Comparativa de los cuatro grandes marcos Crypto X AI: ELIZA, GAME, ARC y ZEREPY

Autor: Deep Value Memetics, Traducción: Jinse Caijing xiaozou

En este artículo, exploraremos las perspectivas del marco Crypto X AI. Nos centraremos en los cuatro marcos principales actuales (ELIZA, GAME, ARC, ZEREPY) y sus respectivas diferencias técnicas.

1. Introducción

En la última semana, hemos investigado y probado los cuatro principales marcos de Crypto X AI: ELIZA, GAME, ARC y ZEREPY, y nuestras conclusiones son las siguientes.

Creemos que AI16Z seguirá dominando. El valor de Eliza (con una cuota de mercado de aproximadamente el 60% y una capitalización de más de mil millones de dólares) radica en su ventaja de ser el primero en el mercado (efecto Lindy) y en su creciente adopción por parte de desarrolladores, como lo demuestran los datos de 193 contribuyentes, 1800 bifurcaciones y más de 6000 estrellas, lo que la convierte en uno de los repositorios de código más populares en Github.

Hasta ahora, el desarrollo de GAME (con una cuota de mercado de aproximadamente 20% y una capitalización de mercado de alrededor de 300 millones de dólares) ha sido muy exitoso, logrando una rápida adopción. Como acaba de anunciar VIRTUAL, la plataforma cuenta con más de 200 proyectos, 150,000 solicitudes diarias y una tasa de crecimiento semanal del 200%. GAME seguirá beneficiándose del ascenso de VIRTUAL y se convertirá en uno de los mayores ganadores en su ecosistema.

Rig (ARC, con una cuota de mercado de aproximadamente 15% y una capitalización de mercado de aproximadamente 160 millones de dólares) es muy llamativo, ya que su diseño modular es muy fácil de operar y puede dominar como "pure-play" en el ecosistema de Solana (RUST).

Zerepy (con una cuota de mercado de aproximadamente el 5% y una capitalización de mercado de aproximadamente 300 millones de dólares) es una aplicación relativamente nicho, dirigida a la entusiasta comunidad ZEREBRO, cuya reciente colaboración con la comunidad ai16z podría generar sinergias.

Hemos notado que nuestro cálculo de la cuota de mercado abarca la capitalización de mercado, los registros de desarrollo y el mercado de terminales del sistema operativo subyacente.

Creemos que, en este ciclo de mercado, el mercado de marcos será el área de más rápido crecimiento, con un valor total de mercado de 1,7 mil millones de dólares que podría crecer fácilmente a 20 mil millones de dólares, lo cual sigue siendo relativamente conservador en comparación con la valoración máxima de L1 en 2021, cuando muchas valoraciones de L1 superaron los 20 mil millones de dólares. Aunque estos marcos sirven a diferentes mercados finales (cadenas/ecosistemas), dado que creemos que este campo está en una tendencia ascendente continua, el método ponderado por capitalización de mercado podría ser el más prudente.

2. Cuatro grandes marcos

En la tabla a continuación, hemos enumerado las tecnologías clave, componentes y ventajas de los principales marcos.

(1) Resumen del marco

En el campo de la intersección entre AI y Crypto, hay varios marcos que fomentan el desarrollo de la IA. Estos son ELIZA de AI16Z, RIG de ARC, ZEREBRO de ZEREPY y VIRTUAL de GAME. Cada marco satisface diferentes necesidades y filosofías en el proceso de desarrollo de agentes de IA, desde proyectos de comunidades de código abierto hasta soluciones empresariales centradas en el rendimiento.

Este artículo comenzará presentando los marcos, explicando qué son, qué lenguajes de programación, arquitecturas tecnológicas y algoritmos utilizan, qué funciones únicas tienen y cuáles son los posibles casos de uso de los marcos. Luego, compararemos cada marco en términos de usabilidad, escalabilidad, adaptabilidad y rendimiento, explorando sus respectivas ventajas y limitaciones.

ELIZA (desarrollado por ai16z)

Eliza es un marco de simulación de múltiples agentes de código abierto, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Está desarrollado en el lenguaje de programación TypeScript y proporciona una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimiento consistentes.

