Автор: Кевін, дослідник у BlockBooster
Як ключовий елемент головоломки для розвитку галузі, фреймворк AI Agent може мати подвійний потенціал для сприяння впровадженню технологій і зрілості екосистеми. Одними з найпопулярніших фреймворків на ринку є: Eliza, Rig, Swarms, ZerePy тощо. Ці фреймворки приваблюють розробників і створюють престиж за допомогою репозиторію Github. У вигляді «бібліотечних» монет ці фреймворки мають властивості як хвиль, так і частинок, а фреймворк Агента має як серйозні зовнішні ефекти, так і властивості мемкоїнів. У цій статті ми зосередимося на «корпускулярно-хвильовому дуалізмі» фреймворків і чому фреймворк Agent є останнім кутом.
Зовнішній ефект, який приносить рамка агента, може залишити весняні пагони після спаду пузиря
Від появи GOAT сила впливу агента на ринок постійно зростає, як кунг-фу майстер, ліва кулачка - “Memecoin”, права долоня - “надія на галузь”, ви завжди будете програвати в одному з цих прийомів. Насправді, застосування штучного інтелекту агента не суворо розмежовуються, межі між платформою, фреймворком та конкретним застосуванням розмиті, але все ще можна загалом класифікувати відповідно до вподобань токенів або протоколів. Однак можна класифікувати за вподобанням розвитку токенів або протоколів наступним чином:
Launchpad: платформа для запуску активів. Протокол Virtuals та кранкер на ланці Base та Dasha на ланці Solana.
Додаток AI Agent: вибухаючий між Agent та Memecoin, він має видатні можливості у конфігурації пам’яті, такі як GOAT, aixbt тощо. Зазвичай ці додатки мають односторонній вихід та дуже обмежені вхідні умови.
Двигун AI Agent: griffain для ланцюга Solana та Spectre AI для базового ланцюга. griffain може еволюціонувати від режиму читання та запису до режиму читання, запису та дії; Spectre AI - це RAG-двигун для пошуку за ланцюгом.
Фреймворк AI Agent: Для платформи фреймворків, сам агент є активом, тому фреймворк AI Agent є платформою випуску активів агента, як Launchpad агента. Наразі існують представницькі проекти, такі як ai16, Zerebro, ARC, а також гарячо обговорювані Swarms.
Інші дрібні напрямки: агент Simmi зі змішаним типом; Режим протоколу AgentFi; агент Seraph, що перевіряє достовірність; та агент Creator.Bid з API в реальному часі.
При подробном обсуждении агентской системы можно увидеть, что она имеет полную внешность. В отличие от разработчиков крупных общедоступных цепей и протоколов, которые могут выбирать только в разных языковых средах разработки, общее количество разработчиков в отрасли не увеличивается со скоростью роста рыночной стоимости. GitHub Repo - это место, где Web2 и Web3 разработчики создают консенсус, строят разработческое сообщество, и его привлекательность и влияние на разработчиков Web2 сильнее, чем у любого отдельного «plug-and-play» пакета, разработанного протоколом.
У цій статті згадуються 4 фреймворки, які вже були відкриті: фреймворк Eliza від ai16z отримав 6200 зірок; фреймворк ZerePy від Zerebro отримав 191 зірку; фреймворк RIG від ARC отримав 1700 зірок; фреймворк Swarms від Swarms отримав 2100 зірок. Наразі фреймворк Eliza широко використовується в різноманітних додатках агентів і є найбільш широко охоплюючим фреймворком. Рівень розвитку ZerePy не є дуже високим, його основний напрямок розвитку полягає в X, поки що не підтримує місцевий LLM та інтегровану пам’ять. RIG має найвищий рівень складності розробки, але може надати розробникам максимальну свободу для оптимізації продуктивності. Поки що у Swarms, крім випуску mcs, немає інших використань, але Swarms може інтегрувати різні фреймворки і має великий простір для уявлення.
