Encaminhar o Título Original: O Framework do Agente de IA é a Peça Final do Quebra-Cabeça? Como Interpretar a "Dualidade Onda-Partícula" dos Frameworks?

A estrutura do AI Agent, como peça-chave no desenvolvimento da indústria, pode abrigar o duplo potencial para impulsionar tanto a implementação da tecnologia quanto o amadurecimento do ecossistema. Alguns dos frameworks mais discutidos no mercado incluem Eliza, Rig, Swarms e ZerePy. Essas estruturas atraem desenvolvedores por meio de seus repositórios do GitHub, construindo uma reputação. Por meio da emissão de tokens por meio de "bibliotecas", essas estruturas, como a luz, incorporam características semelhantes a ondas e partículas. Da mesma forma, as estruturas de agente possuem externalidades sérias e traços de Memecoin. Este artigo se concentrará em interpretar a "dualidade onda-partícula" dessas estruturas e explorar por que a estrutura Agent pode ser a peça final no quebra-cabeça.

Externalidades trazidas por estruturas de agentes podem deixar um crescimento duradouro depois que a bolha estoura

Desde o surgimento do GOAT, a narrativa do Agente vem ganhando cada vez mais atenção no mercado, assim como um mestre das artes marciais desferindo um golpe poderoso - com o punho esquerdo representando o 'Memecoin' e a palma da mão direita incorporando a 'esperança da indústria', você pode ser derrotado por qualquer um desses movimentos. Na realidade, os cenários de aplicação dos Agentes de IA não são estritamente diferenciados, e as fronteiras entre plataformas, estruturas e aplicações específicas estão borradas. No entanto, ainda é possível categorizá-los de forma geral de acordo com as preferências de tokens ou protocolos. Com base nas preferências de desenvolvimento de tokens ou protocolos, eles geralmente podem ser classificados nas seguintes categorias:

• Launchpad: Plataformas de emissão de ativos. Exemplos incluem o Protocolo Virtuals e Clanker na cadeia Base, e Dasha na cadeia Solana.
• Aplicações de Agentes de IA: Estes flutuam entre Agent e Memecoin, e têm características notáveis na configuração de memória, como GOAT, aixbt, etc. Estas aplicações são geralmente saídas unidirecionais, com condições de entrada muito limitadas.
• Motores de Agentes de IA: Exemplos incluem Griffain na cadeia Solana e Spectre AI na cadeia Base. Griffain evolui de um modo de leitura-escrita para um modo de leitura-escrita-ação; Spectre AI é um mecanismo RAG usado para pesquisas em cadeia.
• Frameworks de Agente de IAPara plataformas de estrutura, o próprio Agente é um ativo. Por isso, o framework do Agente atua como uma plataforma de emissão de ativos e um Launchpad para os Agentes. Os projetos representativos incluem atualmente ai16, Zerebro, ARC e o muito discutido Swarms.
• Outras Direções Menores: Projetos abrangentes de agentes como Simmi, o modo de protocolo AgentFi, o agente do tipo de falsificação Seraph e o Criador de Agentes de API em tempo real.Bid.

Ao discutir melhor a estrutura do Agente, percebe-se que ela possui externalidades significativas. Ao contrário dos desenvolvedores em grandes cadeias públicas e protocolos que só podem escolher entre diferentes ambientes de linguagem de programação, o tamanho geral da comunidade de desenvolvedores na indústria não mostrou uma taxa de crescimento correspondente na capitalização de mercado. Os repositórios do GitHub são onde os desenvolvedores Web2 e Web3 constroem consensos. Construir uma comunidade de desenvolvedores aqui é muito mais atraente e influente para desenvolvedores Web2 do que qualquer pacote "plug-and-play" desenvolvido individualmente por um protocolo.

Os quatro frameworks mencionados neste artigo são todos de código aberto:

• O framework Eliza da ai16z recebeu 6.200 estrelas.
• O framework ZerePy, desenvolvido pela Zerebro, recebeu 191 estrelas.
• A estrutura RIG da ARC recebeu 1.700 estrelas.
• O framework Swarms da Swarms recebeu 2.100 estrelas.

Atualmente, o framework Eliza é amplamente utilizado em várias aplicações de Agent e é o framework mais utilizado. O desenvolvimento do ZerePy não está altamente avançado, e sua direção de desenvolvimento está principalmente em X. Ainda não suporta LLMs locais e memória integrada. RIG tem a maior dificuldade de desenvolvimento relativa, mas oferece aos desenvolvedores a maior liberdade para alcançar a otimização de desempenho. Swarms, além do lançamento de mcs pela equipe, ainda não tem outros casos de uso. No entanto, Swarms pode integrar-se a diferentes frameworks, oferecendo um potencial significativo.