Las funciones principales de este marco incluyen una arquitectura multiproxy que admite el despliegue y la gestión simultánea de múltiples personalidades de IA únicas, así como un sistema de roles que crea diferentes agentes utilizando un marco de archivos de roles, y funciones de gestión de memoria a largo plazo y conciencia contextual a través de un sistema de mejora de generación con recuperación avanzada (RAG). Además, el marco Eliza también ofrece una integración fluida de la plataforma, permitiendo conexiones fiables con Discord, X y otras plataformas de redes sociales.

Desde el punto de vista de las funciones de comunicación y medios del agente de IA, Eliza es una excelente opción. En términos de comunicación, este marco admite la integración con la funcionalidad de canales de voz de Discord, funciones de X, Telegram y acceso directo a API para casos de uso personalizados. Por otro lado, las funciones de procesamiento de medios de este marco se pueden ampliar para incluir la lectura y análisis de documentos PDF, extracción y resumen de contenido de enlaces, transcripción de audio, procesamiento de contenido de video, análisis de imágenes y resumen de conversaciones, lo que permite manejar eficazmente diversos tipos de entradas y salidas de medios.

El marco Eliza ofrece soporte flexible para modelos de IA a través de la inferencia local de modelos de código abierto, la inferencia en la nube de OpenAI y la configuración predeterminada (como Nous Hermes Llama 3.1B), e integra el soporte para Claude en el manejo de tareas complejas. Eliza utiliza una arquitectura modular, con amplio soporte para sistemas operativos, clientes personalizados y una API completa, asegurando la escalabilidad y adaptabilidad entre aplicaciones.

Los casos de uso de Eliza abarcan múltiples áreas, como asistentes de IA para atención al cliente, auditoría de comunidades y tareas personales, así como creadores de contenido automatizado, robots interactivos y roles de representación de marcas en redes sociales. También puede actuar como un trabajador del conocimiento, desempeñando roles como asistente de investigación, analista de contenido y procesador de documentos, y apoyar formas de roles interactivos como robots de juego de roles, mentores educativos y agentes de representación.

La arquitectura de Eliza se construye en torno al agente de tiempo de ejecución (agent runtime), que se integra sin problemas con su sistema de roles (respaldado por proveedores de modelos), el administrador de memoria (conectado a la base de datos) y el sistema operativo (vinculado al cliente de la plataforma). Las características únicas del marco incluyen un sistema de complementos que admite la expansión modular de funciones, interacciones multimodales que soportan voz, texto y medios, y es compatible con modelos de IA líderes (como Llama, GPT-4 y Claude). Con su diseño diverso y potente, Eliza se destaca como una herramienta poderosa para el desarrollo de aplicaciones de IA en múltiples dominios.

G.A.M.E (desarrollado por Virtuals Protocol)

El marco de entidades multimodal generativo y autónomo (G.A.M.E) tiene como objetivo proporcionar a los desarrolladores acceso a API y SDK para experimentar con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, las decisiones y el proceso de aprendizaje de los agentes de IA.

Los componentes centrales son los siguientes: primero, la Interfaz de Sugerencia de Agentes (Agent Prompting Interface) es el punto de entrada para que los desarrolladores integren GAME en el agente y accedan al comportamiento del agente. El Subsistema de Percepción (Perception Subsystem) inicia la sesión especificando parámetros como el ID de sesión, el ID del agente, el usuario y otros detalles relevantes.

Combina la información entrante en un formato adecuado para el motor de planificación estratégica (Strategic Planning Engine) y actúa como un mecanismo de entrada sensorial para el agente de IA, ya sea en forma de diálogo o de respuesta. Su núcleo es el módulo de procesamiento de diálogos, que se utiliza para manejar los mensajes y respuestas del agente, y colabora con el subsistema de percepción para interpretar y responder eficazmente a la entrada.

El motor de planificación estratégica trabaja junto con el módulo de procesamiento de diálogos y el operador de billetera en cadena para generar respuestas y planes. Esta funcionalidad del motor tiene dos niveles: como planificador de alto nivel, crea estrategias amplias según el contexto o los objetivos; como estrategia de bajo nivel, convierte estas estrategias en estrategias operativas, que se dividen aún más en planificadores de acción para tareas específicas y ejecutores de planes para llevar a cabo las tareas.

