Yazar: Kevin, BlockBooster Araştırmacısı

Endüstri gelişimi için önemli bir yapboz parçası olan AI Agent çerçevesi, teknoloji uygulamasını ve ekolojik olgunluğu teşvik etme ikili potansiyelini içerebilir. Piyasada en çok tartışılan çerçeveler şunları içerir: Eliza, Rig, Swarms, ZerePy, vb. Bu çerçeveler geliştiricilerin ilgisini çeker ve Github Repo aracılığıyla itibar kazanır. Bu çerçeveler, ışığın hem dalga hem de parçacık özelliklerine sahip olması gibi, "kütüphane" paraları biçiminde yayınlanmaktadır. Ajan çerçevesi, aynı zamanda ciddi dışsallıkların ve Memecoin'in özelliklerini de taşımaktadır. Bu makale, çerçevenin "dalga-parçacık ikiliğini" ve Ajan çerçevesinin neden son köşe olabileceğini açıklamaya odaklanacaktır.

GOAT'ın doğuşundan bu yana Ajan anlatımının piyasadaki etkisi giderek artıyor. Sol yumruğu "Memecoin" ve sağ avucu "Endüstri Umudu" olan bir Kung Fu ustası gibi, hamlelerden birinde her zaman yenileceksiniz. . Aslında AI Agent'ın uygulama senaryoları kesin olarak ayırt edilmemiştir ve platformlar, çerçeveler ve belirli uygulamalar arasındaki sınırlar bulanıktır ancak yine de token veya protokol tercihlerine göre kabaca sınıflandırılabilirler. Ancak tokenların veya protokollerin geliştirme tercihlerine göre bunlar yine de aşağıdaki kategorilere ayrılabilir:

Agent çerçevesini daha detaylı tartıştığımızda yeterli dışsallıklara sahip olduğunu görebiliriz. Büyük halka açık zincirlerin ve protokollerin aksine, geliştiriciler yalnızca farklı geliştirme dili ortamları arasından seçim yapabilirler ve sektördeki geliştiricilerin toplam sayısı, piyasa değerinde buna karşılık gelen bir büyüme göstermemiştir. Github Repo, Web2 ve Web3 geliştiricilerinin fikir birliği oluşturduğu yerdir. Burada oluşturulan geliştirici topluluğu, Web2 geliştiricileri için herhangi bir protokolün tek başına geliştirdiği "tak ve çalıştır" paketinden daha çekici ve etkilidir.

Bu makalede bahsedilen dört çerçevenin tümü açık kaynaktır: ai16z'in Eliza çerçevesi 6200 yıldız almıştır; Zerebro'nun ZerePy çerçevesi 191 yıldız almıştır; ARC'nin RIG çerçevesi 1700 yıldız almıştır; Şu anda Eliza çerçevesi çeşitli Agent uygulamalarında yaygın olarak kullanılmaktadır ve en geniş kapsama sahip çerçevedir. ZerePy'nin geliştirme düzeyi yüksek değildir, geliştirme yönü esas olarak X üzerindedir ve henüz yerel Yüksek Lisans ve entegre belleği desteklememektedir. RIG'in geliştirilmesi nispeten zordur, ancak geliştiricilere performansı optimize etme konusunda en büyük özgürlüğü verebilir. Swarms'ın mcs'yi başlatan ekip dışında başka bir kullanım alanı yoktur, ancak Swarms farklı çerçeveleri entegre edebilir ve hayal gücü için çok fazla alana sahiptir.

Ayrıca yukarıdaki sınıflandırmada Agent motoru ile çerçevenin ayrılmış olması karışıklığa neden olabilir. Ama ikisinin arasında bir fark olduğunu düşünüyorum. Öncelikle neden bir motor? Lenovo ile gerçek hayattaki arama motorları arasındaki benzerlik nispeten tutarlıdır. Homojen Agent uygulamalarından farklı olarak Agent motorunun performansı onun üzerindedir ancak aynı zamanda API arayüzü üzerinden ayarlanabilen tamamen kapsüllenmiş bir kara kutudur. Kullanıcılar Agent motorunun performansını fork şeklinde deneyimleyebilir ancak temel çerçeve gibi resmin tamamına ve özelleştirme özgürlüğüne sahip olamazlar. Her kullanıcının motoru, ayarlanan Aracı üzerinde bir görüntü oluşturmak ve görüntüyle etkileşime girmek gibidir. Çerçeve esas olarak zincire uyum sağlamaktır, çünkü Agent'ta bir Agent çerçevesi oluşturmanın nihai hedefi karşılık gelen zincirle bütünleşmek, veri etkileşim yönteminin nasıl tanımlanacağı, veri doğrulama yönteminin nasıl tanımlanacağı, bloğun nasıl tanımlanacağıdır. boyut ve fikir birliği ile Performansın nasıl dengeleneceği, bunlar çerçevelerin dikkate alması gereken şeylerdir. Peki ya motor? Yalnızca modele tam ince ayar yapmanız ve veri etkileşimi ile bellek arasındaki ilişkiyi belirli bir yönde kurmanız yeterlidir. Performans tek değerlendirme kriteridir, ancak çerçeve değildir.

