Le cadre de l'agent IA est-il le dernier morceau du puzzle ? Comment interpréter la « dualité onde-particule » du cadre ?

Rédigé par : Kevin, le chercheur chez BlockBooster

Le cadre de l’agent AI, en tant qu’élément clé du développement de l’industrie, pourrait avoir le double potentiel de promouvoir la mise en œuvre de la technologie et la maturité de l’écosystème. Les cadres discutés sur le marché incluent : Eliza, Rig, Swarms, ZerePy, etc. Ces cadres attirent les développeurs via le référentiel Github et établissent leur réputation. En émettant des pièces sous forme de “bibliothèque”, ces cadres acquièrent simultanément les caractéristiques de la vague et de la particule, tout en présentant à la fois des externalités sérieuses et les caractéristiques de Memecoin. Cet article se concentrera sur l’interprétation de la “dualité onde-particule” du cadre et sur la raison pour laquelle le cadre de l’agent pourrait devenir le maillon final.

Les externalités apportées par le cadre de l’Agent peuvent laisser des bourgeons de printemps après la disparition de la mousse

Depuis la naissance de GOAT, l’impact narratif de l’Agent sur le marché n’a cessé de croître, tel un maître en arts martiaux, avec un poing gauche “Memecoin” et une main droite “espoir de l’industrie”, vous finirez toujours par perdre dans l’un des deux. En fait, les scénarios d’application de l’Agent AI ne sont pas strictement définis, les limites entre plateformes, cadres et applications spécifiques sont floues, mais ils peuvent encore être largement classés en fonction des préférences des jetons ou des protocoles. Cependant, selon les préférences de développement des jetons ou des protocoles, ils peuvent encore être classés comme suit :

Launchpad : plateforme de lancement d’actifs. Le protocole Virtuals Protocol et Clanker sur la chaîne de base, Dasha sur la chaîne Solana.

Application AI Agent: Il se situe entre l’Agent et le Memecoin, et se distingue par sa configuration de mémoire, telle que GOAT, aixbt, etc. Ces applications ont généralement une sortie unidirectionnelle et des conditions d’entrée très limitées.

AI Agent Engine: griffain on Solana chain and Spectre AI on base chain. griffain can evolve from read-write mode to read, write, and action mode; Spectre AI is an RAG engine, searching on-chain.

Cadre de l’Agent IA : Pour une plate-forme de cadre, l’Agent lui-même est un actif, donc le cadre de l’Agent est une plate-forme d’émission d’actifs pour l’Agent, c’est le Launchpad de l’Agent. Les projets représentatifs actuels incluent ai16, Zerebro, ARC et les essaims qui sont discutés ces jours-ci.

Autres petites directions : Agent Simmi de type général ; Mode de protocole AgentFi ; Agent Seraph de type de vérification ; Agent Creator.Bid API en temps réel.

Une discussion plus approfondie sur le framework Agent révèle qu’il possède une externalité suffisante. Contrairement aux développeurs de grandes chaînes et protocoles publics, qui ne peuvent choisir qu’entre différents environnements de développement linguistique, la taille totale de la communauté de développeurs de l’industrie ne connaît pas une croissance correspondante à la valeur marchande. Le référentiel Github est l’endroit où les développeurs Web2 et Web3 établissent un consensus, créent une communauté de développeurs qui exerce une attraction et une influence plus puissantes sur les développeurs Web2 que tout autre package « plug-and-play » développé individuellement par un protocole.

Les 4 frameworks mentionnés dans cet article sont tous open source : le framework Eliza d’ai16z a obtenu 6200 étoiles ; le framework ZerePy de Zerebro a obtenu 191 étoiles ; le framework RIG d’ARC a obtenu 1700 étoiles ; le framework Swarms de Swarms a obtenu 2100 étoiles. Actuellement, le framework Eliza est largement utilisé dans diverses applications d’agents et est le framework le plus largement utilisé. Le développement de ZerePy n’est pas très avancé et son orientation principale est sur X, il ne prend pas encore en charge LLM local et l’intégration de la mémoire. Le développement de RIG est relativement difficile, mais il offre aux développeurs une grande liberté pour optimiser les performances. En dehors de la sortie de mcs par l’équipe de Swarms, il n’y a pas encore d’autres cas d’utilisation, mais Swarms peut intégrer différents frameworks et a une grande marge de manœuvre.