Otro componente independiente pero importante es el World Context (Contexto Mundial), que hace referencia al entorno, la información global y el estado del juego, proporcionando el contexto necesario para las decisiones del agente. Además, el Agent Repository (Repositorio de Agentes) se utiliza para almacenar atributos a largo plazo, como objetivos, reflexiones, experiencias y personalidad, que en conjunto moldean el comportamiento y el proceso de toma de decisiones del agente.

Este marco utiliza procesadores de memoria de trabajo a corto plazo y a largo plazo. La memoria a corto plazo retiene información relevante sobre comportamientos anteriores, resultados y planes actuales. En contraste, el procesador de memoria a largo plazo extrae información clave según criterios como la importancia, la actualidad y la relevancia. La memoria a largo plazo almacena el conocimiento de la experiencia del agente, la reflexión, la personalidad dinámica, el contexto del mundo y la memoria de trabajo, para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.

El módulo de aprendizaje utiliza datos generados por el subsistema de percepción para crear conocimientos generales, los cuales se retroalimentan en el sistema para mejorar las interacciones futuras. Los desarrolladores pueden ingresar a través de la interfaz comentarios sobre acciones, estados del juego y datos sensoriales para aumentar la capacidad de aprendizaje del agente de IA, mejorando su capacidad de planificación y toma de decisiones.

El flujo de trabajo comienza cuando los desarrolladores interactúan a través de la interfaz de indicaciones del agente. La entrada es procesada por el subsistema de percepción y reenviada al módulo de procesamiento de diálogos, que se encarga de gestionar la lógica de interacción. Luego, el motor de planificación estratégica elabora y ejecuta planes basados en esta información, utilizando estrategias de alto nivel y planes de acción detallados.

Las notificaciones de datos de contextos globales y repositorios de agentes informan a estos procesos, mientras que la memoria de trabajo rastrea tareas inmediatas. Al mismo tiempo, el procesador de memoria a largo plazo almacena y recupera conocimientos a largo plazo. El módulo de aprendizaje analiza los resultados e integra nuevos conocimientos en el sistema, permitiendo que el comportamiento e interacción del agente se mejoren continuamente.

RIG (desarrollado por ARC)

Rig es un marco de trabajo de Rust de código abierto, diseñado para simplificar el desarrollo de aplicaciones de grandes modelos de lenguaje. Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM, como OpenAI y Anthropic, y soporta varios almacenes de vectores, incluidos MongoDB y Neo4j. Lo singular de la arquitectura modular de este marco son sus componentes centrales, como la Capa de Abstracción de Proveedores (Provider Abstraction Layer), la integración de almacenamiento de vectores y el sistema de agentes, que facilitan la interacción sin problemas con los LLM.

El público principal de Rig incluye a desarrolladores que construyen aplicaciones de AI/ML con Rust, seguidos de organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento de vectores en sus propias aplicaciones de Rust. El repositorio utiliza una arquitectura de espacio de trabajo, con múltiples crates, que soporta escalabilidad y una gestión de proyectos eficiente. Sus características clave incluyen una capa de abstracción de proveedores, que proporciona estandarización para completar e incrustar API entre diferentes proveedores de LLM, con un manejo de errores consistente. El componente de Integración de Almacenamiento de Vectores proporciona una interfaz abstracta para múltiples backend y soporta búsqueda de similitud de vectores. El sistema de proxy simplifica la interacción con LLM, apoyando la generación aumentada por recuperación (RAG) y la integración de herramientas. Además, el marco de incrustación también proporciona funciones de procesamiento por lotes y operaciones de incrustación con seguridad de tipo.