Bir girdi ve çıktıyı yürüten bir aracının yaşam döngüsünde üç parça gereklidir. Öncelikle temel model düşünmenin derinliğini ve şeklini belirler, daha sonra bellek bir kişiselleştirme yeridir. Temel model çıktı aldıktan sonra belleğe göre değiştirilir ve son olarak farklı istemciler üzerinde çıktı işlemi tamamlanır.

Kaynak: @SuhailKakar

Agent çerçevesinin "dalga-parçacık ikiliğine" sahip olduğunu kanıtlamak için "dalga", topluluk kültürünü ve geliştirici etkinliğini temsil eden, Agent "tahıl"ın "endüstriyi" temsil eden çekiciliğini ve iletişim yeteneğini vurgulayan "Memecoin" özelliklerine sahiptir; Beklentiler" Temel performansı, pratik kullanım örneklerini ve teknik derinliği temsil eden özellikler. Örnek olarak üç çerçeveyi birleştirerek geliştirme eğitimlerini iki açıdan göstereceğim:

Kaynak: @SuhailKakar

2. Eliza'yı yükleyin

Kaynak: @SuhailKakar

3. Yapılandırma dosyası

Kaynak: @SuhailKakar

4. Temsilci kişiliğini ayarlayın

Kaynak: @SuhailKakar

Eliza'nın çerçevesinin kullanımı nispeten kolaydır. Çoğu Web ve Web3 geliştiricisinin aşina olduğu bir dil olan TypeScript'i temel alır. Çerçeve kısa ve çok soyut değil, geliştiricilerin istedikleri işlevleri kolayca eklemelerine olanak tanıyor. 3. adım sayesinde Eliza'nın birden fazla istemciyle entegre edilebildiğini görebilir ve onu çoklu istemci entegrasyonu için bir birleştirici olarak anlayabilirsiniz. Eliza, DC, TG ve gibi platformları destekliyor

Çerçevenin basitliği ve arayüzlerin zenginliği nedeniyle Eliza, erişim eşiğini büyük ölçüde düşürdü ve nispeten birleşik arayüz standartlarına ulaştı.

1.Çatal ZerePy kütüphanesi

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

2. X ve GPT'yi yapılandırın

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

3. Temsilci kişiliğini ayarlayın

3. Temsilci kişiliğini ayarlayın

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

Örnek olarak bir RAG (Geliştirilmiş Geri Alma Üretimi) Aracısı oluşturmayı ele alalım:

1. Ortamı ve OpenAI anahtarını yapılandırın

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

2. OpenAI istemcisini kurun ve PDF işleme için Parçalamayı kullanın

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

3. Belge yapısını ve yerleştirmeyi ayarlayın

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

4. Vektör depolama ve RAG aracısı oluşturun

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

Rig (ARC), LLM iş akışı motorları için Rust dilini temel alan bir AI sistem oluşturma çerçevesidir. Başka bir deyişle, ARC, AI çağrıları ve performans optimizasyonu sağlayan bir AI motoru "araç kutusudur". veri depolama, istisna yönetimi ve diğer arka plan destek hizmetleri.

Rig'in çözmek istediği şey, geliştiricilerin LLM'yi daha iyi seçmesine, istem sözcüklerini daha iyi optimize etmesine, belirteçleri daha etkili bir şekilde yönetmesine ve eşzamanlı işlemenin nasıl yönetileceğine, kaynakların yönetilmesine, gecikmenin azaltılmasına vb. yardımcı olacak "çağrı" sorunudur. Odak noktası yapay zekadır. ​LLM modeli AI Agent sistemiyle işbirliği yaparken "bundan nasıl iyi şekilde yararlanılır".