En outre, dans la classification ci-dessus, la séparation de l’Agent Engine et du framework peut causer de la confusion. Cependant, je pense qu’il y a une différence entre les deux. Tout d’abord, pourquoi un moteur ? Il est relativement approprié de le comparer à un moteur de recherche dans la vie réelle. Contrairement aux applications Agent homogènes, les performances de l’Agent Engine sont au-dessus, mais il est entièrement encapsulé et ajusté via une interface API, de manière opaque. Les utilisateurs peuvent expérimenter les performances de l’Agent Engine sous forme de fork, mais ils ne peuvent pas le maîtriser et le personnaliser librement comme le framework de base. Chaque moteur utilisateur est comme un miroir généré sur un Agent bien formé, pour interagir avec ce miroir. Le framework est essentiellement conçu pour s’adapter à la chaîne, car que ce soit un Agent Engine ou un Agent Framework, l’objectif final est d’être intégré à la chaîne correspondante. La façon de définir les modes d’interaction des données, la façon de définir les modes de validation des données, la façon de définir la taille des blocs, la manière d’équilibrer le consensus et les performances, ce sont des aspects auxquels le framework doit réfléchir. Et le moteur ? Il suffit de régler pleinement le modèle dans une direction donnée, de mettre en place les interactions des données et les relations avec la mémoire, la performance étant le seul critère d’évaluation, contrairement au framework.

Évaluer le cadre Agent du point de vue de la dualité onde-particule peut être la condition préalable pour s’assurer d’aller dans la bonne direction.

Lors de l’exécution du cycle de vie d’une entrée-sortie de l’agent, trois parties sont nécessaires. Tout d’abord, le modèle de base détermine la profondeur et la manière de réfléchir, puis la mémoire est l’endroit personnalisé, après que le modèle de base a produit une sortie, elle est modifiée en fonction de la mémoire, enfin, l’opération de sortie est effectuée sur différents clients.

Source: @SuhailKakar

Pour confirmer que le cadre de l’Agent présente une « dualité onde-particule », ‘onde’ présente les caractéristiques de ‘Memecoin’, représentant la culture communautaire et l’activité des développeurs, mettant l’accent sur l’attrait et la capacité de diffusion de l’Agent ; ‘particule’ représente les caractéristiques de ‘prévisions industrielles’, représentant les performances de base, les cas d’utilisation réels et la profondeur technologique. Je vais utiliser l’exemple des tutoriels de développement des trois cadres pour expliquer ces deux aspects.

Cadre Eliza à assemblage rapide

1. Définir l’environnement

Source: @SuhailKakar

2. Installer Eliza

Source: @SuhailKakar

3. Fichier de configuration

Source: @SuhailKakar

4. Définir la personnalité de l’agent

Source: @SuhailKakar

Le framework Eliza est relativement facile à prendre en main. Il est basé sur TypeScript, qui est un langage familier pour la plupart des développeurs Web et Web3. Le framework est simple et ne présente pas d’abstraction excessive, ce qui permet aux développeurs d’ajouter facilement les fonctionnalités qu’ils souhaitent. En suivant l’étape 3, il est possible de voir qu’Eliza peut être intégrée à plusieurs clients, ce qui peut être considéré comme un assembleur pour l’intégration multi-clients. Eliza prend en charge les plateformes DC, TG et X, ainsi que plusieurs modèles de langage importants. Les entrées peuvent être réalisées via les médias sociaux mentionnés ci-dessus, avec une sortie basée sur le modèle LLM. De plus, Eliza offre une gestion intégrée de la mémoire pour permettre aux développeurs de déployer rapidement un agent d’IA selon leurs habitudes.

En raison de la simplicité de la structure et de la richesse des interfaces, Eliza a considérablement réduit les obstacles d’entrée et a mis en œuvre des normes d’interface relativement uniformes.