Rig utiliza múltiples ventajas tecnológicas para garantizar la fiabilidad y el rendimiento. Las operaciones asíncronas utilizan el tiempo de ejecución asíncrono de Rust para manejar de manera efectiva una gran cantidad de solicitudes concurrentes. El mecanismo de manejo de errores inherente al marco mejora la capacidad de recuperación ante fallos de proveedores de inteligencia artificial o operaciones de bases de datos. La seguridad de tipos puede prevenir errores durante el proceso de compilación, lo que refuerza la mantenibilidad del código. Los procesos de serialización y deserialización eficientes admiten el procesamiento de datos en formatos como JSON, lo cual es crucial para la comunicación y el almacenamiento de servicios de IA. El registro detallado y la detección ayudan aún más en la depuración y el monitoreo de la aplicación.

El flujo de trabajo de Rig comienza cuando se inicia una solicitud en el cliente, y esta solicitud interactúa con el modelo LLM adecuado a través de la capa de abstracción del proveedor. Luego, los datos son procesados por la capa central, donde el agente puede utilizar herramientas o acceder al almacenamiento de vectores del contexto. La respuesta se genera y refina a través de un flujo de trabajo complejo (como RAG) antes de ser devuelta al cliente, proceso que involucra la recuperación de documentos y la comprensión del contexto. El sistema integra múltiples proveedores de LLM y almacenamiento de vectores, siendo adaptable a actualizaciones de disponibilidad o rendimiento del modelo.

Los casos de uso de Rig son variados, incluyendo sistemas de preguntas y respuestas que recuperan documentos relevantes para proporcionar respuestas precisas, sistemas de búsqueda y recuperación de documentos para un descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que ofrecen interacciones contextualmente conscientes para servicio al cliente o educación. También admite la generación de contenido, permitiendo la creación de textos y otros materiales basados en patrones de aprendizaje, lo que lo convierte en una herramienta versátil para desarrolladores y organizaciones.

Zerepy (desarrollado por ZEREPY y blorm)

ZerePy es un marco de código abierto escrito en lenguaje Python, diseñado para implementar agentes en X utilizando OpenAI o Anthropic LLM. Es una versión modular derivada del backend de Zerebro, ZerePy permite a los desarrolladores lanzar agentes con funciones centrales similares a Zerebro. Aunque el marco proporciona la base para el despliegue de agentes, el ajuste fino de modelos es esencial para generar salidas creativas. ZerePy simplifica el desarrollo y despliegue de agentes de IA personalizados, especialmente para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo impulsado por IA orientado al arte y a aplicaciones descentralizadas.

Este marco fue desarrollado en Python, enfatizando la autonomía de los agentes, centrándose en la generación de salidas creativas, manteniendo la coherencia con la arquitectura de ELIZA y su relación de colaboración. Su diseño modular admite la integración de sistemas de memoria y permite el despliegue de agentes en plataformas sociales. Las funciones principales incluyen una interfaz de línea de comandos para la gestión de agentes, integración con Twitter, soporte para LLM de OpenAI y Anthropic, así como un sistema de conexión modular para mejorar las funcionalidades.

Los casos de uso de ZerePy abarcan el campo de la automatización de redes sociales, donde los usuarios pueden desplegar agentes de inteligencia artificial para publicar, responder, dar me gusta y compartir, aumentando así la participación en la plataforma. Además, también se adapta a la creación de contenido en áreas como música, memes y NFT, convirtiéndose en una herramienta importante para plataformas de arte digital y contenido basado en blockchain.

(2) Comparación de los cuatro grandes marcos

En nuestra opinión, cada marco proporciona un enfoque único para el desarrollo de la inteligencia artificial, que se adapta a necesidades y entornos específicos, y trasladamos el enfoque de la relación competitiva entre estos marcos a la singularidad de cada uno.

ELIZA se destaca por su interfaz amigable para el usuario, especialmente para los desarrolladores familiarizados con el entorno de JavaScript y Node.js. Su documentación integral ayuda a configurar agentes de inteligencia artificial en varias plataformas, aunque su amplio conjunto de funciones puede presentar una cierta curva de aprendizaje. Desarrollado en TypeScript, Eliza es una opción ideal para construir agentes incrustados en la web, ya que la mayoría de la infraestructura web tiene su front-end desarrollado en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, que permite desplegar diferentes personalidades de inteligencia artificial en plataformas como Discord, X y Telegram. Su avanzado sistema de gestión de memoria RAG lo hace particularmente efectivo como asistente de inteligencia artificial en aplicaciones de soporte al cliente o redes sociales. Aunque ofrece flexibilidad, un sólido apoyo comunitario y un rendimiento consistente en múltiples plataformas, todavía se encuentra en una etapa temprana, lo que puede representar una curva de aprendizaje para los desarrolladores.