Крім того, вищезазначене поділ на дві категорії, а саме двигун Agent і фреймворк, може бути заплутаним. Але я вважаю, що вони мають відмінності. По-перше, чому двигун? Порівняння з пошуковим двигуном в реальному житті, я думаю, є досить точним. Особливістю двигуна Agent є його продуктивність, але він повністю замкнутий і керується через API-інтерфейс. Користувачі можуть використовувати форк двигуна Agent для власного досвіду, але не можуть мати такого ж контролю і свободи налаштування, як при роботі з базовим фреймворком. Кожен двигун користувача подібний до створення дзеркала для добре натренованого Agent і взаємодії з цим дзеркалом. А фреймворк, в основному, призначений для адаптації до ланцюжка, оскільки якщо Agent розробляє фреймворк Agent, то остаточною метою є інтеграція з відповідним ланцюжком. Фреймворк має вирішувати питання, як визначати спосіб обміну даними, як визначити спосіб перевірки даних, як визначити розмір блоку, як збалансувати консенсус і продуктивність. У двигуна ж, потрібно тільки налаштувати модель і встановити взаємозв’язок між обміном даними та пам’яттю в певному напрямку, продуктивність є єдиним критерієм оцінки, а фреймворк - ні.
Оцінка агентської платформи з точки зору хвильово-частинкової подвійності може бути передумовою для руху в правильному напрямку.
Під час виконання життєвого циклу введення-виведення агент потребує трьох етапів. По-перше, нижчестояча модель визначає глибину та спосіб мислення, потім пам’ять є власним місцем, де на основі вихідних даних базової моделі вносяться зміни, і, нарешті, виведення завершується на різних клієнтських пристроях.
Джерело: @SuhailKakar
Для підтвердження того, що фреймворк Агента має «хвильово-корпускулярну» природу, «хвиля» має властивості «Memecoin», що представляє культуру спільноти та активність розробників, підкреслює привабливість та поширення Агента; «корпускула» представляє властивості «галузевих очікувань», відображає базову продуктивність, фактичні випадки застосування та технічну глибину. Я збираюся проілюструвати це на прикладі трьох фреймворків з погляду розробки.
Швидка суцільна рамка Елізи
- налаштування оточення
Джерело: @SuhailKakar
- Встановіть Елізу
Джерело: @SuhailKakar
3.файл конфігурації
Джерело: @SuhailKakar
- Налаштування характеру агента
Джерело: @SuhailKakar
Фреймворк Eliza, в цілому, легкий у вивченні. Він базується на TypeScript, мові, з якою знайомі більшість веб-розробників та розробників Web3. Фреймворк є конкретним і не має надмірної абстракції, що дозволяє розробникам легко додавати бажані функції. За допомогою кроку 3, бачимо, що Eliza може бути інтегрована з декількома клієнтами, що можна розглядати як збирач різних клієнтів. Eliza підтримує платформи, такі як DC, TG і X, а також підтримує різноманітні моделі великої мови, які можуть вводитися через зазначені вище соціальні медіа та моделі LLM для виведення, а також підтримує вбудований менеджмент пам’яті, що дозволяє розгортати агента штучного інтелекту швидко будь-якому звичайному розробнику.
Завдяки простоті фреймворка та різноманітності інтерфейсів, Eliza значно знизила поріг підключення та реалізувала відносно єдиної стандарт інтерфейсу.