Un cadre ZerePy à utiliser en un clic

1. Fork du référentiel ZerePy

Source:

2. Configurer X et GPT

Source:

3. Définir le caractère de l’Agent

Source:

Cadre Rig à optimisation de performance

Prenez la construction de l’agent RAG (recherche améliorée et génération) comme exemple :

1. Configurer l’environnement et la clé OpenAI

Source:

2. Configurez le client OpenAI et utilisez le chunking pour traiter les PDF

Source:

3. Définir la structure du document et l’intégrer

Source:

4. Créer un stockage vectoriel et un agent RAG

Source:

Rig（ARC）est un cadre de construction de système AI basé sur le langage Rust pour le moteur de flux de travail LLM, qui vise à résoudre les problèmes d’optimisation des performances plus fondamentaux, en d’autres termes, ARC est une “boîte à outils” pour le moteur AI, fournissant des services de support en arrière-plan tels que les appels AI, l’optimisation des performances, le stockage des données, la gestion des erreurs, etc.

La question à laquelle Rig doit répondre est celle de la “solvabilité”, afin d’aider les développeurs à mieux choisir le LLM, à optimiser les suggestions, à gérer efficacement les jetons, ainsi qu’à gérer la gestion des ressources, à réduire les retards, etc. Son accent est mis sur la manière dont le modèle AI LLM et le système AI Agent collaborent dans le processus de “bien l’utiliser”.

Rig est une bibliothèque Rust open source conçue pour simplifier le développement d’applications basées sur le pilote LLM (y compris RAG Agent). En raison de son ouverture plus importante, Rig exige davantage des développeurs et nécessite une meilleure compréhension de Rust et de l’Agent. Ce tutoriel présente le processus de configuration de base de l’Agent RAG, qui renforce le LLM en combinant la récupération de connaissances externes. Dans d’autres démonstrations sur le site officiel, on peut voir que Rig possède les caractéristiques suivantes:

LLM Interface Unifiée: prend en charge une API cohérente pour différents fournisseurs LLM, simplifiant l’intégration.

Flux de travail abstrait: des composants pré-construits modulaires permettent à Rig de prendre en charge la conception de systèmes d’IA complexes.

Stockage vectoriel intégré : prend en charge le stockage des découpes intégré pour offrir des performances efficaces dans des agents de recherche similaires tels que RAG Agent.

Intégration flexible: fournir une API facile à utiliser pour gérer l’intégration, réduisant la difficulté de compréhension sémantique lors du développement d’agents de recherche similaires tels que RAG Agent.

Il est évident que par rapport à Eliza, Rig offre aux développeurs un espace supplémentaire pour optimiser les performances, ce qui aide les développeurs à mieux déboguer les appels et optimiser la collaboration entre LLM et Agent. Rig offre des performances basées sur la puissance de conduite de Rust, une abstraction à coût nul et une sécurité de la mémoire grâce aux avantages de Rust, des opérations LLM à haute performance et faible latence. Il offre une plus grande liberté au niveau de la couche inférieure.

Le cadre Swarms décomposable

Swarms vise à fournir un cadre de coordination multi-agent de niveau entreprise pour la production, le site Web propose des dizaines d’architectures de workflow et d’agent parallèles et séquentielles, en voici une petite partie.

Workflow séquentiel

Source:

L’architecture Swarm séquentielle traite les tâches de manière linéaire. Chaque agent termine sa tâche avant de transmettre les résultats à l’agent suivant dans la chaîne. Cette architecture garantit un traitement ordonné et est très utile lorsque les tâches ont des dépendances.

Exemple:

Chaque étape du processus de travail dépend de l’étape précédente, comme une ligne d’assemblage ou un traitement de données séquentiel.

Scénario qui doit être strictement suivi dans l’ordre des opérations.

Architecture en couches:

Source:

Mettre en œuvre un contrôle descendant, où l’agent supérieur coordonne les tâches entre les agents inférieurs. Les agents exécutent simultanément les tâches, puis renvoient les résultats dans la boucle pour agrégation finale. Cela est très utile pour les tâches hautement parallélisables.

Architecture du format de tableau électronique :

Source:

Une architecture de groupe à grande échelle pour gérer plusieurs agents travaillant simultanément. Il peut gérer simultanément des milliers d’agents, chacun fonctionnant sur son propre thread. C’est le choix idéal pour superviser la sortie de masse des agents.