GAME está diseñado específicamente para desarrolladores de juegos, proporcionando una interfaz de bajo código o sin código a través de API, lo que permite que los usuarios con un bajo nivel técnico en el campo de los juegos también puedan utilizarlo. Sin embargo, se centra en el desarrollo de juegos y la integración con blockchain, lo que puede representar una curva de aprendizaje empinada para aquellos que no tienen experiencia relacionada. Destaca en la generación de contenido programático y el comportamiento de NPCs, pero está limitado por la complejidad adicional que agrega su nicho y la integración con blockchain.

Debido al uso del lenguaje Rust, y dada la complejidad de este lenguaje, Rig puede no ser muy amigable, lo que presenta desafíos significativos de aprendizaje, pero para aquellos que son expertos en programación de sistemas, tiene una interacción intuitiva. En comparación con typescript, este lenguaje de programación es conocido por su rendimiento y seguridad de memoria. Tiene verificaciones estrictas en tiempo de compilación y abstracciones de costo cero, lo cual es necesario para ejecutar algoritmos de IA complejos. Este lenguaje es muy eficiente, y su control de bajo nivel lo convierte en una opción ideal para aplicaciones de inteligencia artificial que son intensivas en recursos. Este marco proporciona soluciones de alto rendimiento con un diseño modular y escalable, lo que lo convierte en una opción ideal para aplicaciones empresariales. Sin embargo, para los desarrolladores que no están familiarizados con Rust, el uso de Rust inevitablemente implica enfrentar una curva de aprendizaje empinada.

ZerePy utiliza Python, lo que proporciona una alta disponibilidad para tareas de IA creativa, la curva de aprendizaje para desarrolladores de Python es baja, especialmente para aquellos con antecedentes en IA/ML, y se beneficia de un sólido apoyo comunitario gracias a la comunidad criptográfica de Zerebro. ZerePy se especializa en aplicaciones de inteligencia artificial creativa, como NFT, posicionándose como una poderosa herramienta para medios digitales y arte. Aunque prospera en creatividad, su alcance es relativamente limitado en comparación con otros marcos.

En términos de escalabilidad, ELIZA ha logrado avances significativos en su actualización V2, introduciendo un flujo de mensajes unificado y un marco central escalable, que permite una gestión efectiva a través de múltiples plataformas. Sin embargo, si no se optimiza, esta gestión de la interacción multiplataforma puede presentar desafíos en términos de escalabilidad.

GAME se destaca en el procesamiento en tiempo real necesario para los juegos, y la escalabilidad se gestiona a través de algoritmos eficientes y un potencial sistema distribuido de blockchain, aunque puede estar limitada por motores de juego específicos o redes de blockchain.

El marco Rig aprovecha el rendimiento de escalabilidad de Rust, diseñado para aplicaciones de alta capacidad, lo que es especialmente efectivo para implementaciones empresariales, aunque esto puede significar que lograr una verdadera escalabilidad requiere configuraciones complejas.

La escalabilidad de Zerepy está orientada a la producción creativa, con el apoyo de contribuciones de la comunidad, pero su enfoque podría limitar su aplicación en un entorno de inteligencia artificial más amplio, y la escalabilidad podría verse desafiada por la diversidad de tareas creativas en lugar de por el número de usuarios.

En términos de adaptabilidad, ELIZA lidera con su sistema de plugins y compatibilidad multiplataforma, y tanto GAME en su entorno de juego como Rig en el manejo de tareas complejas de IA son también excelentes. ZerePy muestra una alta adaptabilidad en el ámbito creativo, pero no es muy adecuado para aplicaciones de inteligencia artificial más amplias.

