Автор: Кевин, исследователь BlockBooster

Будучи ключевым элементом головоломки для развития отрасли, структура AI Agent может содержать двойной потенциал: способствовать внедрению технологий и экологической зрелости. В число горячо обсуждаемых фреймворков на рынке входят: Eliza, Rig, Swarms, ZerePy и т. д. Эти фреймворки привлекают разработчиков и создают репутацию через репозиторий Github. Эти фреймворки выпускаются в форме «библиотечных» монет, подобно тому, как свет обладает характеристиками как волн, так и частиц. Фреймворк Agent одновременно обладает характеристиками серьезных внешних эффектов. В этой статье основное внимание будет уделено объяснению «частично-волнового дуализма» фреймворка и тому, почему фреймворк Agent может стать последним поворотом.

С момента рождения GOAT влияние повествования Агента на рынок росло. Подобно мастеру кунг-фу, с его левым кулаком «Мемкойн» и правой ладонью «Надежда промышленности», вы всегда будете побеждены в одном из ходов. . На самом деле сценарии применения AI Agent строго не разграничены, а границы между платформами, фреймворками и конкретными приложениями размыты, но их все же можно грубо классифицировать по предпочтениям токенов или протоколов. Однако в зависимости от предпочтений в разработке токенов или протоколов их все же можно разделить на следующие категории:

Обсуждая далее структуру агента, мы видим, что она имеет достаточные внешние эффекты. В отличие от крупных публичных сетей и протоколов, разработчики могут выбирать только из разных языковых сред разработки, а общее количество разработчиков в отрасли не продемонстрировало соответствующего роста рыночной стоимости. Github Repo — это место, где разработчики Web2 и Web3 достигают консенсуса. Созданное здесь сообщество разработчиков более привлекательно и влиятельно для разработчиков Web2, чем пакет «включай и работай», разработанный по одному протоколу.

Все четыре фреймворка, упомянутые в этой статье, имеют открытый исходный код: фреймворк Eliza от ai16z получил 6200 звезд; фреймворк ZerePy от Zerebro получил 191 звезду; фреймворк RIG от ARC получил 1700 звезд; Swarms от Swarms получил 2100 звезд; В настоящее время платформа Eliza широко используется в различных приложениях агентов и имеет самый широкий охват. Уровень разработки ZerePy невысокий, направление его развития в основном на X, и он пока не поддерживает локальную LLM и интегрированную память. RIG относительно сложно разрабатывать, но он может дать разработчикам свободу максимизировать оптимизацию производительности. У Swarms нет других вариантов использования, кроме команды, запускающей mcs, но Swarms может интегрировать различные фреймворки и имеет большой простор для воображения.

Кроме того, в приведенной выше классификации ядро ​​агента и платформа разделены, что может вызвать путаницу. Но я думаю, что между ними есть разница. Во-первых, почему двигатель? Аналогия между Lenovo и реальными поисковыми системами относительно постоянна. В отличие от однородных приложений-агентов, производительность механизма Агента выше его, но в то же время он представляет собой полностью инкапсулированный черный ящик, который можно настраивать через интерфейс API. Пользователи могут оценить производительность механизма агента в форме его ответвления, но они не могут иметь полную картину и свободу настройки, как базовая платформа. Движок каждого пользователя подобен созданию изображения на настроенном агенте и взаимодействию с ним. По сути, структура должна адаптироваться к цепочке, потому что конечная цель создания структуры Агента в Агенте - это интеграция с соответствующей цепочкой, как определить метод взаимодействия данных, как определить метод проверки данных, как определить блок размер и то, как сбалансировать консенсус и производительность — это вещи, которые должны учитываться в рамках фреймворков. А что насчет двигателя? Вам нужно только полностью настроить модель и настроить связь между взаимодействием данных и памятью в определенном направлении. Производительность — единственный критерий оценки, а фреймворк — нет.

В жизненном цикле агента, выполняющего ввод и вывод, необходимы три части. Сначала базовая модель определяет глубину и образ мышления, а затем память становится местом настройки. После того, как базовая модель имеет выходные данные, она модифицируется на основе памяти, и, наконец, операция вывода завершается на разных клиентах.

Источник: @SuhailKakar

Чтобы доказать, что структура Агента обладает «дуальностью волны и частицы», «волна» имеет характеристики «Memecoin», представляющие культуру сообщества и активность разработчиков, подчеркивая привлекательность и коммуникативные способности Агента, «зерно» представляет «индустрию»; ожидания» Функции, отражающие базовую производительность, практические варианты использования и техническую глубину. Я проиллюстрирую руководства по разработке с двух аспектов, объединив в качестве примеров три фреймворка:

Источник: @SuhailKakar

2. Установите Элизу

Источник: @SuhailKakar

3. Конфигурационный файл

Источник: @SuhailKakar

4. Установите личность агента.

