaine est en tendance ascendante, une approche pondérée par la capitalisation boursière pourrait être la plus prudente.

2. Quatre grands cadres

Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages des principaux cadres.

(1) Aperçu du cadre

Dans le domaine croisé de l'IA et de la crypto, plusieurs cadres ont favorisé le développement de l'IA. Ce sont ELIZA d'AI16Z, RIG d'ARC, ZEREBRO de ZEREPY, et VIRTUAL de GAME. Chaque cadre répond à des besoins et des idéaux différents dans le processus de développement d'agents IA, allant des projets de la communauté open source aux solutions d'entreprise axées sur la performance.

Cet article introduit d'abord les cadres, en expliquant ce qu'ils sont, quel langage de programmation, architecture technique et algorithmes ils utilisent, quelles fonctionnalités uniques ils possèdent, ainsi que les cas d'utilisation potentiels des cadres. Ensuite, nous comparons chaque cadre en termes d'utilisabilité, d'évolutivité, d'adaptabilité et de performance, en explorant leurs avantages et limitations respectifs.

ELIZA (développé par ai16z)

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

Les fonctionnalités clés de ce cadre incluent une architecture multi-agents prenant en charge le déploiement et la gestion simultanés de plusieurs personnalités AI uniques, ainsi qu'un système de rôles permettant de créer différents agents à l'aide d'un cadre de fichiers de rôle, et des fonctionnalités de gestion de la mémoire à long terme et de conscience contextuelle via un système d'amélioration de la génération avec recherche avancée (RAG). De plus, le cadre Eliza offre une intégration fluide sur la plateforme, permettant des connexions fiables avec Discord, X et d'autres plateformes de médias sociaux.

Du point de vue des fonctionnalités de communication et de médias des agents IA, Eliza est un excellent choix. En matière de communication, ce cadre prend en charge l'intégration avec les fonctionnalités des canaux vocaux de Discord, les fonctionnalités X, Telegram ainsi qu'un accès direct à l'API pour des cas d'utilisation personnalisés. D'autre part, les capacités de traitement multimédia de ce cadre peuvent être étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu lié, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, permettant de traiter efficacement divers types d'entrées et de sorties multimédias.

Le cadre Eliza offre un support flexible pour les modèles d'IA grâce à l'inférence locale de modèles open source, à l'inférence cloud d'OpenAI et à des configurations par défaut (comme Nous Hermes Llama 3.1B), tout en intégrant le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large éventail de systèmes d'exploitation, un support client personnalisé et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.

Les cas d'utilisation d'Eliza s'étendent sur plusieurs domaines, par exemple : assistants IA pour le support client, l'examen de la communauté et les tâches personnelles, ainsi que des créateurs de contenu automatisés, des robots interactifs et des représentants de marques dans des rôles de médias sociaux. Il peut également agir en tant que travailleur du savoir, jouant des rôles tels qu'assistant de recherche, analyste de contenu et processeur de documents, et soutient des formes de rôles interactifs comme les robots de jeu de rôle, les mentors éducatifs et les agents.

L'architecture d'Eliza est construite autour d'un environnement d'exécution des agents (agent runtime), qui s'intègre de manière transparente avec son système de rôles (soutenu par les fournisseurs de modèles), son gestionnaire de mémoire (connecté à la base de données) et son système d'exploitation (lié au client de la plateforme). Les caractéristiques uniques de ce cadre comprennent un système de plugins qui prend en charge l'extension fonctionnelle modulaire, 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). Grâce à sa conception polyvalente et puissante, Eliza se distingue comme un outil puissant pour le développement d'applications d'IA interdomaines.

G.A.M.E (développé par Virtuals Protocol)

Le cadre d'entités multimodales autonomes génératives (G.A.M.E) vise à fournir aux développeurs un accès API et SDK pour des expériences d'agents IA. Ce cadre offre une approche structurée pour gérer le comportement, les décisions et le processus d'apprentissage des agents IA.