Além disso, na classificação mencionada, a separação do motor do Agente e da estrutura pode causar confusão. Mas acredito que os dois são diferentes. Primeiro, por que é chamado de motor? A analogia com os motores de busca na vida real é relativamente apropriada. Ao contrário das aplicações homogeneizadas do Agente, o desempenho do motor do Agente está em um nível mais alto, mas é completamente encapsulado, e ajustes são feitos através de interfaces de API como uma caixa preta. Os usuários podem experimentar o desempenho do motor do Agente ao bifurcá-lo, mas não podem controlar a imagem completa ou a liberdade de personalização como podem com a estrutura básica. O motor de cada usuário é como gerar um espelho em um Agente treinado e interagir com esse espelho. Por outro lado, a estrutura é fundamentalmente projetada para se adaptar à cadeia, porque quando um Agente constrói uma estrutura de Agente, o objetivo final é a integração com a cadeia correspondente. Como definir métodos de interação de dados, como definir métodos de validação de dados, como definir o tamanho do bloco e como equilibrar consenso e desempenho—essas são as coisas que a estrutura precisa considerar. Quanto ao motor, ele só precisa ajustar o modelo e ajustar a relação entre a interação de dados e a memória em uma direção. O desempenho é o único padrão de avaliação, enquanto a estrutura não está limitada a isso.

Visualizar o Framework do Agente da Perspectiva da "Dualidade Onda-Partícula" Pode Ser um Pré-Requisito para Permanecer no Caminho Certo

O ciclo de entrada-saída de um Agente requer três partes. Primeiro, o modelo subjacente determina a profundidade e o método de pensamento. Em seguida, a memória é onde ocorre a personalização. Após o modelo básico produzir uma saída, ele é modificado com base na memória. Por fim, a operação de saída é concluída em diferentes clientes.

Origem: @SuhailKakar

Para confirmar que o framework do Agente possui a “dualidade onda-partícula”, a “onda” representa as características do “Memecoin”, que representam a cultura da comunidade e a atividade dos desenvolvedores, enfatizando a atratividade e a capacidade de disseminação do Agente. A “partícula” representa as características das “expectativas da indústria”, que representam o desempenho subjacente, os casos de uso reais e a profundidade técnica. Vou explicar isso combinando dois aspectos, usando os tutoriais de desenvolvimento de três frameworks como exemplos:

Rápida Integração do Framework Eliza

1. Configurar o ambiente

Origem: @SuhailKakar

1. Instalar Eliza

Origem: @SuhailKakar

1. Arquivo de configuração

Origem: @SuhailKakar

4. Definir personalidade do Agente

Origem: @SuhailKakar

O framework Eliza é relativamente fácil de começar. É baseado em TypeScript, uma linguagem com a qual a maioria dos desenvolvedores da Web e da Web3 está familiarizada. O framework é simples e evita abstração excessiva, permitindo que os desenvolvedores adicionem facilmente os recursos que desejam. A partir do passo 3, podemos ver que Eliza suporta integração multi-cliente e pode ser entendido como um montador para integração multi-cliente. Eliza suporta plataformas como DC, TG e X, bem como vários modelos de linguagem grandes. Ele permite entrada por meio das mídias sociais mencionadas acima e saídas por meio de modelos LLM, e também oferece suporte à gestão de memória integrada, permitindo que qualquer desenvolvedor com hábitos diferentes implante rapidamente um Agente de IA.

Devido à simplicidade da estrutura e à riqueza de suas interfaces, Eliza reduz significativamente o limiar de acesso e alcança um padrão de interface relativamente unificado.

Usar o Framework ZerePy com um clique

1. Fork do Repositório ZerePy

Origem:https://replit.com/

1. Configurar X e GPT

Fonte:https://replit.com/

3.Definir Personalidade do Agente

Fonte:https://replit.com/

Estrutura de plataforma de mineração otimizada para desempenho

Tomando a construção de um Agente RAG (Recuperação-Aprimoramento de Geração) como exemplo:

1. Configurar o ambiente e chave OpenAI

fonte:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Configurar o cliente OpenAI e usar chunking para processamento de PDF

fonte:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Definir Estrutura do Documento e Incorporação

fonte:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Criar Armazenamento de Vetor e Agente RAG

origem:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

Rig (ARC) é um framework de construção de sistema de IA baseado na linguagem Rust para motores de fluxo de trabalho LLM. Resolve problemas de otimização de desempenho de nível inferior. Em outras palavras, ARC é uma 'caixa de ferramentas' de motor de IA que fornece chamadas de IA e otimização de desempenho, armazenamento de dados, tratamento de exceções e outros serviços de suporte de fundo.