Фреймворк ZerePy з одним натисканням кнопки
- Вилка репозиторію ZerePy
Джерело:
- Налаштування X та GPT
Джерело:
3.Налаштування характеру агента
Джерело:
Оптимізований фреймворк Rig для продуктивності
Наприклад, для створення агента RAG (Retrieve-Augment-Generate):
- Налаштування середовища та ключ OpenAI
Джерело:
- Налаштуйте клієнта OpenAI та використовуйте Чанкінг для обробки PDF
Джерело:
3.налаштування структури документа та вбудовування
Джерело:
- Створення векторного сховища та агента RAG
Джерело:
Rig (ARC) - це фреймворк для побудови систем штучного інтелекту на базі двигуна LLM, що ґрунтується на мові Rust. Його метою є вирішення питань оптимізації продуктивності на більш низькому рівні, зокрема, ARC є «набором інструментів» для двигуна штучного інтелекту, що надає послуги фонової підтримки, такі як виклики AI, оптимізація продуктивності, зберігання даних, обробка винятків тощо.
Rig розв’язує проблему «виклику», щоб допомогти розробникам краще вибирати LLM, оптимізувати підказки, ефективно керувати токенами та обробляти одночасні операції, керувати ресурсами та знижувати затримки тощо. Його фокус полягає у використанні AI LLM-моделі та системи AI Agent у процесі співпраці.
Rig - це відкрита бібліотека Rust, призначена для спрощення розробки додатків, які працюють під управлінням драйвера LLM (включаючи RAG Agent). Оскільки Rig є більш відкритим, вимоги до розробника високі, і вимагається глибоке розуміння Rust та Agent. Цей посібник є найбазовішим процесом налаштування RAG Agent, який посилює LLM, поєднуючи його з зовнішнім пошуком знань. У інших ДЕМО на офіційному веб-сайті можна побачити, що Rig має такі особливості:
LLM інтерфейс уніфікований: підтримка однорідного api для різних постачальників LLM, спрощує інтеграцію.
Абстрактний робочий процес: попередньо побудовані модульні компоненти дозволяють Rig створювати складні системи штучного інтелекту.
Зберігання векторів інтегроване: вбудована підтримка зберігання образів для пошукових агентів, таких як RAG Agent, забезпечує високу ефективність.
Вбудований та гнучкий: надає легкий у використанні API для обробки вбудованого контенту, знижуючи складність семантичного розуміння при розробці агентів пошуку, таких як RAG Agent.
Видно, що по відношенню до Eliza, Rig надає розробникам додатковий простір для оптимізації продуктивності, що допомагає розробникам краще налагоджувати виклики та оптимізувати співпрацю між LLM та Agent. Rig пропонує операції LLM високої продуктивності з використанням Rust управління продуктивністю, безкоштовну абстракцію та безпеку пам’яті, високу продуктивність та низьку затримку. Він може надати більшу свободу на низькому рівні.
Розкладаючи комбіновану структуру Swarms framework
Swarms спрямовані на надання корпоративного рівня фреймворку для розгортання багатьох агентів, налагодження процесів на виробництві, офіційний сайт надає десятки різних робочих процесів та агентів для паралельного та послідовного архітектурного розгортання, тут наведено лише невелику частину.
Послідовний робочий процес
Джерело:
Архітектура Swarm виконує завдання в послідовному порядку. Кожен агент завершує своє завдання, перш ніж передати результат наступному агенту в ланцюзі. Ця архітектура гарантує послідовну обробку та є дуже корисною при існуванні залежностей між завданнями.
Приклад:
Кожен крок у робочому процесі залежить від попереднього, такого як лінія зборки або послідовна обробка даних.
Потрібно суворо дотримуватися порядку операцій в сценарії.
Ієрархічна архітектура:
Джерело:
Здійснення контролю зверху донизу, координація завдань між підлеглими агентами від верхнього агента. Агенти виконують завдання одночасно, після чого їх результати повертаються в цикл для остаточної агрегації. Це дуже корисно для завдань, які можна високо паралелізувати.
Архітектура формату електронної таблиці:
Джерело:
Масштабна ройова архітектура для управління декількома агентами, що працюють одночасно. Керуйте тисячами агентів одночасно, кожен з яких працює у власному потоці. Він ідеально підходить для нагляду за великомасштабним виведенням проксі-серверів.