Les composants clés sont les suivants : d'abord, l'interface de suggestion d'agent (Agent Prompting Interface) est le point d'entrée pour les développeurs pour intégrer le GAME dans l'agent et accéder aux comportements de l'agent. Le sous-système de perception (Perception Subsystem) initie la session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.

Il synthétisera les informations entrantes dans un format adapté au moteur de planification stratégique (Strategic Planning Engine) servant de mécanisme d'entrée sensorielle pour l'agent AI, que ce soit sous forme de dialogue ou de réaction. Son cœur est un module de traitement du dialogue, utilisé pour gérer les messages et les réponses de l'agent, et collaborer avec le sous-système de perception pour interpréter et répondre efficacement aux entrées.

Le moteur de planification stratégique travaille en collaboration avec le module de traitement des dialogues et l'opérateur de portefeuille en chaîne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalité : en tant que planificateur de haut niveau, il crée des stratégies larges en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il transforme ces stratégies en stratégies exploitables, qui sont ensuite divisées en planificateurs d'actions pour des tâches spécifiques et en exécuteurs de plans pour réaliser les tâches.

Un autre composant indépendant mais important est le World Context (Contexte Mondial), qui fait référence à l'environnement, aux informations globales et à l'état du jeu, fournissant le contexte nécessaire aux décisions de l'agent. De plus, l'Agent Repository (Dépôt d'Agents) est utilisé pour stocker des attributs à long terme, tels que les objectifs, les réflexions, les expériences et la personnalité, qui façonnent ensemble le comportement et le processus décisionnel de l'agent.

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

Le module d'apprentissage utilise des données provenant du sous-système perceptif pour générer des connaissances générales, qui sont renvoyées au système afin d'améliorer les interactions futures. Les développeurs peuvent saisir des retours concernant les actions, l'état du jeu et les données sensorielles via l'interface pour renforcer la capacité d'apprentissage de l'agent IA, améliorant ainsi sa capacité de planification et de prise de décision.

Le flux de travail commence par l'interaction des développeurs via une interface de prompt de l'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement de dialogue, qui est responsable de la gestion de la logique d'interaction. Ensuite, le moteur de planification stratégique élabore et exécute des plans basés sur ces informations, en utilisant des stratégies de haut niveau et des plans d'action détaillés.

Les données provenant des contextes mondiaux et des dépôts d'agents notifient ces processus, tandis que la mémoire de travail suit les tâches instantanées. Pendant ce temps, le processeur de mémoire à long terme stocke et récupère des connaissances à long terme. Le module d'apprentissage analyse les résultats et intègre de nouvelles connaissances dans le système, permettant ainsi d'améliorer continuellement le comportement et les interactions de l'agent.

RIG (développé par ARC)

Rig est un cadre Rust open source conçu pour simplifier le développement d'applications de grands modèles de langage. Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM (tels qu'OpenAI et Anthropic) et prend en charge divers stockage vectoriel, y compris MongoDB et Neo4j. L'architecture modulaire unique de ce cadre réside dans ses composants principaux, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration de stockage vectoriel et le système d代理, afin de faciliter l'interaction sans couture des LLM.

Le public principal de Rig comprend les développeurs qui construisent des applications IA/ML en utilisant Rust, suivis des organisations cherchant à intégrer plusieurs fournisseurs de LLM et de stockage vectoriel dans leurs propres applications Rust. Le dépôt utilise une architecture de workspace, avec plusieurs crates, soutenant l'évolutivité et une gestion de projet efficace. Ses fonctionnalités clés incluent une couche d'abstraction des fournisseurs, qui standardise l'achèvement et l'intégration des API entre différents fournisseurs de LLM, avec un traitement des erreurs cohérent. Le composant d'intégration de stockage vectoriel (Vector Store Integration) fournit une interface abstraite pour plusieurs backends et supporte la recherche de similarité vectorielle. Le système d'agents simplifie l'interaction avec les LLM, prenant en charge la génération améliorée par la récupération (RAG) et l'intégration d'outils. De plus, le cadre d'intégration offre des fonctionnalités de traitement par lot et des opérations d'intégration avec sécurité de type.

