Comparação dos quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC e ZEREPY

Autor: Deep Value Memetics, tradução: 金色财经xiaozou

Neste artigo, iremos explorar as perspetivas da estrutura Crypto X AI. Vamos focar-nos nos quatro principais frameworks atuais (ELIZA, GAME, ARC, ZEREPY) e nas suas diferenças tecnológicas.

1. Introdução

Na última semana, pesquisámos e testámos os quatro principais frameworks Crypto X AI: ELIZA, GAME, ARC e ZEREPY, e as nossas conclusões são as seguintes.

Acreditamos que a AI16Z continuará a dominar. O valor da Eliza (com uma quota de mercado de cerca de 60% e um valor de mercado superior a 1 bilhão de dólares) reside na sua vantagem de ser a pioneira (efeito Lindy) e no seu crescente uso por desenvolvedores, com 193 contribuintes, 1800 bifurcações e mais de 6000 estrelas, entre outros dados, que comprovam isso, tornando-a uma das bibliotecas de código mais populares no Github.

Até agora, o desenvolvimento do GAME (com uma participação de mercado de cerca de 20% e um valor de mercado de cerca de 300 milhões de dólares) tem sido muito bem-sucedido, obtendo uma rápida adoção. Como a VIRTUAL acabou de anunciar, a plataforma possui mais de 200 projetos, 150.000 pedidos diários e uma taxa de crescimento semanal de 200%. O GAME continuará a beneficiar-se do surgimento da VIRTUAL e se tornará um dos maiores vencedores de seu ecossistema.

Rig（ARC，market share about 15%, market value about 160 million USD） é muito impressionante, pois seu design modular é muito fácil de operar e pode ocupar uma posição de destaque como "pure-play" no ecossistema Solana (RUST).

Zerepy (com uma quota de mercado de cerca de 5%, capitalização de mercado de cerca de 300 milhões de dólares) é uma aplicação relativamente de nicho, direcionada à entusiástica comunidade ZEREBRO, cuja recente colaboração com a comunidade ai16z pode gerar sinergias.

Notamos que o nosso cálculo de quota de mercado abrange o valor de mercado, o histórico de desenvolvimento e o mercado de terminais do sistema operativo subjacente.

Acreditamos que, neste ciclo de mercado, o segmento de frameworks será a área de crescimento mais rápido, com um valor de mercado total de 1,7 bilhões de dólares que pode facilmente crescer para 20 bilhões de dólares, o que ainda é relativamente conservador em comparação com a avaliação máxima de L1 em 2021, quando muitas avaliações de L1 ultrapassaram os 20 bilhões de dólares. Embora esses frameworks atendam a diferentes mercados finais (cadeia/ecossistema), dado que acreditamos que este campo está em uma tendência de crescimento contínuo, o método de ponderação de capitalização de mercado pode ser a abordagem mais cautelosa.

2、Quatro grandes estruturas

Na tabela abaixo, listamos as principais tecnologias, componentes e vantagens de cada um dos principais frameworks.

(1) Visão Geral do Quadro

No campo de interseção entre AI e Crypto, existem várias estruturas que promovem o desenvolvimento da AI. Elas são o ELIZA da AI16Z, o RIG da ARC, o ZEREBRO da ZEREPY e o VIRTUAL da GAME. Cada estrutura atende a diferentes necessidades e filosofias no processo de desenvolvimento de agentes de AI, desde projetos de comunidade de código aberto até soluções empresariais focadas em desempenho.

Este artigo começa por apresentar os frameworks, explicando o que são, que linguagens de programação, arquiteturas tecnológicas e algoritmos utilizam, quais funcionalidades únicas possuem e quais os potenciais casos de uso que podem ter. Em seguida, compararemos cada framework em termos de usabilidade, escalabilidade, adaptabilidade e desempenho, explorando as suas vantagens e limitações.

ELIZA (desenvolvido pela ai16z)

Eliza é uma estrutura de simulação multi-agente de código aberto, projetada para criar, implantar e gerenciar agentes de IA autônomos. Foi desenvolvida na linguagem de programação TypeScript, proporcionando uma plataforma flexível e escalável para a construção de agentes inteligentes que podem interagir com humanos em várias plataformas, mantendo uma personalidade e conhecimento consistentes.

