บทความนี้มาจาก: Deep Value Memetics
การรวบรวม | Odaily Planet Daily ( @OdailyChina )
นักแปล｜Azuma ( @azuma_eth )
สรุปประเด็นสำคัญ
ในรายงานนี้ เราจะหารือเกี่ยวกับรูปแบบการพัฒนาของเฟรมเวิร์กหลักต่างๆ ในด้าน Crypto AI เราจะตรวจสอบสี่เฟรมเวิร์กหลักในปัจจุบัน ได้แก่ Eliza (AI16Z), GAME (GAME), Rig (ARC), ZerePy (ZEREBRO) และวิเคราะห์ความแตกต่างทางเทคนิคและศักยภาพในการพัฒนา
ในสัปดาห์ที่ผ่านมา เราได้วิเคราะห์และทดสอบกรอบงานทั้งสี่ข้างต้น และสรุปข้อสรุปได้ด้านล่าง
เราเชื่อว่า Eliza (ซึ่งมีส่วนแบ่งการตลาดประมาณ 60% มูลค่าตลาดประมาณ 900 ล้านดอลลาร์สหรัฐ ตอนที่ผู้เขียนต้นฉบับเขียนบทความ และมูลค่าตลาดประมาณ 1.4 พันล้านดอลลาร์สหรัฐ ณ วันที่ตีพิมพ์) จะยังคงครองส่วนแบ่งการตลาดต่อไป . คุณค่าของ Eliza อยู่ที่ความได้เปรียบจากผู้เสนอญัตติรายแรกและการยอมรับของนักพัฒนาที่รวดเร็วขึ้น ดังเห็นได้จากผู้ร่วมให้ข้อมูล 193 ราย 1,800 ส้อม และดาวมากกว่า 6,000 ดวงบน Github ทำให้กลายเป็นแหล่งเก็บข้อมูลซอฟต์แวร์ที่ได้รับความนิยมสูงสุดบน Github
GAME (ซึ่งมีส่วนแบ่งการตลาดประมาณ 20% มูลค่าตลาดประมาณ 300 ล้านดอลลาร์สหรัฐ ตอนที่ผู้เขียนต้นฉบับเขียนบทความ และมูลค่าตลาดประมาณ 257 ล้านดอลลาร์สหรัฐ ณ เวลาที่ตีพิมพ์) ได้รับการพัฒนาอย่างราบรื่นมากจนถึงตอนนี้ และยังประสบกับการนำไปใช้อย่างรวดเร็ว ตามที่ประกาศก่อนหน้านี้โดย Virtuals Protocol ด้วยวิธีนี้ มีโปรเจ็กต์มากกว่า 200 โปรเจ็กต์ที่สร้างขึ้นจาก GAME โดยมีคำขอรายวันเกิน 150,000 คำขอและอัตราการเติบโตรายสัปดาห์เกิน 200% GAME จะยังคงได้รับประโยชน์จากการระเบิดของ VIRTUAL และมีแนวโน้มว่าจะกลายเป็นหนึ่งในผู้ชนะที่ยิ่งใหญ่ที่สุดในระบบนิเวศ
การออกแบบแบบโมดูลาร์ของแท่นขุดเจาะ (ซึ่งมีส่วนแบ่งการตลาดประมาณ 15% มูลค่าตลาดประมาณ 160 ล้านดอลลาร์สหรัฐ เมื่อผู้เขียนต้นฉบับเขียนบทความ และมูลค่าตลาดประมาณ 279 ล้านดอลลาร์สหรัฐ ณ เวลาที่ตีพิมพ์) เป็นอย่างมาก สะดุดตาและใช้งานง่าย และคาดว่าจะครองตำแหน่งสำคัญในระบบนิเวศของ Solana (RUST)
Zerepy (ซึ่งมีส่วนแบ่งการตลาดประมาณ 5% มูลค่าตลาดประมาณ 300 ล้านดอลลาร์สหรัฐ ตอนที่ผู้เขียนต้นฉบับเขียน และมูลค่าตลาดประมาณ 424 ล้านดอลลาร์สหรัฐ ณ เวลาที่ตีพิมพ์) ถือเป็นแอปพลิเคชั่นเฉพาะกลุ่มมากขึ้นโดยเฉพาะสำหรับ ชุมชน ZEREBRO ผู้คลั่งไคล้ และความร่วมมือล่าสุดกับชุมชน ai16z อาจมีผลกระทบการทำงานร่วมกันบ้าง