Swarms n’est pas seulement un framework d’agent, mais il est également compatible avec les frameworks Eliza, ZerePy et Rig mentionnés ci-dessus. En utilisant une approche modulaire, il maximise les performances des agents dans différents flux de travail et architectures pour résoudre les problèmes correspondants. La conception de Swarms et la progression de la communauté des développeurs sont toutes deux bonnes.

Eliza : La plus conviviale, adaptée aux débutants et au développement rapide de prototypes, en particulier pour les interactions d’IA sur les plateformes de médias sociaux. Le cadre est simple et facile à intégrer et à modifier rapidement, adapté aux scénarios ne nécessitant pas une optimisation excessive des performances.

ZerePy: un déploiement en un clic, adapté au développement rapide d’applications d’agents IA pour Web3 et plateformes sociales. Convient aux applications d’IA légères, cadre simple, configuration flexible, adapté à la construction et l’itération rapides.

Rig: Axé sur l’optimisation des performances, il se comporte particulièrement bien dans les tâches à haute performance et à haute concurrence, adapté aux développeurs nécessitant un contrôle et une optimisation minutieux. Le cadre est assez complexe et nécessite une certaine connaissance de Rust, convient donc aux développeurs plus expérimentés.

Swarms: suitable for enterprise-level applications, supporting multi-agent collaboration and complex task management. The framework is flexible, supports large-scale parallel processing, and provides multiple architectural configurations. However, due to its complexity, it may require a stronger technical background for effective application.

Dans l’ensemble, Eliza et ZerePy ont l’avantage en termes de convivialité et de développement rapide, tandis que Rig et Swarms conviennent davantage aux développeurs professionnels ou aux applications d’entreprise nécessitant des performances élevées et un traitement à grande échelle.

C’est la raison pour laquelle le cadre Agent a la caractéristique de ‘l’espoir de l’industrie’. Le cadre ci-dessus est encore à un stade précoce, et la priorité est de prendre l’avantage et de construire une communauté de développeurs active. La performance du cadre lui-même et s’il est en retard par rapport aux applications populaires Web2 ne sont pas les principaux problèmes. Seuls les cadres qui attirent continuellement les développeurs peuvent finalement l’emporter, car l’industrie Web3 a toujours besoin d’attirer l’attention du marché. Peu importe à quel point la performance du cadre est forte et les fondamentaux sont solides, s’il est difficile à aborder et qu’il n’y a pas d’intérêt, c’est mettre la charrue avant les bœufs. Dans la mesure où le cadre peut attirer les développeurs, un cadre avec un modèle économique de jeton plus mature et plus complet se démarquera.

Et il est facile de comprendre que le cadre Agent a cette caractéristique de «Memecoin». Les jetons de cadre mentionnés ci-dessus n’ont pas de conception économique raisonnable, pas de cas d’utilisation ou un seul cas d’utilisation très limité, pas de modèle commercial validé et pas de volant de jetons efficace. Le cadre est simplement un cadre, et il n’y a pas d’intégration organique avec les jetons. La croissance du prix des jetons est difficile à obtenir en dehors du FOMO, sans soutien fondamental suffisant pour assurer une croissance stable et durable de la valeur. En même temps, le cadre lui-même semble assez rudimentaire et sa valeur réelle ne correspond pas à sa capitalisation boursière actuelle, ce qui lui confère une forte caractéristique de «Memecoin».

Il convient de noter que le « dualisme onde-particule » du cadre de l’Agent n’est pas un défaut, et ne peut pas être grossièrement compris comme étant à la fois un Memecoin pur et simple et un demi-verre d’eau sans cas d’utilisation de jeton. Comme je l’ai mentionné dans mon précédent article, un Agent léger recouvre un voile de Memecoin ambigu, la culture communautaire et les fondamentaux ne seront plus contradictoires, et une nouvelle voie de développement d’actifs émerge progressivement ; bien que le cadre de l’Agent présente des bulles et de l’incertitude au début, son potentiel d’attirer les développeurs et de promouvoir l’application est indéniable. À l’avenir, un cadre doté d’un modèle économique de jetons complet et d’un écosystème de développeurs solide pourrait devenir le pilier clé de cette voie.