As funcionalidades principais deste framework incluem uma arquitetura multi-agente que suporta a implementação e gestão simultânea de múltiplas personalidades de IA únicas, bem como um sistema de papéis que cria diferentes agentes usando uma estrutura de arquivos de papéis, e funcionalidades de gestão de memória de longo prazo e memória consciente do contexto através de um sistema de Recuperação Aumentada (RAG). Além disso, o framework Eliza também oferece uma integração suave na plataforma, permitindo uma ligação fiável com Discord, X e outras plataformas de redes sociais.

Do ponto de vista das funcionalidades de comunicação e mídia do agente de IA, Eliza é uma excelente escolha. Na comunicação, essa estrutura suporta integração com a funcionalidade de canais de voz do Discord, a funcionalidade X, o Telegram e o acesso direto à API para casos de uso personalizados. Por outro lado, as funcionalidades de processamento de mídia da estrutura podem ser ampliadas para leitura e análise de documentos PDF, extração e resumo de conteúdo de links, transcrição de áudio, processamento de conteúdo de vídeo, análise de imagens e resumo de diálogos, podendo lidar de forma eficaz com diversos tipos de entradas e saídas de mídia.

O framework Eliza oferece suporte flexível a modelos de IA através da inferência local de modelos de código aberto, da inferência na nuvem da OpenAI e de configurações padrão (como Nous Hermes Llama 3.1B), e integra o suporte ao Claude para lidar com tarefas complexas. O Eliza adota uma arquitetura modular, com amplo suporte a sistemas operativos, clientes personalizados e uma API abrangente, garantindo escalabilidade e adaptabilidade entre aplicações.

Os casos de uso da Eliza abrangem vários domínios, como: assistente de IA para suporte ao cliente, moderação de comunidade e tarefas pessoais, bem como criadores de conteúdo automatizados, robôs interativos e representantes de marca em papéis de mídia social. Também pode atuar como trabalhador do conhecimento, desempenhando funções de assistente de pesquisa, analista de conteúdo e processador de documentos, além de suportar robôs de interpretação de papéis, tutores educacionais e agentes de representação em formas de interação.

A arquitetura da Eliza é construída em torno do tempo de execução do agente (agent runtime), que se integra perfeitamente com seu sistema de papéis (suportado pelos fornecedores de modelos), gerenciador de memória (conectado ao banco de dados) e sistema operacional (ligado ao cliente da plataforma). As características únicas da estrutura incluem um sistema de plugins que suporta a expansão modular de funcionalidades, suporte a interações multimodais, como voz, texto e mídia, e compatibilidade com os principais modelos de IA (como Llama, GPT-4 e Claude). Com seu design diversificado e poderoso, a Eliza se destaca como uma ferramenta robusta para o desenvolvimento de aplicações de IA em diversos domínios.

G.A.M.E (desenvolvido pelo Virtuals Protocol)

A estrutura de entidade multimodal autônoma generativa (G.A.M.E) visa proporcionar aos desenvolvedores acesso a APIs e SDKs para experimentação com agentes de IA. Esta estrutura oferece uma abordagem estruturada para gerenciar o comportamento, a tomada de decisões e o processo de aprendizagem dos agentes de IA.

Os componentes principais são os seguintes: primeiro, a Interface de Prompting de Agente (Agent Prompting Interface) é o ponto de entrada para os desenvolvedores integrarem o GAME no agente para acessar o comportamento do agente. O Subsistema de Percepção (Perception Subsystem) inicia a sessão através da especificação de parâmetros como ID da sessão, ID do agente, usuário e outros detalhes relevantes.

Ele irá sintetizar as informações recebidas em um formato adequado para o mecanismo de planejamento estratégico (Strategic Planning Engine), atuando como um mecanismo de entrada sensorial para o agente de IA, seja na forma de diálogo ou resposta. O seu núcleo é o módulo de processamento de diálogo, que é responsável por lidar com as mensagens e respostas do agente, colaborando com o subsistema de percepção para interpretar e responder efetivamente às entradas.