จากสถิติข้างต้น ส่วนแบ่งการตลาด คำนวณโดยคำนึงถึงมูลค่าตลาด บันทึกการพัฒนา และความกว้างของตลาดเทอร์มินัลระบบปฏิบัติการขั้นพื้นฐาน
เราเชื่อว่ากรอบ AI จะกลายเป็นภาคส่วนที่เติบโตเร็วที่สุดในรอบนี้ และมูลค่าตลาดรวมในปัจจุบันของภาคส่วนนี้ประมาณ 1.7 พันล้านเหรียญสหรัฐ จะเติบโตเป็น 20 พันล้านเหรียญสหรัฐได้อย่างง่ายดาย เมื่อเทียบกับการประเมินมูลค่าของ Layer 1 ที่จุดสูงสุด ในปี 2021 ตัวเลขนี้อาจยังคงค่อนข้างอนุรักษ์นิยม โดยโครงการเดี่ยวหลายโครงการมีมูลค่ามากกว่า 2 หมื่นล้านดอลลาร์ในขณะนั้น แม้ว่ากรอบการทำงานข้างต้นจะรองรับตลาดปลายทางที่แตกต่างกัน (สายโซ่/ระบบนิเวศ) เนื่องจากเราเชื่อว่าภาคส่วนนี้จะเติบโตโดยรวม การนำแนวทางถ่วงน้ำหนักด้วยมูลค่าหลักทรัพย์ตามราคาตลาดมาใช้ค่อนข้างรอบคอบ
กรอบการทำงานหลักสี่ประการ
ที่จุดบรรจบกันของ AI และ Crypto มีกรอบการทำงานหลายอย่างที่มุ่งเป้าไปที่การเร่งการพัฒนา AI รวมถึง Eliza (AI16Z), GAME (GAME), Rig (ARC) และ ZerePy (ZEREBRO) ตั้งแต่โครงการชุมชนโอเพ่นซอร์สไปจนถึงโซลูชันระดับองค์กรที่มุ่งเน้นประสิทธิภาพ แต่ละเฟรมเวิร์กจะตอบสนองความต้องการและปรัชญาที่แตกต่างกันของการพัฒนาตัวแทน
ในตารางด้านล่าง เราแสดงรายการเทคโนโลยีหลัก ส่วนประกอบ และข้อดีของแต่ละเฟรมเวิร์ก
รายงานนี้จะเน้นไปที่กรอบงานเหล่านี้ก่อน ภาษาโปรแกรมที่ใช้ สถาปัตยกรรมทางเทคนิค อัลกอริธึม และคุณสมบัติเฉพาะพร้อมกรณีการใช้งานที่เป็นไปได้ จากนั้นเราจะเปรียบเทียบแต่ละเฟรมเวิร์กตามความง่ายในการใช้งาน ความสามารถในการปรับขนาด ความสามารถในการปรับตัว และประสิทธิภาพ พร้อมทั้งหารือเกี่ยวกับจุดแข็งและข้อจำกัด
เอลิซ่า
Eliza เป็นเฟรมเวิร์กการจำลองหลายเอเจนต์แบบโอเพ่นซอร์สที่พัฒนาโดย ai16z ซึ่งออกแบบมาเพื่อสร้าง ปรับใช้ และจัดการเอเจนต์ AI อัตโนมัติ ได้รับการพัฒนาโดยใช้ TypeScript เป็นภาษาการเขียนโปรแกรม โดยมอบแพลตฟอร์มที่ยืดหยุ่นและปรับขนาดได้สำหรับการสร้างตัวแทนอัจฉริยะที่สามารถโต้ตอบกับมนุษย์บนหลายแพลตฟอร์ม ในขณะที่ยังคงรักษาบุคลิกภาพและความรู้ที่สอดคล้องกัน
คุณสมบัติหลักของเฟรมเวิร์กประกอบด้วย: สถาปัตยกรรมหลายเอเจนต์ที่รองรับการใช้งานและการจัดการบุคลิกภาพ AI ที่หลากหลายพร้อมกัน ระบบอักขระที่ใช้เฟรมเวิร์กไฟล์อักขระเพื่อสร้างเอเจนต์ที่หลากหลาย และระบบการสร้างการดึงข้อมูลขั้นสูง (RAG) ให้หน่วยความจำระยะยาวและความสามารถในการรับรู้ ความสามารถในการจัดการหน่วยความจำตามบริบท นอกจากนี้ กรอบงาน Eliza ยังนำเสนอการบูรณาการแพลตฟอร์มที่ราบรื่นสำหรับการเชื่อมต่อที่เชื่อถือได้กับ Discord, X และแพลตฟอร์มโซเชียลมีเดียอื่น ๆ