O que Rig quer resolver é o problema da 'chamada' para ajudar os desenvolvedores a escolherem melhor o LLM, otimizar melhor as palavras de prompt, gerenciar tokens de forma mais eficaz e como lidar com o processamento concorrente, gerenciar recursos, reduzir a latência, etc. Seu foco está no modelo AI LLM Como 'fazer bom uso dele' ao colaborar com o sistema AI Agent.

Rigé uma biblioteca Rust de código aberto projetada para simplificar o desenvolvimento de aplicativos impulsionados pela LLM, incluindo agentes RAG. Como Rig é mais aberto, tem requisitos mais altos para desenvolvedores e uma compreensão mais profunda de Rust e Agent. O tutorial aqui é o processo de configuração do agente RAG mais básico. O RAG aprimora o LLM combinando-o com a recuperação de conhecimento externo. Em outros DEMOs no site oficial, você pode ver que o Rig tem as seguintes características:

• Interface unificada LLM: suporta APIs consistentes de diferentes provedores LLM, simplificando a integração.
• Fluxo de trabalho abstrato: os componentes modulares pré-construídos permitem que o Rig realize o projeto de sistemas de IA complexos.
• Armazenamento de vetor integrado: O suporte embutido para armazenamento de gênero fornece desempenho eficiente em agentes de busca semelhantes, como o Agente RAG.
• Incorporação flexível: fornece uma API fácil de usar para processar a incorporação, reduzindo a dificuldade de compreensão semântica ao desenvolver agentes de busca semelhantes, como o Agente RAG.

Pode-se ver que, em comparação com Eliza, Rig fornece aos desenvolvedores espaço adicional para otimização de desempenho, ajudando os desenvolvedores a depurar melhor as chamadas e a otimização da colaboração do LLM e do Agente. Rig oferece desempenho impulsionado por Rust, aproveitando as abstrações de custo zero e operações LLM de alta performance e baixa latência, seguras em relação à memória. Ele pode proporcionar um grau maior de liberdade no nível subjacente.

Estrutura Modular de Enxames de Composição

Swarms tem como objetivo fornecer um framework de orquestração multi-Agent de nível de produção de nível empresarial. O site oficial oferece dezenas de fluxos de trabalho e arquiteturas paralelas/seriais para tarefas de Agent. Abaixo, há uma breve introdução a uma pequena parte deles.

Fluxo de trabalho sequencial

Origem: https://docs.swarms.world

A arquitetura sequencial do Swarm processa tarefas em uma sequência linear. Cada Agente completa sua tarefa antes de passar os resultados para o próximo Agente na cadeia. Essa arquitetura garante um processamento ordenado e é útil quando as tarefas possuem dependências.

Casos de uso:

• Cada etapa no fluxo de trabalho depende da anterior, como em uma linha de montagem ou processamento sequencial de dados.
• Cenários que exigem adesão estrita às sequências de operação.

Arquitetura hierárquica:

Fonte: https://docs.swarms.world

Esta arquitetura implementa controle de cima para baixo, onde um Agente de nível superior coordena as tarefas entre Agentes de nível inferior. Os Agentes executam tarefas simultaneamente e alimentam seus resultados de volta ao loop para agregação final. Isso é particularmente útil para tarefas altamente paralelizáveis.

Origem: https://docs.swarms.world

Esta arquitetura é projetada para gerenciar grupos em grande escala de Agentes trabalhando simultaneamente. Pode gerenciar milhares de Agentes, sendo que cada um executa em sua própria thread. É ideal para supervisionar a saída de operações em grande escala de Agentes.

Swarms não é apenas um framework de Agent, mas também é compatível com os frameworks Eliza, ZerePy e Rig mencionados anteriormente. Com uma abordagem modular, maximiza o desempenho do Agente em diferentes fluxos de trabalho e arquiteturas para resolver os problemas correspondentes. A concepção e o desenvolvimento do Swarms, juntamente com sua comunidade de desenvolvedores, estão progredindo bem.