O motor de planejamento estratégico trabalha em conjunto com o módulo de processamento de diálogos e o operador de carteira em cadeia para gerar respostas e planos. Esta funcionalidade do motor possui dois níveis: como planejador de alto nível, cria estratégias amplas com base no contexto ou objetivos; como estratégia de baixo nível, converte essas estratégias em estratégias acionáveis, que são ainda divididas em planejadores de ação para tarefas específicas e executores de planos para a execução de tarefas.

Há um componente independente, mas importante, chamado World Context (Contexto Mundial), que se refere ao ambiente, informações globais e ao estado do jogo, fornecendo o contexto necessário para as decisões do agente. Além disso, o Agent Repository (Repositório de Agentes) é utilizado para armazenar atributos de longo prazo, como metas, reflexões, experiências e personalidade, que juntos moldam o comportamento e o processo de decisão do agente.

Esta estrutura utiliza processadores de memória de trabalho de curto prazo e de longo prazo. A memória de curto prazo retém informações relevantes sobre comportamentos, resultados e planos atuais anteriores. Em contraste, o processador de memória de longo prazo extrai informações chave com base em critérios como importância, atualidade e relevância. A memória de longo prazo armazena conhecimentos sobre experiências, reflexões, personalidade dinâmica, contexto mundial e memória de trabalho do agente, para melhorar a tomada de decisão e fornecer uma base para o aprendizado.

O módulo de aprendizagem utiliza dados provenientes do subsistema sensorial para gerar conhecimentos gerais, que são retroalimentados no sistema para melhorar as interações futuras. Os desenvolvedores podem inserir no interface feedback sobre ações, estados de jogo e dados sensoriais para aumentar a capacidade de aprendizagem do agente de IA, melhorando sua capacidade de planeamento e tomada de decisão.

O fluxo de trabalho começa com os desenvolvedores interagindo através da interface de prompt do agente. As entradas são processadas pelo subsistema de percepção e encaminhadas para o módulo de processamento de diálogo, que é responsável por gerenciar a lógica de interação. Em seguida, o mecanismo de planejamento estratégico elabora e executa planos com base nessas informações, utilizando estratégias de alto nível e planos de ação detalhados.

Os dados dos repositórios de contexto global e de agentes notificam esses processos, enquanto a memória de trabalho rastreia tarefas imediatas. Ao mesmo tempo, o processador de memória de longo prazo armazena e recupera conhecimentos duradouros. O módulo de aprendizagem analisa os resultados e integra novos conhecimentos no sistema, permitindo que o comportamento e a interação dos agentes sejam continuamente aprimorados.

RIG (desenvolvido pela ARC)

Rig é uma estrutura de código aberto em Rust, destinada a simplificar o desenvolvimento de aplicações de grandes modelos de linguagem. Ela oferece uma interface unificada para interagir com vários fornecedores de LLM, como OpenAI e Anthropic, e suporta diversos armazenamentos vetoriais, incluindo MongoDB e Neo4j. A singularidade da arquitetura modular da estrutura reside em seus componentes centrais, como a Camada de Abstração do Fornecedor (Provider Abstraction Layer), a integração do armazenamento vetorial e o sistema de agentes, para facilitar a interação sem costura com LLM.

O principal público-alvo do Rig inclui desenvolvedores que constroem aplicações de AI/ML usando Rust, seguido por organizações que buscam integrar vários provedores de LLM e armazenamento vetorial em suas próprias aplicações Rust. O repositório utiliza uma arquitetura de espaço de trabalho, com múltiplos crates, suportando escalabilidade e gestão eficiente de projetos. Suas características chave incluem uma camada de abstração de provedores, que oferece uma padronização para a finalização e incorporação de APIs entre diferentes provedores de LLM, com um tratamento de erros consistente. O componente de Integração de Armazenamento Vetorial fornece uma interface abstrata para múltiplos backends e suporta busca de similaridade vetorial. O sistema de agentes simplifica a interação com LLM, suportando recuperação aumentada de geração (RAG) e integração de ferramentas. Além disso, a estrutura de incorporação também oferece funcionalidades de processamento em lote e operações de incorporação com segurança de tipo.