Eliza เป็นตัวเลือกที่ยอดเยี่ยมสำหรับความสามารถด้านการสื่อสารของตัวแทน AI และสื่อ ในด้านการสื่อสาร เฟรมเวิร์กรองรับการทำงานร่วมกับฟีเจอร์ช่องเสียงของ Discord, ฟีเจอร์ X, Telegram และการเข้าถึง API โดยตรงสำหรับกรณีการใช้งานที่กำหนดเอง ในทางกลับกัน ความสามารถในการประมวลผลสื่อของเฟรมเวิร์กได้ขยายไปสู่การอ่านและการวิเคราะห์เอกสาร PDF การดึงและการสรุปเนื้อหาลิงก์ การถอดเสียง การประมวลผลเนื้อหาวิดีโอ การวิเคราะห์รูปภาพ และการสรุปบทสนทนา ซึ่งสามารถจัดการอินพุตและเอาท์พุตสื่อต่างๆ ได้อย่างมีประสิทธิภาพ
Eliza ให้การสนับสนุนโมเดล AI ที่ยืดหยุ่นโดยใช้โมเดลโอเพ่นซอร์สสำหรับการอนุมานเฉพาะที่ การอนุมานบนคลาวด์ผ่านการกำหนดค่าเริ่มต้น เช่น OpenAI และ Nous Hermes Llama 3.1 B และรองรับการผสานรวมของ Claude เพื่อจัดการกับการสืบค้นที่ซับซ้อน Eliza ใช้สถาปัตยกรรมแบบโมดูลาร์พร้อมระบบการดำเนินการที่กว้างขวาง การสนับสนุนไคลเอ็นต์แบบกำหนดเอง และ API ที่ครอบคลุมเพื่อให้มั่นใจถึงความสามารถในการปรับขนาดและการปรับตัวข้ามแอปพลิเคชัน
กรณีการใช้งานของ Eliza ครอบคลุมหลายสาขา เช่น ผู้ช่วย AI ที่เกี่ยวข้องกับการสนับสนุนลูกค้า การจัดการชุมชน และงานส่วนตัว และบทบาทโซเชียลมีเดีย เช่น ผู้สร้างเนื้อหาอัตโนมัติและตัวแทนแบรนด์ นอกจากนี้ยังสามารถทำหน้าที่เป็นผู้ปฏิบัติงานที่มีความรู้ซึ่งมีบทบาทในการวิจัย ผู้ช่วย บทบาทเช่นนักวิเคราะห์เนื้อหาและผู้ประมวลผลเอกสาร และบทบาทเชิงโต้ตอบในรูปแบบของบอทสวมบทบาท ครูสอนพิเศษด้านการศึกษา และตัวแทนด้านความบันเทิง
สถาปัตยกรรมของ Eliza สร้างขึ้นโดยใช้รันไทม์ของตัวแทนที่ทำงานได้อย่างราบรื่นกับระบบอักขระ (สนับสนุนโดยผู้ให้บริการโมเดล) ตัวจัดการหน่วยความจำ (เชื่อมต่อกับฐานข้อมูล) และระบบการดำเนินการ (เชื่อมโยงกับไคลเอ็นต์แพลตฟอร์ม) ที่ผสานรวม คุณสมบัติเฉพาะของเฟรมเวิร์ก ได้แก่ ระบบปลั๊กอินที่ช่วยให้ขยายฟังก์ชันการทำงานแบบโมดูลาร์ได้ รองรับการโต้ตอบหลายรูปแบบ เช่น เสียง ข้อความ และสื่อ และความเข้ากันได้กับโมเดล AI ชั้นนำ เช่น Llama, GPT-4 และ Claude ด้วยความสามารถรอบด้านและการออกแบบอันทรงพลัง Eliza จึงกลายเป็นเครื่องมืออันทรงพลังสำหรับการพัฒนาแอปพลิเคชัน AI ข้ามโดเมน
เกม