Rig, LLM odaklı uygulamaların (RAG Agent dahil) geliştirilmesini basitleştirmek için tasarlanmış açık kaynaklı bir Rust kütüphanesidir. Rig daha açık olduğundan, geliştiriciler için daha yüksek gereksinimleri vardır ve Rust ve Agent hakkında daha iyi bir anlayışa sahiptir. Buradaki eğitimde, RAG, LLM'yi harici bilgi alımıyla birleştirerek LLM'yi geliştiren en temel RAG Agent yapılandırma süreci anlatılmaktadır. Resmi web sitesindeki diğer DEMO'larda Rig'in aşağıdaki özelliklere sahip olduğunu görebilirsiniz:

Eliza ile karşılaştırıldığında Rig'in geliştiricilere performans optimizasyonu için ek alan sağladığı, geliştiricilerin LLM ve Agent çağrılarında daha iyi hata ayıklama ve işbirlikçi optimizasyona yardımcı olduğu görülebilir. Rig, Rust'un sıfır maliyetli soyutlamasından ve bellek açısından güvenli, yüksek performanslı, düşük gecikme süreli LLM işlemlerinden yararlanarak Rust odaklı performansı kullanır. Temel düzeyde daha zengin bir özgürlük derecesi sağlayabilir.

Swarms, kurumsal düzeyde üretim düzeyinde çoklu Aracı orkestrasyon çerçevesi sağlamayı amaçlamaktadır. Resmi web sitesi düzinelerce iş akışı ve Aracı paralel ve seri mimarileri sağlar. İşte bunlardan küçük bir kısmı.

Sıralı İş Akışı

Swarms, kurumsal düzeyde üretim düzeyinde çoklu Aracı orkestrasyon çerçevesi sağlamayı amaçlamaktadır. Resmi web sitesi düzinelerce iş akışı ve Aracı paralel ve seri mimarileri sağlar. İşte bunlardan küçük bir kısmı.

Sıralı İş Akışı

Kaynak: https://docs.swarms.world

Sıralı Swarm mimarisi görevleri doğrusal bir sırayla işler. Her Ajan, sonuçları zincirdeki bir sonraki Ajana aktarmadan önce görevini tamamlar. Bu mimari, düzenli işlem yapılmasını sağlar ve görevlerin bağımlılıkları olduğunda kullanışlıdır.

Kullanım durumu:

Hiyerarşik mimari:

Kaynak: https://docs.swarms.world

Yukarıdan aşağıya kontrolü sağlamak için, üstün Temsilci, alt Temsilciler arasındaki görevleri koordine eder. Aracılar görevleri aynı anda yerine getirir ve ardından sonuçlarını son toplama için döngüye geri gönderir. Bu, yüksek düzeyde paralelleştirilebilir görevler için kullanışlıdır.

Elektronik tablo formatı mimarisi:

Kaynak: https://docs.swarms.world

Aynı anda çalışan birden fazla aracıyı yönetmek için büyük ölçekli sürü mimarisi. Her biri kendi iş parçacığı üzerinde çalışan binlerce aracı aynı anda yönetilebilir. Büyük ölçekli temsilci çıktısını denetlemek için idealdir.

Swarms yalnızca bir Agent çerçevesi değildir, aynı zamanda yukarıda belirtilen Eliza, ZerePy ve Rig çerçeveleriyle de uyumludur. Modüler bir fikirle, ilgili sorunları çözmek için farklı iş akışları ve mimarilerde Agent performansını en üst düzeye çıkarır. Swarms konseptinde ve geliştirici topluluğunun ilerlemesinde herhangi bir sorun yok.

Genel olarak Eliza ve ZerePy, kullanım kolaylığı ve hızlı geliştirme açısından avantajlara sahipken, Rig ve Swarms, profesyonel geliştiriciler veya yüksek performans ve büyük ölçekli işleme gerektiren kurumsal uygulamalar için daha uygundur.