Swarms - це не лише агентська структура, але й може бути сумісним з вищезгаданими структурами Eliza, ZerePy та Rig, щоб максимізувати продуктивність агента у різних робочих потоках та архітектурі для вирішення відповідних проблем. Концепція Swarms та розвиток спільноти розробників бездоганні.
Еліза: Найбільш зручний у використанні, підходить для початківців та швидкого прототипування, особливо підходить для взаємодії з штучним інтелектом на платформах соціальних мереж. Фреймворк простий, легко і швидко інтегрується та змінюється, підходить для сценаріїв, де не потрібна перевищена оптимізація продуктивності.
ZerePy: однокнопкове розгортання, придатне для швидкої розробки додатків Web3 та соціальних платформ AI Agent. Придатне для легкого застосування AI, простий фреймворк, гнучка настройка, підходить для швидкої побудови та ітерації.
Rig: зосереджений на оптимізації продуктивності, особливо високий рівень паралельності та продуктивні завдання, підходить для розробників, які потребують детального контролю та оптимізації. Фреймворк досить складний, потребує певних знань Rust, підходить для більш досвідчених розробників.
Swarms: підходить для корпоративних застосунків, підтримує співпрацю багатьох агентів та складне управління завданнями. Фреймворк гнучкий, підтримує масштабну паралельну обробку і надає різноманітні конфігурації архітектури, але через свою складність, для ефективного застосування може знадобитися більш сильний технічний фон.
В загальному, Eliza та ZerePy мають переваги у використанні та швидкому розробці, тоді як Rig та Swarms більш підходять для професійних розробників або корпоративних застосунків, які потребують високої продуктивності та масштабування.
Ось чому агентська структура має ‘надію галузі’ як одну з її особливостей. Зазначена структура перебуває на початковому етапі, тому найважливішим завданням є зайняття переваги першими та створення активної спільноти розробників. Питання про те, наскільки висока або низька продуктивність самої структури в порівнянні з популярними застосунками Web2, не є основним. Тільки постійний приплив розробників у структуру може привести до її кінцевої перемоги, оскільки галузь Web3 завжди потребує привернення уваги ринку. Навіть якщо продуктивність структури дуже висока, а фундаментальні показники дуже сильні, якщо структура складно розуміти та невеликі її можливості, то це буде непривабливо для розробників, і пріоритети будуть переплутані. При умові, що структура сама по собі приваблює розробників, вона відзначатиметься більш досвідченою та повною моделлю токеномічної економіки.
Фреймворк Agent легко пізнати за його особливістю «Memecoin». Вищезазначені токени фреймворка не мають раціонального дизайну токеноміки, токени не мають використання або мають дуже обмежене використання, не мають перевіреної бізнес-моделі та ефективного токенового літака, фреймворк лише фреймворк, і він не органічно поєднаний з токеном, зростання ціни токена, крім FOMO, важко отримати підтримку на основному рівні, немає достатньої захисної стіни, щоб забезпечити стійке та тривале зростання вартості. Тим часом, сам фреймворк видається досить грубим, його реальна вартість не відповідає поточній ринковій вартості, тому він має виражену особливість «Memecoin».
Варто звернути увагу, що «хвиля-частинка двоїстість» рамки Агента не є недоліком, його не можна грубо розуміти як чистий Memecoin, а також як напівпорожня банка без використання токенів. Як я вже зазначив у попередній статті, легка рамка Агента прикриває неоднозначність Memecoin, культуру спільноти і основи більше не будуть протиріччям, новий шлях розвитку активів поступово виходить на поверхню; незважаючи на те, що в початковій стадії рамка Агента містить пухирці та невизначеність, його привабливість для розробників та потенціал для просування застосування не можна ігнорувати. У майбутньому рамка з вдосконаленою економічною моделлю токена та потужним екосистемою розробників може стати ключовою опорою в цьому напрямку.