O Rig utiliza várias vantagens tecnológicas para garantir confiabilidade e desempenho. Operações assíncronas aproveitam o runtime assíncrono do Rust para lidar de forma eficaz com um grande número de solicitações concorrentes. O mecanismo de tratamento de erros inerente ao framework melhora a capacidade de recuperação de falhas de provedores de inteligência artificial ou operações de banco de dados. A segurança de tipo pode prevenir erros durante o processo de compilação, aumentando assim a manutenibilidade do código. Processos de serialização e desserialização eficientes suportam o processamento de dados em formatos como JSON, que é crucial para a comunicação e armazenamento de serviços de IA. O registro detalhado e a detecção ajudam ainda mais na depuração e monitoramento de aplicações.

O fluxo de trabalho do Rig começa quando um pedido é iniciado no cliente, e esse pedido interage com o modelo LLM apropriado através da camada de abstração do provedor. Em seguida, os dados são processados pela camada central, onde o agente pode usar ferramentas ou acessar o armazenamento de vetores do contexto. A resposta é gerada e refinada através de um fluxo de trabalho complexo (como RAG) antes de ser retornada ao cliente, um processo que envolve recuperação de documentos e compreensão do contexto. O sistema integra vários provedores de LLM e armazenamento vetorial, adaptando-se a atualizações de disponibilidade ou desempenho do modelo.

Os casos de uso do Rig são diversos, incluindo sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, sistemas de busca e recuperação de documentos para descoberta de conteúdo eficiente, e chatbots ou assistentes virtuais que oferecem interações contextualizadas para atendimento ao cliente ou educação. Também suporta a geração de conteúdo, permitindo a criação de textos e outros materiais baseados em modos de aprendizado, tornando-o uma ferramenta versátil para desenvolvedores e organizações.

Zerepy (desenvolvido pela ZEREPY e blorm)

ZerePy é um framework open source escrito em Python, projetado para implantar agentes no X utilizando OpenAI ou Anthropic LLM. Originado de uma versão modular do backend Zerebro, o ZerePy permite que os desenvolvedores iniciem agentes com funcionalidades semelhantes ao núcleo do Zerebro. Embora o framework forneça a base para a implantação de agentes, o ajuste fino dos modelos é essencial para gerar saídas criativas. O ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, especialmente para criação de conteúdo em plataformas sociais, cultivando um ecossistema criativo impulsionado por IA voltado para arte e aplicações descentralizadas.

Este framework é desenvolvido em Python, enfatiza a autonomia do agente e foca na geração de saídas criativas, mantendo-se alinhado à arquitetura do ELIZA e à sua relação de colaboração com o ELIZA. O seu design modular suporta a integração de sistemas de memória e permite a implantação do agente em plataformas sociais. As principais funcionalidades incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte a LLMs da OpenAI e Anthropic, bem como um sistema de conexão modular para funcionalidades aprimoradas.

Os casos de uso do ZerePy abrangem o campo da automação de redes sociais, permitindo que os usuários implementem agentes de inteligência artificial para publicar, responder, gostar e compartilhar, aumentando assim o engajamento na plataforma. Além disso, também atende à criação de conteúdo em áreas como música, memes e NFTs, tornando-se uma ferramenta importante para plataformas de arte digital e conteúdo baseado em blockchain.

(2) Comparação dos Quatro Principais Quadros

Na nossa opinião, cada estrutura oferece uma abordagem única para o desenvolvimento de inteligência artificial, atendendo a necessidades e ambientes específicos, e mudamos o foco da relação competitiva entre essas estruturas para a singularidade de cada uma delas.