GAME ได้รับการพัฒนาโดยทีมงานอย่างเป็นทางการของ Virtuals และมีชื่อเต็มว่า The Generative Autonomous Multimodal Entities Framework (The Generative Autonomous Multimodal Entities Framework) เฟรมเวิร์กนี้มีจุดมุ่งหมายเพื่อให้นักพัฒนาได้รับอินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน (API) และชุดพัฒนาซอฟต์แวร์ (SDK) ) เพื่อให้สามารถทำการทดลองโดยใช้ตัวแทน AI ได้ กรอบการทำงานนี้ให้แนวทางที่มีโครงสร้างในการจัดการพฤติกรรม การตัดสินใจ และกระบวนการเรียนรู้ของตัวแทน AI
องค์ประกอบหลักของ GAME มีดังนี้ ประการแรก อินเทอร์เฟซการแจ้งตัวแทน เป็นทางเข้าสำหรับนักพัฒนาในการรวม GAME เข้ากับตัวแทนเพื่อรับพฤติกรรมของตัวแทน
ระบบย่อยการรับรู้ เริ่มต้นเซสชันโดยการระบุพารามิเตอร์ เช่น รหัสเซสชัน รหัสตัวแทน ผู้ใช้ และรายละเอียดอื่นๆ ที่เกี่ยวข้อง สังเคราะห์ข้อความขาเข้าให้อยู่ในรูปแบบที่เหมาะสมสำหรับ “เครื่องมือวางแผนเชิงกลยุทธ์” โดยทำหน้าที่เป็นกลไกป้อนข้อมูลทางประสาทสัมผัสให้กับเจ้าหน้าที่ AI ไม่ว่าจะอยู่ในรูปแบบของการสนทนาหรือปฏิกิริยาโต้ตอบ แกนหลักที่นี่คือ โมดูลการประมวลผลบทสนทนา ซึ่งรับผิดชอบในการประมวลผลข้อความและการตอบกลับจากตัวแทน และทำงานร่วมกับ ระบบย่อยการรับรู้ เพื่อตีความและตอบสนองต่ออินพุตอย่างมีประสิทธิภาพ
“เครื่องมือวางแผนเชิงกลยุทธ์” ทำงานร่วมกับ “โมดูลประมวลผลการสนทนา” และ “ผู้ดำเนินการกระเป๋าเงินออนไลน์” เพื่อสร้างการตอบสนองและแผนงาน กลไกดำเนินการในสองระดับ: ในฐานะนักวางแผนระดับสูงซึ่งสร้างกลยุทธ์กว้าง ๆ ตามบริบทหรือเป้าหมาย และในฐานะกลยุทธ์ระดับต่ำซึ่งแปลงกลยุทธ์เหล่านี้เป็นนโยบายที่สามารถดำเนินการได้ โดยแยกย่อยเพิ่มเติมเป็นผู้วางแผนการดำเนินการ (สำหรับงานที่ระบุ ) และผู้ดำเนินการแผน (สำหรับการดำเนินการงาน)
องค์ประกอบที่แยกจากกันแต่สำคัญคือ บริบทของโลก ซึ่งอ้างอิงสภาพแวดล้อม ข้อมูลโลก และสถานะของเกมเพื่อให้บริบทที่จำเป็นสำหรับการตัดสินใจของตัวแทน นอกจากนี้ “พื้นที่เก็บข้อมูลของตัวแทน” ยังใช้เพื่อจัดเก็บคุณลักษณะในระยะยาว เช่น เป้าหมาย การสะท้อน ประสบการณ์ และบุคลิกภาพ ซึ่งร่วมกันกำหนดพฤติกรรมและกระบวนการตัดสินใจของตัวแทน กรอบงานใช้ หน่วยความจำการทำงานระยะสั้น และ ตัวประมวลผลหน่วยความจำระยะยาว - หน่วยความจำระยะสั้นจะเก็บข้อมูลที่เกี่ยวข้องกับการดำเนินการ ผลลัพธ์ และแผนปัจจุบันก่อนหน้านี้ ในทางตรงกันข้าม ตัวประมวลผลหน่วยความจำระยะยาวตามความสำคัญ ความใหม่ และ ความเกี่ยวข้อง ดึงข้อมูลสำคัญตามเกณฑ์ เช่น เพศ หน่วยความจำนี้เก็บความรู้เกี่ยวกับประสบการณ์ของตัวแทน การไตร่ตรอง บุคลิกภาพแบบไดนามิก บริบทของโลก และความทรงจำในการทำงานของตัวแทน เพื่อปรับปรุงการตัดสินใจและเป็นพื้นฐานสำหรับการเรียนรู้