Источник: @SuhailKakar

Платформа Элизы относительно проста в использовании. Он основан на TypeScript, языке, с которым знакомо большинство разработчиков Web и Web3. Фреймворк лаконичен и не слишком абстрактен, что позволяет разработчикам легко добавлять нужные функции. На шаге 3 вы увидите, что Eliza можно интегрировать с несколькими клиентами, и вы можете понимать ее как ассемблер для многоклиентской интеграции. Eliza поддерживает такие платформы, как DC, TG и

Благодаря простоте структуры и богатству интерфейсов Eliza значительно снизила порог доступа и добилась относительно унифицированных стандартов интерфейса.

1. Форк библиотеки ZerePy.

Источник: https://replit.com/@blormdev/ZerePy?v=1

2. Настройте X и GPT

Источник: https://replit.com/@blormdev/ZerePy?v=1

3. Установите личность агента.

3. Установите личность агента.

Источник: https://replit.com/@blormdev/ZerePy?v=1

В качестве примера возьмем создание агента RAG (Retrival Enhanced Generation):

1. Настройте среду и ключ OpenAI.

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

2. Настройте клиент OpenAI и используйте Chunking для обработки PDF-файлов.

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

3. Настройте структуру документа и встраивание

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

4. Создайте векторное хранилище и агент RAG.

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

Rig (ARC) — это платформа для создания систем искусственного интеллекта, основанная на языке Rust для механизмов рабочих процессов LLM. Другими словами, ARC — это «набор инструментов» механизма искусственного интеллекта, который обеспечивает вызовы искусственного интеллекта и оптимизацию производительности. хранение данных, обработка исключений и другие услуги фоновой поддержки.

Риг хочет решить проблему «вызова», чтобы помочь разработчикам лучше выбирать LLM, лучше оптимизировать слова подсказок, более эффективно управлять токенами, а также как обрабатывать параллельную обработку, управлять ресурсами, уменьшать задержку и т. д. Его внимание сосредоточено на искусственном интеллекте. Модель LLM Как «полностью использовать ее» при сотрудничестве с системой AI Agent.

Rig — это библиотека Rust с открытым исходным кодом, предназначенная для упрощения разработки приложений на основе LLM (включая агент RAG). Поскольку Rig более открыт, у него более высокие требования к разработчикам и лучшее понимание Rust и Agent. В данном руководстве описан самый базовый процесс настройки агента RAG. RAG расширяет LLM за счет объединения LLM с получением внешних знаний. В других ДЕМО на официальном сайте можно увидеть, что Риг имеет следующие характеристики:

Видно, что по сравнению с Eliza, Rig предоставляет разработчикам дополнительные возможности для оптимизации производительности, помогая разработчикам лучше отлаживать вызовы LLM и агентов, а также совместную оптимизацию. Rig использует производительность, основанную на Rust, используя преимущества абстракции с нулевой стоимостью Rust и безопасных для памяти, высокопроизводительных операций LLM с малой задержкой. Это может обеспечить более высокую степень свободы на базовом уровне.

Целью Swarms является создание многоагентной среды оркестрации на уровне предприятия. Официальный сайт предоставляет десятки рабочих процессов, а также параллельных и последовательных архитектур агентов. Вот лишь малая часть из них.

Последовательный рабочий процесс

Целью Swarms является создание многоагентной среды оркестрации на уровне предприятия. Официальный сайт предоставляет десятки рабочих процессов, а также параллельных и последовательных архитектур агентов. Вот лишь малая часть из них.

Последовательный рабочий процесс

Источник: https://docs.swarms.world

Последовательная архитектура Swarm обрабатывает задачи в линейной последовательности. Каждый агент выполняет свою задачу перед передачей результатов следующему агенту в цепочке. Эта архитектура обеспечивает упорядоченную обработку и полезна, когда задачи имеют зависимости.

Вариант использования:

Иерархическая архитектура:

Источник: https://docs.swarms.world

Чтобы обеспечить контроль сверху вниз, вышестоящий агент координирует задачи между подчиненными агентами. Агенты выполняют задачи одновременно, а затем возвращают свои результаты в цикл для окончательного агрегирования. Это полезно для задач с высокой степенью распараллеливания.