A ELIZA destaca-se pela sua interface amigável, especialmente para desenvolvedores familiarizados com ambientes JavaScript e Node.js. A sua documentação abrangente ajuda na configuração de agentes de inteligência artificial em várias plataformas, embora o seu amplo conjunto de funcionalidades possa apresentar uma certa curva de aprendizagem. Desenvolvida em TypeScript, a Eliza é uma escolha ideal para construir agentes incorporados na web, uma vez que a maioria da infraestrutura web é desenvolvida em TypeScript. Este framework é conhecido pela sua arquitetura de múltiplos agentes, podendo ser implantado em plataformas como Discord, X e Telegram, com diferentes personalidades de inteligência artificial. O seu avançado sistema de gestão de memória RAG torna-a especialmente eficaz como assistente de inteligência artificial em aplicações de suporte ao cliente ou redes sociais. Embora ofereça flexibilidade, forte apoio da comunidade e desempenho consistente entre plataformas, ainda está numa fase inicial, o que pode representar uma curva de aprendizagem para os desenvolvedores.

O GAME é projetado especificamente para desenvolvedores de jogos, oferecendo uma interface de baixo código ou sem código através de uma API, permitindo que usuários com menos conhecimento técnico na área de jogos também possam utilizá-lo. No entanto, ele foca no desenvolvimento de jogos e na integração com blockchain, o que pode representar uma curva de aprendizado acentuada para aqueles sem experiência relevante. Destaca-se na geração de conteúdo de programas e no comportamento de NPCs, mas é limitado pela complexidade adicional trazida pela sua área de especialização e integração com blockchain.

Devido ao uso da linguagem Rust, dada a complexidade dessa linguagem, o Rig pode não ser muito amigável, o que traz desafios significativos de aprendizado, mas para aqueles que são proficientes em programação de sistemas, ele oferece uma interação intuitiva. Comparado ao typescript, essa linguagem de programação é conhecida por seu desempenho e segurança de memória. Possui verificações rigorosas em tempo de compilação e abstrações de custo zero, que são necessárias para a execução de algoritmos complexos de IA. A linguagem é extremamente eficiente e seu controle de baixo nível a torna uma escolha ideal para aplicações de inteligência artificial que exigem muitos recursos. Este framework oferece soluções de alto desempenho com design modular e escalável, tornando-o uma escolha ideal para aplicações empresariais. No entanto, para desenvolvedores não familiarizados com Rust, usar Rust inevitavelmente significa enfrentar uma curva de aprendizado acentuada.

ZerePy utiliza Python, oferecendo alta usabilidade para tarefas de IA criativa, com uma curva de aprendizado menor para desenvolvedores Python, especialmente para aqueles com formação em IA/ML, e se beneficia de um forte suporte da comunidade devido à comunidade de criptomoedas Zerebro. ZerePy é especializado em aplicações de inteligência artificial criativa, como NFTs, posicionando-se como uma poderosa ferramenta para mídias digitais e arte. Embora floresça em termos de criatividade, seu escopo é relativamente mais estreito em comparação com outros frameworks.

Em termos de escalabilidade, a ELIZA fez progressos significativos em sua atualização V2, introduzindo uma linha de mensagens unificada e uma estrutura central escalável, que suporta uma gestão eficaz em várias plataformas. No entanto, se não for otimizada, essa gestão de interações em múltiplas plataformas pode trazer desafios em termos de escalabilidade.

O GAME apresenta um desempenho excecional em termos de processamento em tempo real necessário para jogos, a escalabilidade é gerida através de algoritmos eficientes e de potenciais sistemas distribuídos de blockchain, embora possa estar sujeito a limitações de motores de jogos específicos ou de redes de blockchain.

O framework Rig utiliza o desempenho de escalabilidade do Rust, projetado para aplicações de alto throughput, o que é especialmente eficaz para implementações a nível empresarial, embora isso possa significar que a realização de verdadeira escalabilidade exija configurações complexas.

A escalabilidade da Zerepy está voltada para a produção criativa, com o apoio da contribuição da comunidade, mas seu foco pode limitar sua aplicação em um ambiente de inteligência artificial mais amplo. A escalabilidade pode ser testada mais pela diversidade das tarefas criativas do que pelo número de usuários.