เพื่อเพิ่มเค้าโครง โมดูลการเรียนรู้ จะนำข้อมูลจาก ระบบย่อยการรับรู้ เพื่อสร้างความรู้ทั่วไป ซึ่งจะถูกป้อนกลับเข้าสู่ระบบเพื่อเพิ่มประสิทธิภาพการโต้ตอบในอนาคต นักพัฒนาสามารถป้อนข้อเสนอแนะเกี่ยวกับการกระทำ สถานะของเกม และข้อมูลทางประสาทสัมผัสผ่านอินเทอร์เฟซ เพื่อปรับปรุงการเรียนรู้ของตัวแทน AI และปรับปรุงความสามารถในการวางแผนและการตัดสินใจ
เวิร์กโฟลว์เริ่มต้นด้วยการโต้ตอบของนักพัฒนาผ่านอินเทอร์เฟซพร้อมท์ของตัวแทน ระบบย่อยการรับรู้ ประมวลผลอินพุตและส่งต่อไปยัง โมดูลการประมวลผลกล่องโต้ตอบ ซึ่งจัดการตรรกะการโต้ตอบ จากนั้น กลไกการวางแผนเชิงกลยุทธ์ จะขึ้นอยู่กับข้อมูลนี้ ใช้กลยุทธ์ขั้นสูงและการวางแผนปฏิบัติการโดยละเอียดเพื่อพัฒนาและดำเนินการตามแผน
ข้อมูลจาก บริบทของโลก และ ไลบรารีตัวแทน แจ้งกระบวนการเหล่านี้ ในขณะที่หน่วยความจำในการทำงานจะติดตามงานเร่งด่วน ในขณะเดียวกัน ตัวประมวลผลหน่วยความจำระยะยาว จะจัดเก็บและดึงความรู้เมื่อเวลาผ่านไป โมดูลการเรียนรู้ วิเคราะห์ผลลัพธ์และบูรณาการความรู้ใหม่เข้าสู่ระบบ ช่วยให้พฤติกรรมและการโต้ตอบของตัวแทนได้รับการปรับปรุงอย่างต่อเนื่อง
แท่นขุดเจาะ
Rig เป็นเฟรมเวิร์กโอเพ่นซอร์สที่ใช้ Rust ซึ่งได้รับการออกแบบมาเพื่อทำให้การพัฒนาแอปพลิเคชันโมเดลภาษาขนาดใหญ่ (LLM) ง่ายขึ้น มีอินเทอร์เฟซแบบรวมสำหรับการโต้ตอบกับผู้ให้บริการ LLM หลายราย เช่น OpenAI และ Anthropic และรองรับร้านค้าเวกเตอร์ที่หลากหลาย รวมถึง MongoDB และ Neo 4 j สถาปัตยกรรมแบบโมดูลาร์ของเฟรมเวิร์กมีองค์ประกอบหลัก เช่น Provider Abstraction Layer, Vector Storage Integration และ Agent System เพื่ออำนวยความสะดวกในการโต้ตอบที่ราบรื่นของ LLM
กลุ่มเป้าหมายหลักของ Rig ได้แก่ นักพัฒนาที่สร้างแอปพลิเคชัน AI/ML โดยใช้ Rust และกลุ่มเป้าหมายรอง ได้แก่ องค์กรที่ต้องการรวมผู้ให้บริการ LLM และร้านค้าเวกเตอร์หลายรายเข้ากับแอปพลิเคชัน Rust ไลบรารีทรัพยากรได้รับการจัดระเบียบโดยใช้โครงสร้างตามพื้นที่ทำงานและมีหลายลังเพื่อให้บรรลุความสามารถในการปรับขนาดและการจัดการโครงการที่มีประสิทธิภาพ คุณสมบัติหลักของ Rig ได้แก่ Provider Abstraction Layer ที่สร้างมาตรฐานให้กับ API สำหรับการกรอกและฝังผู้ให้บริการ LLM ผ่านการจัดการข้อผิดพลาดที่สอดคล้องกัน ส่วนประกอบ Vector Storage Integration ให้แบ็กเอนด์หลายรายการ อินเทอร์เฟซแบบนามธรรมและการสนับสนุนสำหรับการค้นหาความคล้ายคลึงกันของเวกเตอร์ ช่วยให้การโต้ตอบ LLM ง่ายขึ้น รองรับการสร้างการดึงข้อมูลเสริม (RAG) และการผสานรวมเครื่องมือ นอกจากนี้ กรอบงานการฝังยังให้ความสามารถในการประมวลผลเป็นชุดและการดำเนินการฝังที่ปลอดภัยต่อประเภทอีกด้วย