Agent çerçevesinin "sektör umudu" özelliğine sahip olmasının nedeni budur. Yukarıdaki çerçeve henüz başlangıç ​​aşamasındadır ve en büyük öncelik, ilk hamle avantajını yakalamak ve aktif bir geliştirici topluluğu oluşturmaktır. Çerçevenin performansı ve popüler Web2 uygulamalarının gerisinde kalıp kalmaması ana çelişkiler değildir. Yalnızca sürekli geliştirici akışına sahip çerçeveler sonuçta kazanabilir, çünkü Web3 endüstrisi her zaman pazarın dikkatini çekmek zorundadır. Çerçevenin performansı ne kadar güçlü olursa olsun ve temelleri ne kadar sağlam olursa olsun, eğer başlamak zorsa ve hiçbir şey yapılmıyorsa. İnsan onu önemserse, arabayı atın önüne koyacaktır. Çerçevenin geliştiricilerin ilgisini çekebileceği varsayımıyla, daha olgun ve eksiksiz token ekonomik modellerine sahip çerçeveler öne çıkacak.

Agent çerçevesinde anlaşılması oldukça kolay olan "Memecoin" özelliği bulunmaktadır. Yukarıda belirtilen çerçeve belirteçlerinin hiçbiri makul bir belirteç ekonomik tasarımına sahip değildir. Belirteçlerin kullanım durumları veya çok tekli kullanım durumları yoktur. Kanıtlanmış bir iş modeli yoktur ve etkili bir belirteç çarkı yoktur ve çerçeve yalnızca bir çerçevedir. onunla tokenler arasında hiçbir bağlantı yoktur, token fiyatının büyümesinin FOMO dışında temel desteği alması zordur ve istikrarlı ve kalıcı değer büyümesini sağlayacak yeterli hendek yoktur. Aynı zamanda, yukarıda bahsedilen çerçevenin kendisi nispeten kaba görünmektedir ve gerçek değeri mevcut piyasa değeriyle eşleşmemektedir, bu nedenle güçlü "Memecoin" özelliklerine sahiptir.

Agent çerçevesinin "dalga-parçacık ikiliğinin" bir eksiklik olmadığını ve ne saf Memecoin ne de token kullanım durumu olmayan, yarı dolu bir şişe su olarak kabaca anlaşılamayacağını belirtmekte fayda var. Önceki yazımda da bahsettiğim gibi: Hafif Agent, belirsiz Memecoin perdesiyle örtülüyor, topluluk kültürü ve temelleri artık çelişkili olmayacak ve Agent'ın ilk aşamalarında balonlar ve belirsizlikler olmasına rağmen yavaş yavaş yeni bir varlık geliştirme yolu ortaya çıkıyor; ancak geliştiricileri cezbetme ve uygulama uygulamasını teşvik etme potansiyeli göz ardı edilemez. Gelecekte, eksiksiz bir token ekonomik modeline ve güçlü bir geliştirici ekosistemine sahip bir çerçeve, bu yolun temel dayanağı haline gelebilir.

BlockBooster Hakkında: BlockBooster, OKX Ventures ve diğer üst düzey kurumlar tarafından desteklenen, seçkin girişimciler için güvenilir bir ortak olmaya kendini adamış bir Asya Web3 risk sermayesi stüdyosudur. Stratejik yatırım ve derinlemesine kuluçka yoluyla Web3 projelerini gerçek dünyayla buluşturuyor ve yüksek kaliteli girişimci projelerin büyümesine yardımcı oluyoruz.

Yasal Uyarı: Bu makale/blog yalnızca referans amaçlıdır ve yazarın kişisel görüşlerini temsil eder ve BlockBooster'ın konumunu temsil etmez. Bu makalenin amacı aşağıdakileri sağlamak değildir: (i) yatırım tavsiyesi veya yatırım tavsiyeleri; (ii) dijital varlıkların satın alınması, satılması veya tutulması için bir teklif veya talep veya (iii) mali, muhasebe, hukuk veya vergi tavsiyeleri; Stabil paralar ve NFT'ler de dahil olmak üzere dijital varlıkları tutmak, büyük fiyat dalgalanmaları nedeniyle son derece risklidir ve hatta değersiz hale gelebilir. Kendi finansal durumunuza göre dijital varlık ticaretinin veya holdinginin sizin için uygun olup olmadığını dikkatlice değerlendirmelisiniz. Özel durumunuzla ilgili sorularınız varsa lütfen hukuk, vergi veya yatırım danışmanınıza danışın. Burada sağlanan bilgiler (varsa piyasa verileri ve istatistikler dahil) yalnızca genel bilgilendirme amaçlıdır. Bu veri ve grafiklerin hazırlanmasında makul özen gösterilmiştir, ancak burada ifade edilen fiili hatalar veya eksiklikler konusunda hiçbir sorumluluk kabul edilemez.