En términos de rendimiento, ELIZA ha sido optimizada para interacciones rápidas en redes sociales, donde el tiempo de respuesta rápido es clave, pero su rendimiento puede variar al manejar tareas de cálculo más complejas.

El GAME desarrollado por Virtual Protocol se centra en la interacción en tiempo real de alto rendimiento en escenarios de juegos, utilizando procesos de decisión eficientes y blockchain potencial para operaciones de inteligencia artificial descentralizada.

El marco Rig, basado en el lenguaje Rust, ofrece un excelente rendimiento para tareas de cálculo de alto rendimiento, siendo adecuado para aplicaciones empresariales donde la eficiencia computacional es crucial.

El rendimiento de Zerepy está personalizado para la creación de contenido creativo, y sus métricas se centran en la eficiencia y calidad de la generación de contenido, lo que puede no ser tan aplicable fuera del ámbito creativo.

La ventaja de ELIZA es que ofrece flexibilidad y escalabilidad, gracias a su sistema de complementos y configuración de roles, lo que le confiere una gran adaptabilidad, favoreciendo la interacción social de IA a través de plataformas.

GAME ofrece una función de interacción en tiempo real única en el juego, mejorada por la integración de blockchain que permite la participación innovadora de la IA.

Las ventajas de Rig radican en su rendimiento y escalabilidad para tareas de inteligencia artificial empresarial, con un enfoque en proporcionar código modular limpio para la salud de proyectos a largo plazo.

Zerepy se especializa en cultivar la creatividad, está a la vanguardia en la aplicación de inteligencia artificial en el arte digital y se apoya en un modelo de desarrollo impulsado por una comunidad vibrante.

Cada marco tiene sus propias limitaciones, ELIZA todavía está en una etapa temprana, presenta problemas potenciales de estabilidad y una curva de aprendizaje para nuevos desarrolladores, los juegos de nicho pueden limitar aplicaciones más amplias, y la blockchain añade complejidad. Rig, debido a su pronunciada curva de aprendizaje en Rust, puede asustar a algunos desarrolladores, mientras que el enfoque limitado de Zerepy en la producción creativa puede restringir su uso en otros campos de la IA.

(3) Resumen de comparación de marcos

Rig (ARC)：

Lenguaje: Rust, enfocado en la seguridad y el rendimiento.

Caso de uso: la opción ideal para aplicaciones de IA a nivel empresarial, ya que se centra en la eficiencia y la escalabilidad.

Comunidad: No está muy impulsada por la comunidad, se centra más en los desarrolladores de tecnología.

Eliza (AI16Z)：

Lenguaje: TypeScript, enfatizando la flexibilidad de web3 y la participación de la comunidad.

Caso de uso: diseñado para la interacción social, DAO y transacciones, con un énfasis especial en sistemas multiagente.

Comunidad: impulsada por la comunidad en gran medida, con amplia participación en GitHub.

ZerePy (ZEREBRO)：

Lenguaje: Python, para que sea accesible a una base más amplia de desarrolladores de IA.

Caso de uso: aplicable a la automatización de redes sociales y tareas de agentes de IA más simples.

Comunidad: relativamente nueva, pero con la popularidad de Python y el apoyo de los colaboradores de AI16Z, se espera que crezca.

JUEGO (VIRTUAL):

Enfoque: Agentes de inteligencia artificial autónomos y adaptativos que pueden evolucionar según las interacciones en un entorno virtual.

Caso de uso: el más adecuado para el aprendizaje y la adaptación de agentes de IA, como en juegos o mundos virtuales.

Comunidad: comunidad innovadora, pero aún en proceso de determinar su posición en la competencia.

3. Tendencia de datos de estrellas en Github

La imagen de arriba muestra los datos de seguimiento de estrellas de GitHub desde el lanzamiento de estos marcos. Es importante señalar que las estrellas de GitHub son un indicador del interés de la comunidad, la popularidad del proyecto y el valor percibido del proyecto.