Rig ใช้ประโยชน์จากข้อดีทางเทคนิคหลายประการเพื่อให้มั่นใจในความน่าเชื่อถือและประสิทธิภาพ การดำเนินการแบบอะซิงโครนัสใช้ประโยชน์จากรันไทม์แบบอะซิงโครนัสของ Rust ในการจัดการคำขอพร้อมกันจำนวนมากอย่างมีประสิทธิภาพ กลไกการจัดการข้อผิดพลาดโดยธรรมชาติของเฟรมเวิร์กช่วยเพิ่มความยืดหยุ่นต่อความล้มเหลวในผู้ให้บริการ AI หรือการดำเนินการฐานข้อมูล และกระบวนการดีซีเรียลไลเซชันช่วยประมวลผลข้อมูลในรูปแบบต่างๆ เช่น JSON ซึ่งมีความสำคัญอย่างยิ่งต่อการสื่อสารและการจัดเก็บบริการ AI การบันทึกและเครื่องมือวัดโดยละเอียดยังช่วยแก้ไขจุดบกพร่องและติดตามแอปพลิเคชันเพิ่มเติม
เวิร์กโฟลว์ใน Rig เริ่มต้นด้วยไคลเอ็นต์ที่เริ่มต้นคำขอ ซึ่งไหลผ่าน เลเยอร์นามธรรมของผู้ให้บริการ และโต้ตอบกับโมเดล LLM ที่เกี่ยวข้อง จากนั้นข้อมูลจะถูกประมวลผลโดยเลเยอร์หลัก ซึ่งเอเจนต์สามารถใช้เครื่องมือหรือเข้าถึงร้านค้าเวกเตอร์ได้ เพื่อให้ได้บริบท การตอบสนองจะถูกสร้างและปรับปรุงผ่านเวิร์กโฟลว์ที่ซับซ้อน เช่น RAG รวมถึงการเรียกค้นเอกสารและความเข้าใจเชิงบริบท ก่อนที่จะส่งคืนให้กับลูกค้า ระบบจะรวมผู้ให้บริการ LLM และร้านค้าเวกเตอร์หลายรายเพื่อปรับให้เข้ากับการเปลี่ยนแปลงในความพร้อมใช้งานหรือประสิทธิภาพของโมเดล
กรณีการใช้งานสำหรับ Rig นั้นมีความหลากหลาย รวมถึงระบบตอบคำถามที่ดึงเอกสารที่เกี่ยวข้องเพื่อให้การตอบสนองที่แม่นยำ การค้นหาและการดึงเอกสารเพื่อการค้นพบเนื้อหาที่มีประสิทธิภาพ และแชทบอทหรือผู้ช่วยเสมือนที่ให้การโต้ตอบตามบริบทสำหรับการบริการลูกค้าหรือการศึกษา นอกจากนี้ยังสนับสนุนการสร้างเนื้อหา การสร้างข้อความและสื่ออื่นๆ ตามรูปแบบที่เรียนรู้ ทำให้เป็นเครื่องมืออเนกประสงค์สำหรับนักพัฒนาและองค์กร
เซเรพี
ZerePy เป็นเฟรมเวิร์กโอเพ่นซอร์สที่เขียนด้วย Python ออกแบบมาเพื่อปรับใช้เอเจนต์บน X โดยใช้ OpenAI หรือ Anthropic LLM ZerePy มาจากเวอร์ชันโมดูลาร์ของแบ็กเอนด์ Zerebro ช่วยให้นักพัฒนาสามารถเปิดตัวเอเจนต์ที่มีฟังก์ชันการทำงานคล้ายกับฟังก์ชันหลักของ Zerebro แม้ว่าเฟรมเวิร์กจะเป็นรากฐานสำหรับการปรับใช้เอเจนต์ แต่โมเดลจะต้องได้รับการปรับแต่งอย่างละเอียดเพื่อสร้างผลลัพธ์ที่สร้างสรรค์ ZerePy ช่วยให้การพัฒนาและการปรับใช้ตัวแทน AI ส่วนบุคคลง่ายขึ้น โดยเฉพาะอย่างยิ่งเหมาะสำหรับการสร้างเนื้อหาบนแพลตฟอร์มโซเชียล ส่งเสริมระบบนิเวศสร้างสรรค์ของ AI ที่กำหนดเป้าหมายงานศิลปะและแอปพลิเคชันแบบกระจายอำนาจ