Rig utilise plusieurs avantages techniques pour garantir la fiabilité et la performance. Les opérations asynchrones exploitent le runtime asynchrone de Rust pour traiter efficacement un grand nombre de requêtes concurrentes. Le mécanisme de gestion des erreurs inhérent au cadre améliore la capacité de récupération en cas d'échec des fournisseurs d'intelligence artificielle ou des opérations sur la base de données. La sécurité de type peut prévenir les erreurs lors du processus de compilation, renforçant ainsi la maintenabilité du code. Des processus de sérialisation et de désérialisation efficaces soutiennent le traitement des données dans des formats tels que JSON, ce qui est essentiel pour la communication et le stockage des services d'IA. Une journalisation détaillée et une détection aident également à déboguer et à surveiller les applications.

Le flux de travail de Rig commence lorsque le client fait une demande, cette demande interagit avec le modèle LLM approprié via la couche d'abstraction du fournisseur. Ensuite, les données sont traitées par la couche centrale, où l'agent peut utiliser des outils ou accéder à la mémoire vectorielle du contexte. La réponse est générée et affinée à travers un flux de travail complexe (tel que RAG) avant d'être renvoyée au client, le processus impliquant la récupération de documents et la compréhension du contexte. Ce système intègre plusieurs fournisseurs de LLM et mémoires vectorielles, s'adaptant aux mises à jour de disponibilité ou de performance des modèles.

Les cas d'utilisation de Rig sont variés, y compris des systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, des systèmes de recherche et de récupération de documents pour une découverte de contenu efficace, ainsi que des chatbots ou assistants virtuels qui offrent des interactions contextuellement conscientes pour le service à la clientèle ou l'éducation. Il prend également en charge la génération de contenu, permettant la création de textes et d'autres matériaux basés sur des modes d'apprentissage, en faisant un outil polyvalent pour les développeurs et les organisations.

Zerepy (développé par ZEREPY et blorm)

ZerePy est un framework open source écrit en Python, conçu pour déployer des agents sur X en utilisant OpenAI ou Anthropic LLM. C'est une version modulaire dérivée du back-end de Zerebro, ZerePy permet aux développeurs de lancer des agents avec des fonctionnalités similaires au cœur de Zerebro. Bien que ce framework fournisse une base pour le déploiement d'agents, l'affinage des modèles est essentiel pour générer des sorties créatives. ZerePy simplifie le développement et le déploiement d'agents AI personnalisés, en particulier pour la création de contenu sur les plateformes sociales, cultivant un écosystème créatif alimenté par l'IA orienté vers l'art et les applications décentralisées.

Ce cadre est développé en Python, mettant l'accent sur l'autonomie des agents, et se concentre sur la génération de sorties créatives, en restant cohérent avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire et permet le déploiement d'agents sur les plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, une intégration avec Twitter, un support pour les LLM d'OpenAI et d'Anthropic, ainsi qu'un système de connexion modulaire pour renforcer les fonctionnalités.

Les cas d'utilisation de ZerePy couvrent le domaine de l'automatisation des médias sociaux, permettant aux utilisateurs de déployer des agents d'intelligence artificielle pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur la plateforme. De plus, il répond également aux besoins de création de contenu dans les domaines de la musique, des mèmes et des NFT, en faisant un outil important pour les plateformes de contenu d'art numérique et basées sur la blockchain.

(2) Comparaison des quatre grands cadres

À notre avis, chaque cadre offre une approche unique pour le développement de l'intelligence artificielle, répondant à des besoins et environnements spécifiques. Nous déplaçons l'accent de la relation concurrentielle entre ces cadres vers l'unicité de chacun d'eux.

