Apakah Kerangka AI Agent adalah kepingan terakhir dari teka-teki? Bagaimana interpretasi 'dualitas gelombang-partikel' dalam kerangka tersebut?

Menulis: Kevin, Peneliti di BlockBooster

Sebagai bagian penting dari teka-teki untuk pengembangan industri, kerangka kerja Agen AI mungkin memiliki potensi ganda untuk mempromosikan implementasi teknologi dan kematangan ekosistem. Beberapa kerangka kerja paling populer di pasar adalah: Eliza, Rig, Swarms, ZerePy, dll. Kerangka kerja ini menarik pengembang dan membangun prestise melalui Github Repo. Dalam bentuk koin “perpustakaan”, kerangka kerja ini memiliki sifat gelombang dan partikel, dan kerangka Agen memiliki eksternalitas serius dan properti Memecoin. Pada artikel ini, kita akan fokus pada “dualitas gelombang-partikel” kerangka kerja dan mengapa kerangka kerja Agen adalah sudut terakhir.

Kinerja eksternalitas yang dibawa oleh kerangka agen dapat meninggalkan tunas musim semi setelah busa surut

Sejak lahirnya GOAT, kekuatan naratif Agen dalam pasar terus meningkat seperti seorang ahli bela diri, dengan pukulan kiri ‘Memecoin’ dan pukulan kanan ‘Harapan industri’, Anda akan selalu kalah dalam salah satunya. Sejujurnya, penerapan AI Agen tidak jelas dibatasi oleh platform, kerangka, atau aplikasi spesifik, namun masih dapat secara kasar diklasifikasikan berdasarkan preferensi token atau protokol. Namun, berdasarkan preferensi pengembangan token atau protokol, dapat diklasifikasikan menjadi beberapa kategori berikut:

Launchpad: Platform peluncuran aset. Virtuals Protocol di atas Base Chain dan clanker, Dasha di atas Solana Chain.

Aplikasi AI Agent: Beroperasi di antara Agent dan Memecoin, memiliki keunggulan dalam konfigurasi memori memori, seperti GOAT, aixbt, dll. Aplikasi ini umumnya memiliki output satu arah, dengan kondisi input yang sangat terbatas.

Mesin AI Agente: griffain dari rantai Solana dan Spectre AI dari rantai base. griffain bisa berkembang dari mode baca-tulis menjadi mode baca, tulis, dan aksi; Spectre AI adalah mesin RAG, pencarian di rantai.

Kerangka AI Agent: Bagi platform kerangka, Agent itu sendiri adalah aset, jadi Kerangka Agent adalah platform penerbitan aset Agent, yaitu Launchpad Agent. Saat ini, proyek yang mewakili adalah ai16, Zerebro, ARC, dan Swarms yang sedang ramai dibahas akhir-akhir ini.

Arah kecil lainnya: Agensi Simmi tipe gabungan; Mode protokol AgentFi; Agensi Seraph tipe pemalsu; Pembuat Agen API waktu nyata.Creator.Bid.

Dalam pembahasan lebih lanjut tentang kerangka Kerja Agen, dapat dilihat bahwa itu memiliki eksternalitas yang memadai. Berbeda dengan para pengembang dari berbagai rantai dan protokol besar yang hanya dapat memilih dalam lingkungan bahasa pengembangan yang berbeda, namun ukuran total para pengembang dalam industri tidak menunjukkan pertumbuhan nilai pasar yang sesuai. Repo Github adalah tempat di mana para pengembang Web2 dan Web3 mencapai kesepakatan, membangun komunitas pengembang di sini, lebih menarik dan berdampak lebih kuat bagi pengembang Web2 daripada paket ‘plug and play’ yang dikembangkan oleh setiap protokol secara independen.

Ada 4 kerangka yang disebutkan dalam artikel ini yang semuanya telah menjadi open source: Kerangka Eliza dari ai16z memiliki 6200 bintang; Kerangka ZerePy dari Zerebro memiliki 191 bintang; Kerangka RIG dari ARC memiliki 1700 bintang; Kerangka Swarms dari Swarms memiliki 2100 bintang. Saat ini, Kerangka Eliza digunakan secara luas dalam berbagai aplikasi Agen dan merupakan kerangka yang paling luas jangkauannya. Pengembangan ZerePy belum terlalu maju dan fokus utamanya adalah pada X, belum mendukung LLM lokal dan integrasi memori. RIG adalah kerangka yang relatif sulit dikembangkan, tetapi memberikan kebebasan maksimum bagi pengembang untuk mengoptimalkan kinerja. Selain peluncuran mcs oleh tim Swarms, belum ada penggunaan lain yang diperlihatkan, tetapi Swarms dapat mengintegrasikan kerangka yang berbeda dan memiliki ruang imajinasi yang besar.