เฟรมเวิร์กนี้สร้างขึ้นในภาษา Python โดยเน้นความเป็นอิสระของตัวแทน และมุ่งเน้นไปที่การสร้างผลลัพธ์ที่สร้างสรรค์ ซึ่งสอดคล้องกับสถาปัตยกรรมและความร่วมมือของ Eliza การออกแบบแบบแยกส่วนรองรับการรวมระบบในหน่วยความจำเพื่อการปรับใช้ตัวแทนบนแพลตฟอร์มโซเชียลได้อย่างง่ายดาย คุณสมบัติหลักประกอบด้วยอินเทอร์เฟซบรรทัดคำสั่งสำหรับการจัดการตัวแทน การผสานรวมกับ X การรองรับ OpenAI และ Anthropic LLM และระบบการเชื่อมต่อแบบแยกส่วนสำหรับฟังก์ชันการทำงานที่ได้รับการปรับปรุง
กรณีการใช้งานของ ZerePy ครอบคลุมถึงระบบอัตโนมัติของโซเชียลมีเดีย ซึ่งผู้ใช้สามารถปรับใช้ตัวแทน AI เพื่อโพสต์ ตอบกลับ กดไลค์ และรีทวีต เพื่อเพิ่มการมีส่วนร่วมของแพลตฟอร์ม นอกจากนี้ยังเหมาะสำหรับการสร้างเนื้อหาในด้านต่างๆ เช่น เพลง บันทึกช่วยจำ และ NFT และเป็นเครื่องมือสำคัญสำหรับงานศิลปะดิจิทัลและแพลตฟอร์มเนื้อหาบนบล็อกเชน
การเปรียบเทียบแนวนอน
ในความเห็นของเรา แต่ละเฟรมเวิร์กข้างต้นมอบแนวทางที่เป็นเอกลักษณ์ในการพัฒนา AI ซึ่งตอบสนองความต้องการและสถานการณ์เฉพาะ ซึ่งทำให้การถกเถียงไม่ได้จำกัดอยู่เพียงว่าเฟรมเวิร์กเหล่านี้เป็นคู่แข่งอีกต่อไป แต่มุ่งเน้นไปที่แต่ละเฟรมเวิร์กไม่ว่าจะให้ประโยชน์ใช้สอยเฉพาะหรือไม่ ค่า.
Eliza โดดเด่นด้วยอินเทอร์เฟซที่ใช้งานง่าย โดยเฉพาะสำหรับนักพัฒนาที่คุ้นเคยกับสภาพแวดล้อม JavaScript และ Node.js เอกสารที่ครอบคลุมช่วยตั้งค่าตัวแทน AI บนแพลตฟอร์มที่หลากหลาย และในขณะที่ชุดฟีเจอร์ที่หลากหลายอาจนำเสนอช่วงการเรียนรู้ที่เรียบง่าย ต้องขอบคุณการใช้ TypeScript แต่ Eliza ก็เหมาะอย่างยิ่งสำหรับการสร้างตัวแทนที่ฝังอยู่ในเว็บเป็นส่วนใหญ่ ส่วนหน้า โครงสร้างพื้นฐานของเว็บทั้งหมดสร้างขึ้นด้วย TypeScript เฟรมเวิร์กนี้มีชื่อเสียงในด้านสถาปัตยกรรมแบบหลายเอเจนต์ ทำให้สามารถติดตั้งเอเจนต์ AI ที่หลากหลายข้ามแพลตฟอร์ม เช่น Discord, X และ Telegram ระบบ RAG ขั้นสูงสำหรับการจัดการหน่วยความจำทำให้เหมาะอย่างยิ่งสำหรับการสร้างผู้ช่วย AI ประเภทสำหรับการสนับสนุนลูกค้าหรือแอปพลิเคชันโซเชียลมีเดีย แม้ว่าจะมีความยืดหยุ่น การสนับสนุนจากชุมชนที่แข็งแกร่ง และประสิทธิภาพข้ามแพลตฟอร์มที่สม่ำเสมอ แต่ก็ยังอยู่ในช่วงเริ่มต้นและอาจเป็นช่วงการเรียนรู้สำหรับนักพัฒนา