ELIZA (línea roja):

A partir de una baja base en julio, y hasta el aumento significativo en el número de estrellas a finales de noviembre (alcanzando 61,000 estrellas), esto indica que el interés de las personas ha crecido rápidamente, atrayendo la atención de los desarrolladores. Este crecimiento exponencial sugiere que, debido a sus funcionalidades, actualizaciones y participación comunitaria, ELIZA ha ganado un enorme atractivo. Su popularidad supera con creces a la de otros competidores, lo que indica que cuenta con un sólido apoyo comunitario y tiene una aplicabilidad o interés más amplio en la comunidad de inteligencia artificial.

RIG (línea azul):

Rig es el marco más antiguo de los cuatro grandes, su número de estrellas es moderado pero ha estado en constante crecimiento, y es muy probable que aumente significativamente en el próximo mes. Ha alcanzado las 1700 estrellas, pero sigue en aumento. El desarrollo continuo, las actualizaciones y el número creciente de usuarios son la razón por la cual el interés de los usuarios sigue acumulándose. Esto puede reflejar que el marco tiene un público nicho o que aún está acumulando reputación.

ZEREPY (línea amarilla):

ZerePy se lanzó hace unos días y ya ha acumulado 181 estrellas. Es importante destacar que ZerePy necesita más desarrollo para mejorar su visibilidad y tasa de adopción. La colaboración con AI16Z podría atraer a más contribuyentes de código.

JUEGO（línea verde）：

Este proyecto tiene la menor cantidad de estrellas, y es importante señalar que este marco se puede aplicar directamente a los agentes en el ecosistema virtual a través de la API, eliminando así la necesidad de visibilidad en Github. Sin embargo, este marco solo se abrió a los constructores hace poco más de un mes, y más de 200 proyectos están construyendo con GAME.

4. Razones alcistas del marco

La versión V2 de Eliza integrará el conjunto de herramientas de代理 de Coinbase. Todos los proyectos que utilicen Eliza en el futuro soportarán TEE nativo, permitiendo que el代理 funcione en un entorno seguro. Una de las características que se lanzará próximamente en Eliza es el registro de plugins (Plugin Registry), que permitirá a los desarrolladores registrar e integrar plugins sin esfuerzo.

Además, Eliza V2 soportará la mensajería anónima automatizada entre plataformas. Se espera que el libro blanco de economía de tokens se publique el 1 de enero de 2025, lo que probablemente tendrá un impacto positivo en el token AI16Z subyacente al marco de Eliza. AI16Z planea seguir mejorando la utilidad del marco, continuando para atraer talento de alta calidad, y los esfuerzos de sus principales contribuyentes ya han demostrado que tiene esa capacidad.

El marco GAME proporciona integración sin código para los agentes, permitiendo el uso simultáneo de GAME y ELIZA en un solo proyecto, cada uno sirviendo a un propósito específico. Este enfoque tiene el potencial de atraer a constructores que se centran en la lógica empresarial en lugar de la complejidad técnica. Aunque el marco solo se ha publicado durante unos 30 días, ha logrado avances sustanciales con el esfuerzo del equipo por atraer más apoyo de contribuyentes. Se espera que todos los proyectos lanzados en VIRTUAL utilicen GAME.

El Rig, representado por el token ARC, tiene un gran potencial, aunque su marco aún se encuentra en una etapa temprana de crecimiento y el plan para impulsar la adopción del proyecto solo se lanzó hace unos días. Se espera que pronto surjan proyectos de alta calidad que adopten ARC, similar a Virtual, pero con un enfoque en Solana. El equipo tiene una perspectiva optimista sobre la colaboración con Solana, comparando la relación de ARC con Solana con la de Virtual con Base. Es importante señalar que el equipo no solo alienta a los nuevos proyectos a utilizar Rig para su lanzamiento, sino que también anima a los desarrolladores a mejorar el marco de Rig en sí.

Zerepy es un nuevo marco lanzado, que está ganando cada vez más atención debido a su relación de colaboración con Eliza. Este marco atrae a los contribuyentes de Eliza, quienes están trabajando activamente en su mejora. Impulsado por los fanáticos de ZEREBRO, cuenta con un grupo de seguidores entusiastas y ofrece nuevas oportunidades para los desarrolladores de Python que anteriormente carecían de representación en la competencia de infraestructura de inteligencia artificial. Este marco jugará un papel importante en la creatividad de la IA.