ELIZA se distingue par son interface conviviale, en particulier pour les développeurs familiarisés avec les environnements JavaScript et Node.js. Sa documentation complète aide à mettre en place des agents d'intelligence artificielle sur diverses plateformes, bien que son large éventail de fonctionnalités puisse entraîner une certaine courbe d'apprentissage. Développé en TypeScript, Eliza est un choix idéal pour construire des agents intégrés dans le web, car la plupart des infrastructures web sont développées en TypeScript. Ce cadre est connu pour son architecture multi-agents, capable de déployer différentes personnalités d'intelligence artificielle sur des plateformes telles que Discord, X et Telegram. Son système de gestion de mémoire avancé RAG le rend particulièrement efficace en tant qu'assistant d'intelligence artificielle dans les applications de support client ou de médias sociaux. Bien qu'il offre flexibilité, solide soutien communautaire et performance cohérente multiplateforme, il est encore à un stade précoce et pourrait poser une courbe d'apprentissage pour les développeurs.

GAME est conçu spécialement pour les développeurs de jeux, offrant une interface à faible code ou sans code via une API, permettant ainsi aux utilisateurs ayant peu de compétences techniques dans le domaine des jeux de l'utiliser. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui peut représenter une courbe d'apprentissage abrupte pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu programmatique et le comportement des NPC, mais est limité par la complexité accrue due à son domaine de spécialisation et à l'intégration de la blockchain.

En raison de l'utilisation du langage Rust, compte tenu de la complexité de ce langage, Rig peut être peu convivial, ce qui représente un défi d'apprentissage majeur. Cependant, pour ceux qui maîtrisent la programmation système, il offre une interaction intuitive. Comparé à TypeScript, ce langage de programmation est réputé pour sa performance et sa sécurité mémoire. Il dispose de vérifications strictes à la compilation et d'une abstraction à coût nul, ce qui est nécessaire pour exécuter des algorithmes d'IA complexes. Ce langage est très efficace, et son contrôle de bas niveau en fait un choix idéal pour les applications d'intelligence artificielle gourmandes en ressources. Ce cadre offre des solutions hautes performances avec un design modulaire et évolutif, ce qui en fait un choix idéal pour les applications d'entreprise. Cependant, pour les développeurs non familiers avec Rust, l'utilisation de Rust implique inévitablement de faire face à une courbe d'apprentissage abrupte.

ZerePy utilise Python pour offrir une haute disponibilité aux tâches d'IA créative, la courbe d'apprentissage pour les développeurs Python étant relativement basse, en particulier pour ceux ayant un background en IA/ML, et bénéficiant d'un fort soutien communautaire grâce à la communauté crypto de Zerebro. ZerePy excelle dans des applications d'intelligence artificielle créative comme les NFT, se positionnant comme un puissant outil pour les médias numériques et l'art. Bien qu'il prospère en termes de créativité, son champ d'application est relativement étroit comparé à d'autres frameworks.

En termes de scalabilité, ELIZA a fait des progrès significatifs dans sa mise à jour V2, introduisant un fil de messages unifié et un cadre central extensible, permettant une gestion efficace sur plusieurs plateformes. Cependant, sans optimisation, la gestion de cette interaction multi-plateforme peut poser des défis en matière de scalabilité.

GAME excelle dans le traitement en temps réel requis par les jeux, et l'évolutivité est gérée par des algorithmes efficaces et un système distribué de blockchain potentiel, bien qu'elle puisse être limitée par des moteurs de jeu ou des réseaux de blockchain spécifiques.

Le cadre Rig utilise les performances d'évolutivité de Rust, conçu pour des applications à fort débit, ce qui est particulièrement efficace pour les déploiements d'entreprise, bien que cela puisse signifier que la réalisation d'une véritable évolutivité nécessite une configuration complexe.

La scalabilité de Zerepy est orientée vers la production créative, soutenue par des contributions communautaires, mais son axe de concentration pourrait limiter son utilisation dans un environnement d'intelligence artificielle plus large, la scalabilité pourrait être mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.