Selain itu, dalam klasifikasi di atas, memisahkan mesin Agen dan kerangka mungkin menimbulkan kebingungan. Tetapi saya berpikir keduanya memiliki perbedaan. Pertama, mengapa disebut mesin? Menyamakan mesin pencarian dalam kehidupan nyata adalah cukup cocok. Berbeda dari aplikasi Agen yang seragam, kinerja mesin Agen di atasnya, tetapi pada saat yang sama sepenuhnya terenkapsulasi, dan disesuaikan melalui antarmuka api yang merupakan kotak hitam. Pengguna dapat mengalami kinerja mesin Agen dengan cara bercabang, tetapi tidak dapat menguasai keseluruhan kerangka dan kebebasan kustomisasi seperti itu. Mesin setiap pengguna seperti menciptakan citra cermin pada Agen yang telah diatur dengan baik, dan berinteraksi dengan citra cermin itu. Sedangkan kerangka pada dasarnya adalah untuk beradaptasi dengan rantai, karena dalam melakukan kerangka Agen, tujuan akhirnya adalah untuk mengintegrasikan dengan rantai yang sesuai, bagaimana cara mendefinisikan cara pertukaran data, cara validasi data, cara menentukan ukuran blok, cara menyeimbangkan konsensus dan kinerja, semua ini adalah hal-hal yang perlu dipertimbangkan oleh kerangka. Sedangkan mesin? Hanya perlu menyesuaikan model dan mengatur hubungan antara pertukaran data dan memori di satu arah tertentu, kinerja adalah satu-satunya standar penilaian, sedangkan kerangka tidak demikian.

Mengevaluasi kerangka kerja Agen melalui lensa “dualitas gelombang-partikel” mungkin merupakan prasyarat untuk memastikan bahwa kita berada di jalur yang benar

Dalam siklus kehidupan input-output satu kali dari Agen, ada tiga bagian yang diperlukan. Pertama, model dasar menentukan kedalaman dan cara berpikir, kemudian memori adalah tempat yang dapat disesuaikan, setelah model dasar menghasilkan output, kemudian memodifikasinya berdasarkan memori, akhirnya menyelesaikan operasi output pada berbagai klien.

Sumber: @SuhailKakar

Untuk membuktikan bahwa kerangka kerja Agen memiliki “dualitas gelombang-partikel”, “gelombang” memiliki karakteristik “Memecoin”, yang mewakili budaya komunitas dan aktivitas pengembang, dan menekankan daya tarik dan kemampuan penyebaran Agen. “Granular” mewakili karakteristik “ekspektasi industri”, mewakili kinerja yang mendasarinya, kasus penggunaan dunia nyata, dan kedalaman teknis. Saya akan mengilustrasikan tutorial pengembangan dari tiga kerangka kerja dalam dua aspek:

Kerangka Eliza yang Dipasang dengan Cepat

1. Menyiapkan Lingkungan

Sumber: @SuhailKakar

2. Instal Eliza

Sumber: @SuhailKakar

3. file konfigurasi

Sumber: @SuhailKakar

4. Mengatur Karakter Agen

Sumber: @SuhailKakar

Kerangka Eliza relatif mudah untuk dipahami. Ini didasarkan pada TypeScript, yang merupakan bahasa yang dikenal oleh sebagian besar pengembang Web dan Web3. Kerangka tersebut sederhana, tidak terlalu abstrak, sehingga pengembang dapat dengan mudah menambahkan fungsionalitas yang mereka inginkan. Melalui langkah 3, Anda dapat melihat bahwa Eliza dapat diintegrasikan dengan berbagai klien, yang dapat dianggap sebagai perakit integrasi multi-klien. Eliza mendukung platform DC, TG, dan X, serta mendukung berbagai model bahasa besar, dapat menerima input melalui media sosial yang disebutkan di atas, menghasilkan keluaran melalui model LLM, dan mendukung manajemen ingatan bawaan, memungkinkan pengembang dengan kebiasaan apa pun untuk dengan cepat mendeploy AI Agent.

Karena kesederhanaan kerangka dan kekayaan antarmuka, Eliza sangat mengurangi ambang pintu yang terhubung dan mencapai standar antarmuka yang relatif seragam.

Kerangka ZerePy yang mudah digunakan

1. Fork ZerePy repository

Sumber:

2. Mengkonfigurasi X dan GPT

Sumber:

3. Mengatur Karakter Agen

Sumber:

Kinerja-optimized Rig framework

Sebagai contoh membangun RAG (Retrieval-Augmented Generation) Agent:

1. Mengatur lingkungan dan kunci OpenAI

Sumber:

2. Menyiapkan Klien OpenAI dan Menggunakan Chunking untuk Memproses PDF

Sumber:

3. Mengatur Struktur Dokumen dan Penyisipan

Sumber:

4. membuat penyimpanan vektor dan agen RAG

Sumber:

Rig（ARC）adalah kerangka konstruksi sistem AI yang berbasis bahasa Rust yang ditujukan untuk mesin alur kerja LLM, yang bertujuan untuk menyelesaikan masalah optimisasi kinerja yang lebih mendasar. Dengan kata lain, ARC adalah suatu “kotak alat” mesin AI yang menyediakan layanan dukungan backend seperti pemanggilan AI, optimisasi kinerja, penyimpanan data, penanganan pengecualian, dan sebagainya.