Em termos de adaptabilidade, o ELIZA destaca-se com seu sistema de plugins e compatibilidade multiplataforma, enquanto o GAME no ambiente de jogo e o Rig para lidar com tarefas complexas de IA também são excelentes. O ZerePy demonstra alta adaptabilidade no campo criativo, mas não é muito adequado para aplicações de inteligência artificial mais amplas.

Em termos de desempenho, a ELIZA foi otimizada para interações rápidas em redes sociais, sendo o tempo de resposta rápido fundamental, mas ao lidar com tarefas computacionais mais complexas, seu desempenho pode ser diferente.

O GAME desenvolvido pelo Virtual Protocol foca na interação em tempo real de alto desempenho em cenários de jogos, utilizando processos de decisão eficientes e blockchain potencial para operações de inteligência artificial descentralizada.

O framework Rig é baseado na linguagem Rust, oferecendo um desempenho excepcional para tarefas de computação de alto desempenho, adequado para aplicações empresariais onde a eficiência computacional é crucial.

O desempenho do Zerepy é personalizado para a criação de conteúdos criativos, com métricas centradas na eficiência e qualidade da geração de conteúdos, podendo não ser muito aplicável fora do domínio criativo.

A vantagem do ELIZA é oferecer flexibilidade e escalabilidade, proporcionando uma alta adaptabilidade através do seu sistema de plugins e configuração de papéis, o que é benéfico para a interação social de IA entre plataformas.

O GAME oferece uma funcionalidade única de interação em tempo real nos jogos, aprimorada pela integração da blockchain com a participação inovadora da IA.

As vantagens do Rig residem no seu desempenho e escalabilidade em tarefas de inteligência artificial voltadas para empresas, com ênfase em fornecer código modular limpo para a saúde de projetos de longo prazo.

A Zerepy é especializada em cultivar a criatividade, liderando na aplicação de inteligência artificial em arte digital, apoiada por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.

Cada estrutura tem suas próprias limitações, o ELIZA ainda está em fase inicial, apresentando potenciais problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores. Jogos de nicho podem restringir uma aplicação mais ampla, e a blockchain também adiciona complexidade. O Rig, devido à sua curva de aprendizado acentuada com Rust, pode afastar alguns desenvolvedores, enquanto o Zerepy, com seu foco limitado na criatividade, pode restringir seu uso em outras áreas de IA.

(3) Resumo da comparação de estruturas

Rig (ARC)：

Linguagem: Rust, focada em segurança e desempenho.

Caso de uso: a escolha ideal para aplicações de IA de nível empresarial, pois se concentra em eficiência e escalabilidade.

Comunidade: não muito impulsionada pela comunidade, com mais foco nos desenvolvedores de tecnologia.

Eliza (AI16Z)：

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

Caso de uso: projetado para interação social, DAO e transações, com ênfase especial em sistemas multi-agente.

Comunidade: altamente impulsionada pela comunidade, com ampla participação no GitHub.

ZerePy (ZEREBRO)：

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

Caso de uso: adequado para automação de redes sociais e tarefas de agentes de IA mais simples.

Comunidade: relativamente nova, mas com a popularidade do Python e o apoio dos contribuidores da AI16Z, espera-se que cresça.

JOGO (VIRTUAL):

Foco: Agentes de inteligência artificial autônomos e adaptativos que podem evoluir com base nas interações em ambientes virtuais.

Caso de uso: mais adequado para cenários de aprendizagem e adaptação de agentes de IA, como jogos ou mundos virtuais.

Comunidade: comunidade inovadora, mas ainda a definir a sua posição na concorrência.

3、Tendência de dados de estrelas no Github

A imagem acima mostra os dados de acompanhamento de estrelas do GitHub desde o lançamento dessas estruturas. Vale a pena notar que as estrelas do GitHub são um indicador do interesse da comunidade, da popularidade do projeto e do valor percebido do projeto.