En termes d'adaptabilité, ELIZA est en tête grâce à son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour traiter des tâches complexes d'IA sont également excellents. ZerePy montre une grande adaptabilité dans le domaine créatif, mais est moins adapté à des applications d'intelligence artificielle plus larges.

En termes de performance, ELIZA a été optimisé pour les interactions rapides sur les réseaux sociaux, un temps de réponse rapide étant essentiel, mais ses performances peuvent varier lorsqu'il s'agit de traiter des tâches de calcul plus complexes.

Le GAME développé par Virtual Protocol se concentre sur l'interaction en temps réel haute performance dans les scénarios de jeu, en utilisant des processus de décision efficaces et une blockchain potentielle pour des opérations d'intelligence artificielle décentralisées.

Le cadre Rig, basé sur le langage Rust, offre d'excellentes performances pour les tâches de calcul haute performance, ce qui le rend adapté aux applications d'entreprise où l'efficacité du calcul est cruciale.

La performance de Zerepy est sur mesure pour la création de contenus créatifs, ses indicateurs étant centrés sur l'efficacité et la qualité de la génération de contenu, ce qui pourrait être moins applicable en dehors du domaine créatif.

Les avantages d'ELIZA résident dans sa flexibilité et son évolutivité, grâce à son système de plugins et à la configuration des rôles, ce qui lui confère une grande adaptabilité, propice aux interactions sociales d'IA multiplateformes.

GAME offre une fonctionnalité d'interaction en temps réel unique dans le jeu, enrichie par une intégration blockchain qui améliore la participation innovante de l'IA.

Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, avec un accent sur la fourniture de code modulaire propre pour la santé des projets à long terme.

Zerepy excelle dans le développement de la créativité, est à la pointe des applications d'intelligence artificielle en art numérique et est soutenue par un modèle de développement dynamique axé sur la communauté.

Chaque cadre a ses propres limites, ELIZA est encore à un stade précoce, avec des problèmes de stabilité potentiels et une courbe d'apprentissage pour les nouveaux développeurs. Les jeux de niche peuvent limiter une application plus large, et la blockchain ajoute encore de la complexité. Rig, en raison de la courbe d'apprentissage raide liée à Rust, peut dissuader certains développeurs, tandis que l'attention restreinte de Zerepy sur la production créative peut limiter son utilisation dans d'autres domaines de l'IA.

(3) Résumé de la comparaison des cadres

Rig (ARC) :

Langage : Rust, axé sur la sécurité et la performance.

Cas d'utilisation : un choix idéal pour les applications d'IA de niveau entreprise, car il met l'accent sur l'efficacité et l'évolutivité.

Communauté : pas très axée sur la communauté, mais davantage sur les développeurs techniques.

Eliza (AI16Z) :

Langage : TypeScript, mettant l'accent sur la flexibilité de web3 et la participation de la communauté.

Cas d'utilisation : conçu pour l'interaction sociale, les DAO et les transactions, avec un accent particulier sur les systèmes multi-agents.

Communauté : hautement axée sur la communauté, avec une large participation sur GitHub.

ZerePy (ZEREBRO)：

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

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

Communauté : relativement nouvelle, mais en raison de la popularité de Python et du soutien des contributeurs d'AI16Z, elle devrait croître.

JEU (VIRTUEL) :

Point focal : agents d'intelligence artificielle autonomes et auto-adaptatifs qui peuvent évoluer en fonction des interactions dans un environnement virtuel.

Cas d'utilisation : le plus adapté pour l'apprentissage et l'adaptation des agents IA, par exemple dans les jeux ou les mondes virtuels.

Communauté : une communauté innovante, mais qui est encore en train de définir sa position dans la concurrence.

3. Tendance des données Star sur Github

L'image ci-dessus montre les données d'intérêt GitHub star depuis la publication de ces cadres. Il convient de noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité des projets et de la valeur perçue des projets.