Архитектура формата электронной таблицы:

Источник: https://docs.swarms.world

Крупномасштабная роевая архитектура для управления несколькими агентами, работающими одновременно. Одновременно можно управлять тысячами агентов, каждый из которых работает в своем потоке. Он идеально подходит для контроля крупномасштабной работы агентов.

Swarms — это не только платформа агентов, она также совместима с вышеупомянутыми платформами Eliza, ZerePy и Rig. Благодаря модульной идее она максимизирует производительность агента в различных рабочих процессах и архитектурах для решения соответствующих проблем. И концепция Swarms, и прогресс сообщества разработчиков хороши.

В целом, Eliza и ZerePy имеют преимущества в простоте использования и быстрой разработке, тогда как Rig и Swarms больше подходят для профессиональных разработчиков или корпоративных приложений, требующих высокой производительности и крупномасштабной обработки.

Вот почему платформа Agent имеет функцию «надежды отрасли». Вышеупомянутая структура все еще находится на ранней стадии, и главным приоритетом является использование преимущества первопроходца и создание активного сообщества разработчиков. Производительность самого фреймворка и то, отстает ли он от популярных приложений Web2, не являются главными противоречиями. Только фреймворки с постоянным притоком разработчиков могут в конечном итоге победить, потому что индустрии Web3 всегда необходимо привлекать внимание рынка, независимо от того, насколько сильна производительность фреймворка и насколько надежны его основы, если начать работу сложно и нет. о нем заботятся, он поставит телегу впереди лошади. Если исходить из того, что фреймворк сам по себе может привлечь разработчиков, будут выделяться фреймворки с более зрелыми и полными экономическими моделями токенов.

Платформа агента имеет функцию «Memecoin», которую очень легко понять. Ни один из вышеупомянутых токенов не имеет разумного экономического дизайна. У токенов нет вариантов использования или очень единичных вариантов использования. Не существует проверенной бизнес-модели и эффективного маховика токенов. нет никакой связи между ним и токенами. Полная органичная комбинация, рост цены токена трудно получить фундаментальную поддержку, кроме FOMO, и нет достаточного рва для обеспечения стабильного и длительного роста стоимости. В то же время сама вышеупомянутая структура кажется относительно грубой, и ее фактическая стоимость не соответствует текущей рыночной стоимости, поэтому она имеет сильные характеристики «мемкойна».

Стоит отметить, что «частично-волновой дуализм» структуры Agent не является недостатком, и его нельзя грубо понимать как наполовину заполненный резервуар с водой, который не является ни чистым Memecoin, ни вариантом использования токена. Как я упоминал в своей предыдущей статье: легкий агент покрыт неоднозначной завесой Memecoin, культура и основы сообщества больше не будут противоречивыми, и постепенно появляется новый путь развития активов, хотя на ранних стадиях агента существуют пузыри и неопределенность; фреймворк, но его потенциал по привлечению разработчиков и содействию внедрению приложений нельзя игнорировать. В будущем фреймворк с полной экономической моделью токенов и сильной экосистемой разработчиков может стать ключевым элементом этого направления.

О BlockBooster: BlockBooster — это азиатская студия венчурного капитала Web3, поддерживаемая OKX Ventures и другими ведущими учреждениями, стремящаяся стать надежным партнером для выдающихся предпринимателей. Посредством стратегических инвестиций и углубленной инкубации мы связываем проекты Web3 с реальным миром и помогаем развиваться высококачественным предпринимательским проектам.

Отказ от ответственности: эта статья/блог предназначена только для справки и отражает личное мнение автора и не отражает позицию BlockBooster. Эта статья не предназначена для предоставления: (i) инвестиционных советов или рекомендаций по инвестированию; (ii) предложений или предложений о покупке, продаже или хранении цифровых активов или (iii) финансовых, бухгалтерских, юридических или налоговых консультаций; Хранение цифровых активов, включая стейблкоины и NFT, чрезвычайно рискованно, сопровождается большими колебаниями цен и может даже стать бесполезным. Вам следует тщательно обдумать, подходит ли вам торговля или хранение цифровых активов, исходя из вашего финансового положения. Пожалуйста, проконсультируйтесь со своим юридическим, налоговым или инвестиционным консультантом, если у вас есть вопросы относительно вашей конкретной ситуации. Информация, представленная здесь (включая рыночные данные и статистику, если таковые имеются), предназначена только для общих информационных целей. При подготовке этих данных и графиков была предпринята разумная тщательность, однако мы не несем ответственности за любые фактические ошибки или упущения, выраженные в них.