Rig bertujuan untuk menyelesaikan masalah ‘panggilan’, untuk membantu pengembang memilih LLM dengan lebih baik, mengoptimalkan saran dengan lebih baik, mengelola token secara lebih efektif, serta bagaimana menangani dan mengelola sumber daya secara bersamaan, mengurangi keterlambatan, dll. Fokusnya adalah pada bagaimana ‘memanfaatkannya’ dalam proses kerja sama model AI LLM dan sistem AI Agent.

Rig adalah perpustakaan Rust open source yang bertujuan untuk menyederhanakan pengembangan aplikasi yang didukung oleh LLM (termasuk Agen RAG). Karena Rig lebih terbuka, ini mengharuskan pengembang memiliki pemahaman yang lebih tinggi tentang Rust dan Agen. Panduan ini adalah proses konfigurasi Agen RAG paling dasar, di mana RAG meningkatkan LLM dengan menggabungkannya dengan penelusuran pengetahuan eksternal. Dalam DEMO lainnya di situs web resmi, Anda dapat melihat bahwa Rig memiliki fitur berikut:

LLM Unified Interface: supports consistent APIs for different LLM providers to simplify integration.

Alur Kerja Abstrak: Komponen modular pra-dibangun memungkinkan Rig untuk menangani desain sistem AI yang kompleks.

Penyimpanan Vektor Terintegrasi: Mendukung penyimpanan potong tubuh secara internal, memberikan kinerja yang efisien dalam Agen Pencarian serupa seperti RAG Agent.

Fleksibel Tersemat: menyediakan API yang mudah digunakan untuk penanganan penyisipan, yang dapat mengurangi kesulitan dalam pemahaman semantik saat mengembangkan agen pencarian seperti RAG Agent.

Dapat dilihat bahwa dibandingkan dengan Eliza, Rig menyediakan ruang optimalisasi kinerja tambahan bagi pengembang, membantu pengembang melakukan debugging yang lebih baik untuk pemanggilan dan optimalisasi kerja sama LLM dan Agent. Rig menggunakan performa yang didorong oleh Rust, abstraksi biaya nol dan keamanan memori yang dioptimalkan oleh Rust, operasi LLM yang memiliki kinerja tinggi dan rendah latensi. Ini mampu menyediakan kebebasan yang lebih kaya di tingkat yang lebih dalam.

Kerangka Swarms dengan komposisi dekomposisi

Swarms bertujuan untuk menyediakan kerangka pengaturan multi Agen tingkat produksi untuk perusahaan, situs web resmi menyediakan puluhan alur kerja dan struktur paralel serta serial Agen, di sini diperkenalkan sebagian kecil dari mereka.

Alur Kerja Berurutan

Sumber:

Arsitektur Swarm urut memproses tugas secara linear. Setiap Agen menyelesaikan tugasnya sebelum meneruskan hasilnya ke Agen berikutnya dalam rantai. Arsitektur ini memastikan pengolahan yang terurut dan sangat berguna ketika tugas memiliki ketergantungan.

Contoh:

Setiap langkah dalam alur kerja bergantung pada langkah sebelumnya, seperti lini perakitan atau pemrosesan data berurutan.

Membutuhkan skenario yang ketat sesuai dengan urutan operasi.

Arsitektur Hierarkis:

Sumber:

Mengendalikan dari atas ke bawah, agen tingkat atas mengkoordinasikan tugas antara agen tingkat bawah. Di mana agen menjalankan tugas secara bersamaan, kemudian umpan balik hasilnya ke dalam lingkaran untuk agregasi akhir. Hal ini sangat berguna untuk tugas yang sangat dapat diparalelkan.

Arsitektur Format Tabel Elektronik:

Sumber:

Untuk mengelola arsitektur kelompok yang besar untuk agen yang bekerja secara bersamaan. Dapat mengelola ribuan agen secara bersamaan, dengan setiap agen berjalan pada threadnya sendiri. Ini adalah pilihan yang ideal untuk mengawasi output agen dalam skala besar.

Swarms bukan hanya kerangka kerja Agent, tetapi juga kompatibel dengan kerangka kerja Eliza, ZerePy, dan Rig yang disebutkan di atas. Dengan pemikiran modular, Swarms dapat memaksimalkan kinerja Agent dalam berbagai alur kerja dan arsitektur untuk memecahkan masalah yang sesuai. Konsep dan kemajuan komunitas pengembang Swarms tidak ada masalah.