ELIZA (ligne rouge) :

Depuis le faible niveau de base de juillet, suivi d'une forte augmentation du nombre d'étoiles fin novembre (atteignant 61 000 étoiles), cela indique que l'intérêt des gens augmente rapidement, attirant l'attention des développeurs. Cette croissance exponentielle montre qu'ELIZA a acquis une immense attractivité grâce à ses fonctionnalités, ses mises à jour et l'engagement de la communauté. Sa popularité dépasse de loin celle des autres concurrents, ce qui montre qu'elle bénéficie d'un fort soutien communautaire et qu'elle présente une applicabilité ou un intérêt plus large au sein de la communauté de l'intelligence artificielle.

RIG (ligne bleue) :

Rig est le cadre le plus ancien des quatre grands, avec un nombre modéré d'étoiles mais en constante augmentation. Au cours du mois prochain, il est très probable que ce nombre augmente considérablement. Il a atteint 1700 étoiles, mais continue d'augmenter. Le développement continu, les mises à jour et le nombre croissant d'utilisateurs sont les raisons pour lesquelles l'intérêt des utilisateurs continue de s'accumuler. Cela peut refléter le fait que les utilisateurs de ce cadre sont une niche ou qu'il est toujours en train d'accumuler une réputation.

ZEREPY (ligne jaune) :

ZerePy a été lancé il y a quelques jours et a déjà accumulé 181 étoiles. Il convient de souligner que ZerePy nécessite plus de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs au code.

JEU (ligne verte) :

Ce projet a le moins de stars, il est à noter que ce cadre peut être appliqué directement aux agents dans l'écosystème virtuel via l'API, éliminant ainsi le besoin de visibilité sur Github. Cependant, ce cadre n'a été ouvert aux constructeurs que depuis un peu plus d'un mois, avec plus de 200 projets utilisant GAME pour construire.

4. Raisons haussières du cadre

La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront en charge le TEE natif à l'avenir, permettant ainsi aux proxies de fonctionner dans un environnement sécurisé. Une des fonctionnalités à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs de s'inscrire et d'intégrer des plugins de manière transparente.

De plus, Eliza V2 prendra en charge la messagerie anonyme et automatisée interplateforme. Le livre blanc sur l'économie des jetons est prévu pour le 1er janvier 2025, et on s'attend à ce qu'il ait un impact positif sur le jeton AI16Z sous-jacent du cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre et d'attirer des talents de haute qualité, les efforts de ses principaux contributeurs ayant déjà prouvé qu'il possède cette capacité.

Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser GAME et ELIZA simultanément dans un seul projet, chacun servant des objectifs spécifiques. Cette approche devrait attirer des constructeurs attentifs à la logique métier plutôt qu'à la complexité technique. Bien que le cadre n'ait été rendu public que depuis une trentaine de jours, il a déjà réalisé des progrès substantiels grâce aux efforts de l'équipe pour attirer davantage de contributeurs. Tous les projets lancés sur VIRTUAL devraient utiliser GAME.

Le Rig, représenté par le jeton ARC, a un potentiel énorme, bien que son cadre soit encore à un stade précoce de croissance et que le plan pour encourager l'adoption du projet n'ait été lancé que depuis quelques jours. Cependant, des projets de haute qualité adoptant l'ARC devraient bientôt émerger, similaires au Virtual flywheel, mais avec un accent sur Solana. L'équipe est optimiste quant à la collaboration avec Solana, comparant la relation entre l'ARC et Solana à celle de Virtual et Base. Il est à noter que l'équipe encourage non seulement les nouveaux projets à utiliser Rig pour se lancer, mais aussi les développeurs à renforcer le cadre Rig lui-même.

Zerepy est un nouveau cadre lancé récemment, qui attire de plus en plus d'attention grâce à sa collaboration avec Eliza. Ce cadre attire les contributeurs d'Eliza, qui travaillent activement à son amélioration. Sous l'impulsion des fans de ZEREBRO, il possède un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui étaient auparavant sous-représentés dans la compétition pour l'infrastructure d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité de l'IA.