• Eliza: Oferece a melhor facilidade de uso, tornando-a adequada para iniciantes e desenvolvimento rápido de protótipos, especialmente para interações de IA em plataformas de mídia social. A estrutura é simples e fácil de integrar e modificar, adequada para cenários que não exigem otimização de desempenho extensiva.
• ZerePy: Implantação com um clique, ideal para o desenvolvimento rápido de aplicações de Agentes de IA em Web3 e plataformas sociais. É adequado para aplicações de IA leves, com uma estrutura simples e configuração flexível para configuração rápida e iteração.
• Rig: Concentra-se na otimização de desempenho, destacando-se especialmente em tarefas de alta concorrência e alto desempenho. É ideal para desenvolvedores que precisam de controle detalhado e otimização. A estrutura é mais complexa e requer conhecimento de Rust, tornando-a adequada para desenvolvedores mais experientes.
• Enxames: Adequado para aplicativos de nível empresarial, com suporte à colaboração multiagente e gerenciamento de tarefas complexas. O framework é flexível, suporta processamento em paralelo em grande escala e oferece várias configurações de arquitetura. No entanto, devido à sua complexidade, pode exigir um conhecimento técnico mais sólido para uso eficaz.

Em geral, Eliza e ZerePy têm vantagens em facilidade de uso e desenvolvimento rápido, enquanto Rig e Swarms são mais adequados para desenvolvedores profissionais ou aplicações empresariais que requerem alto desempenho e processamento em grande escala.

É por isso que o framework Agent possui a característica de "esperança da indústria". Os frameworks mencionados acima ainda estão em estágios iniciais, e a prioridade imediata é obter a vantagem do pioneiro e estabelecer uma comunidade de desenvolvedores ativa. O desempenho do framework e se ele fica atrás das aplicações populares da Web2 não são as preocupações primárias. Os únicos frameworks que terão sucesso no final são aqueles que podem atrair continuamente os desenvolvedores, pois a indústria Web3 sempre precisa capturar a atenção do mercado. Não importa o quão forte seja o desempenho do framework ou quão sólidos sejam seus fundamentos, se for difícil de usar e, portanto, falhar em atrair usuários, será contraproducente. Desde que o próprio framework consiga atrair desenvolvedores, aqueles com um modelo de economia de token mais maduro e completo se destacarão.

A característica “Memecoin” dos frameworks de Agent é bastante fácil de entender. Os tokens dos frameworks mencionados acima não possuem um design econômico de token razoável, carecem de casos de uso ou possuem casos muito limitados e não possuem modelos de negócios validados. Não há uma eficaz roda de token. Os frameworks são meramente frameworks, e não houve integração orgânica entre o framework e o token. O crescimento no preço do token, além do FOMO, tem pouco suporte dos fundamentos e carece de uma forte proteção para garantir um crescimento estável e de longo prazo. Ao mesmo tempo, os próprios frameworks ainda são um tanto rudimentares, e seu valor real não está alinhado com seu valor de mercado atual, exibindo assim fortes características de “Memecoin”.

Vale a pena notar que a "dualidade onda-partícula" da estrutura Agent não é uma desvantagem e não deve ser interpretada aproximadamente como uma estrutura que não é nem um Memecoin puro nem uma solução intermediária sem casos de uso de token. Como mencionei no artigo anterior, os Agentes leves são cobertos pelo ambíguo véu Memecoin. A cultura e os fundamentos comunitários deixarão de ser uma contradição e um novo caminho de desenvolvimento de ativos está gradualmente surgindo. Apesar da bolha inicial e da incerteza em torno das estruturas do Agente, seu potencial para atrair desenvolvedores e impulsionar a adoção de aplicativos não deve ser ignorado. No futuro, estruturas com um modelo de economia de tokens bem desenvolvido e um ecossistema de desenvolvedores forte podem se tornar os principais pilares desse setor.

Aviso Legal:

1. Este artigo é reproduzido de [odaily]. Encaminhe o Título Original: O quadro do Agente de IA é a Peça Final do Quebra-cabeça? Como Interpretar a 'Dualidade Onda-Partícula' dos Quadros? Os direitos autorais pertencem ao autor original [Kevin, o Pesquisador da BlockBooster]. Se você tiver alguma objeção à reimpressão, entre em contato comEquipe de Aprendizado da Gate, a equipe irá lidar com isso o mais rápido possível de acordo com os procedimentos relevantes.
2. Isenção de Responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem conselho de investimento.
3. A equipe da Gate Learn traduziu o artigo para outros idiomas. Copiar, distribuir ou plagiar os artigos traduzidos é proibido, a menos que mencionado.