Eliza: Kemudahan penggunaan yang paling kuat, cocok untuk pemula dan pengembangan prototipe cepat, terutama cocok untuk interaksi AI platform media sosial. Kerangka kerja yang ringkas, mudah diintegrasikan dan dimodifikasi secara cepat, cocok untuk skenario yang tidak memerlukan optimasi kinerja berlebihan.

ZerePy: aplikasi AI Agent yang memungkinkan pengembangan cepat Web3 dan platform sosial dengan penerapan satu tombol. Cocok untuk aplikasi AI ringan dengan kerangka yang sederhana, konfigurasi yang fleksibel, dan cocok untuk pembangunan dan iterasi cepat.

Rig: fokus pada optimalisasi kinerja, terutama dalam tugas dengan tingkat konkurensi tinggi dan kinerja tinggi, cocok untuk pengembang yang membutuhkan kontrol dan optimalisasi yang detail. Kerangka kerja ini agak kompleks dan membutuhkan pengetahuan Rust yang memadai, cocok untuk pengembang yang lebih berpengalaman.

Swarms: cocok untuk aplikasi tingkat perusahaan, mendukung kerja sama agen yang banyak dan manajemen tugas yang kompleks. Kerangka kerja ini fleksibel, mendukung pemrosesan paralel dalam skala besar, dan menyediakan berbagai konfigurasi arsitektur, tetapi karena kompleksitasnya, mungkin memerlukan latar belakang teknis yang lebih kuat untuk menerapkannya dengan efektif.

Secara keseluruhan, Eliza dan ZerePy memiliki keunggulan dalam hal kemudahan penggunaan dan pengembangan yang cepat, sementara Rig dan Swarms lebih cocok untuk pengembang profesional atau aplikasi bisnis yang memerlukan kinerja tinggi dan pengolahan skala besar.

Ini adalah alasan mengapa kerangka kerja Agent memiliki fitur ‘harapan industri’. Kerangka kerja tersebut masih dalam tahap awal, yang terpenting adalah menguasai keunggulan pertama dan membangun komunitas pengembang yang aktif. Kinerja kerangka kerja itu sendiri dan apakah tertinggal dibandingkan dengan aplikasi populer Web2 bukanlah kontradiksi utama. Hanya dengan terus-menerus menarik pengembang ke kerangka kerja, kerangka kerja tersebut dapat akhirnya berhasil, karena industri Web3 selalu perlu menarik perhatian pasar. Seberapa kuat kinerja kerangka kerja dan fundamentalnya, jika sulit digunakan dan tidak menarik minat pengembang, maka prioritasnya akan terbalik. Dalam hal kerangka kerja dapat menarik pengembang itu sendiri, kerangka kerja dengan model ekonomi token yang lebih matang dan lengkap akan menonjol.

Sementara kerangka Agen memiliki fitur ‘Memecoin’, hal ini sangat mudah dipahami. Token kerangka tersebut tidak memiliki desain ekonomi token yang wajar, tidak memiliki kasus penggunaan atau kasus penggunaan yang sangat terbatas, tidak memiliki model bisnis yang terverifikasi, juga tidak memiliki roda gila token yang efektif, kerangka hanya kerangka, dan tidak ada keterpaduan yang lengkap antara kerangka dan token, pertumbuhan harga token tidak dapat diperoleh kecuali melalui FOMO, sulit untuk mendapatkan dorongan dari fundamental, tidak ada cukup benteng pertahanan untuk memastikan pertumbuhan nilai yang stabil dan berkelanjutan. Selain itu, kerangka tersebut juga terlihat kasar, nilai aktualnya tidak sebanding dengan valuasi pasar saat ini, sehingga memiliki fitur ‘Memecoin’ yang kuat.

Perlu dicatat bahwa ‘dualitas gelombang-partikel’ kerangka agen bukanlah kelemahan, dan tidak dapat dipahami secara kasar sebagai Memecoin yang murni dan setengah kosong tanpa kasus penggunaan token. Seperti yang saya sebutkan dalam pandangan saya dalam artikel sebelumnya: Kerangka agen yang ringan menutupi topeng Memecoin yang ambigu, budaya komunitas dan fundamental tidak akan lagi menjadi kontradiksi, dan jalur perkembangan aset baru sedang muncul; meskipun ada gelembung dan ketidakpastian pada tahap awal kerangka agen, potensinya untuk menarik pengembang dan mendorong aplikasi untuk berdiri tidak dapat diabaikan. Di masa depan, kerangka yang memiliki model ekonomi token yang matang dan ekosistem pengembang yang kuat dapat menjadi pilar utama dalam perlombaan ini.