ELIZA (linha vermelha):

A partir da baixa base de julho, até ao aumento acentuado no número de estrelas no final de novembro (chegando a 61.000 estrelas), isso indica que o interesse das pessoas aumentou rapidamente, atraindo a atenção dos desenvolvedores. Este crescimento exponencial sugere que, devido às suas funcionalidades, atualizações e participação da comunidade, a ELIZA ganhou uma enorme atratividade. A sua popularidade supera de longe a de outros concorrentes, o que indica que possui um forte apoio da comunidade e uma aplicabilidade ou interesse mais amplo na comunidade de inteligência artificial.

RIG (linha azul):

O Rig é o mais antigo dos quatro grandes frameworks, com um número moderado de estrelas, mas que tem crescido continuamente. É muito provável que, no próximo mês, esse número aumente significativamente. Já alcançou 1700 estrelas, mas continua a subir. O desenvolvimento contínuo, as atualizações e o crescente número de usuários são as razões para o interesse dos usuários estar em constante acumulação. Isso pode refletir que o número de usuários deste framework é pequeno ou que ainda está a acumular reputação.

ZEREPY (linha amarela):

ZerePy foi lançado há alguns dias e já acumulou 181 estrelas. Vale ressaltar que o ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e taxa de adoção. A colaboração com a AI16Z pode atrair mais contribuidores de código.

JOGO (linha verde):

Este projeto tem o menor número de estrelas. Vale a pena notar que este framework pode ser aplicado diretamente a proxies no ecossistema virtual através de API, eliminando assim a necessidade de visibilidade no Github. No entanto, este framework só foi aberto aos construtores há pouco mais de um mês, e mais de 200 projetos estão a utilizar o GAME para construir.

4, Razões para a Perspectiva de Alta

A versão V2 da Eliza integrará o conjunto de proxies da Coinbase. Todos os projetos que utilizam a Eliza no futuro suportarão TEE nativo, permitindo que os proxies operem em um ambiente seguro. Uma das funcionalidades que a Eliza está prestes a lançar é o Registro de Plugins (Plugin Registry), que permitirá aos desenvolvedores registrar e integrar plugins de forma fluida.

Além disso, Eliza V2 suportará mensagens anônimas automatizadas entre plataformas. O white paper da economia de tokens está programado para ser lançado em 1 de janeiro de 2025, e espera-se que tenha um impacto positivo no token AI16Z subjacente ao framework Eliza. O AI16Z planeja continuar a aumentar a utilidade do framework, atraindo talentos de alta qualidade, cujos esforços dos principais contribuidores já provaram ter essa capacidade.

A estrutura GAME oferece integração sem código para intermediários, permitindo o uso simultâneo do GAME e do ELIZA em um único projeto, cada um servindo a um propósito específico. Essa abordagem promete atrair construtores que se concentram na lógica de negócios em vez da complexidade técnica. Embora a estrutura tenha sido lançada publicamente há apenas 30 dias, já teve progressos significativos com os esforços da equipe para atrair mais contribuições. Espera-se que todos os projetos lançados no VIRTUAL utilizem o GAME.

O Rig, representado pelo token ARC, tem um enorme potencial, embora sua estrutura ainda esteja em uma fase inicial de crescimento, e o plano para impulsionar a adoção do projeto tenha sido lançado há apenas alguns dias. No entanto, projetos de alta qualidade que adotam o ARC devem surgir em breve, semelhante ao Virtual flywheel, mas com foco no Solana. A equipe é otimista sobre a colaboração com o Solana, comparando a relação entre ARC e Solana com a relação entre Virtual e Base. Vale ressaltar que a equipe não apenas incentiva novos projetos a usarem o Rig para iniciar, mas também encoraja os desenvolvedores a aprimorarem a própria estrutura do Rig.

Zerepy é uma nova estrutura lançada que, devido à sua colaboração com a Eliza, está a ganhar cada vez mais atenção. Esta estrutura atraiu os contribuidores da Eliza, que estão a trabalhar ativamente na sua melhoria. Impulsionada pelos fãs do ZEREBRO, possui um grupo de seguidores fervorosos e oferece novas oportunidades para desenvolvedores Python, que anteriormente careciam de representação na competição de infraestrutura de inteligência artificial. Esta estrutura desempenhará um papel importante na criatividade da IA.