ออกแบบมาโดยเฉพาะสำหรับนักพัฒนาเกม GAME มีอินเทอร์เฟซแบบใช้โค้ดน้อยหรือไม่มีโค้ดผ่าน API ที่ผู้ใช้ที่มีทักษะด้านเทคนิคต่ำในแวดวงเกมเข้าถึงได้ง่าย อย่างไรก็ตาม มุ่งเน้นไปที่การพัฒนาเกมและการบูรณาการบล็อกเชน และช่วงการเรียนรู้อาจสูงชันสำหรับผู้ที่ไม่มีประสบการณ์ที่เกี่ยวข้อง มีความเป็นเลิศในการสร้างเนื้อหาแบบเป็นโปรแกรมและพฤติกรรม NPC แต่ถูกจำกัดด้วยช่องทางเฉพาะและความซับซ้อนเพิ่มเติมที่มาพร้อมกับการรวมบล็อคเชน
เนื่องจาก Rig ใช้ภาษา Rust จึงอาจไม่เป็นมิตรกับผู้ใช้เนื่องจากความซับซ้อนของภาษา ซึ่งทำให้การเรียนรู้เป็นความท้าทายที่ยิ่งใหญ่ แต่สำหรับผู้ที่มีความเชี่ยวชาญในการเขียนโปรแกรมระบบ ภาษานี้สามารถให้การโต้ตอบที่เป็นธรรมชาติได้ Rust นั้นขึ้นชื่อในด้านประสิทธิภาพและความปลอดภัยของหน่วยความจำเมื่อเปรียบเทียบกับ TypeScript มีการตรวจสอบเวลาคอมไพล์ที่เข้มงวดและบทคัดย่อที่ไม่มีค่าใช้จ่าย ซึ่งจำเป็นต่อการรันอัลกอริธึมปัญญาประดิษฐ์ที่ซับซ้อน คุณลักษณะที่มีประสิทธิภาพและการควบคุมต่ำของภาษาทำให้เหมาะสำหรับแอปพลิเคชัน AI ที่ใช้ทรัพยากรมาก การออกแบบแบบแยกส่วนและปรับขนาดได้ของเฟรมเวิร์กมอบโซลูชันประสิทธิภาพสูงที่เหมาะสำหรับแอปพลิเคชันระดับองค์กร อย่างไรก็ตาม สำหรับนักพัฒนาที่ไม่คุ้นเคยกับภาษา Rust การใช้ Rust จะนำมาซึ่งการเรียนรู้ที่สูงชัน
ZerePy ใช้ภาษา Python เพื่อให้มีการใช้งานที่สูงขึ้นสำหรับงาน AI ที่สร้างสรรค์ สำหรับนักพัฒนา Python โดยเฉพาะผู้ที่มีพื้นฐาน AI/ML เส้นโค้งการเรียนรู้ยังต่ำ และ ZEREBRO ได้รับการสนับสนุนจากชุมชนที่แข็งแกร่งเนื่องจากความนิยม ZerePy เป็นเลิศในแอปพลิเคชัน AI ที่สร้างสรรค์ เช่น NFT และเฟรมเวิร์กยังวางตำแหน่งตัวเองให้เป็นเครื่องมืออันทรงพลังในด้านสื่อดิจิทัลและศิลปะ แม้ว่าจะเป็นเลิศในด้านความคิดสร้างสรรค์ แต่ขอบเขตการใช้งานก็ค่อนข้างแคบเมื่อเทียบกับเฟรมเวิร์กอื่นๆ
ในแง่ของความสามารถในการขยาย การเปรียบเทียบกรอบงานหลักทั้งสี่มีดังต่อไปนี้
Eliza มีความก้าวหน้าอย่างมากหลังจากการอัปเดตเวอร์ชัน V2 โดยนำเสนอบรรทัดข้อความแบบรวมและเฟรมเวิร์กหลักที่ขยายได้เพื่อให้บรรลุการจัดการข้ามแพลตฟอร์มที่มีประสิทธิภาพ อย่างไรก็ตาม การจัดการการโต้ตอบหลายแพลตฟอร์มนี้อาจก่อให้เกิดความท้าทายในการขยายขนาดโดยไม่ต้องปรับให้เหมาะสม
GAME เป็นเลิศในการประมวลผลแบบเรียลไทม์ที่จำเป็นสำหรับเกม และความสามารถในการปรับขนาดของมันสามารถจัดการได้ผ่านอัลกอริธึมที่มีประสิทธิภาพและระบบกระจายบล็อกเชนพื้นฐาน แม้ว่าอาจถูกจำกัดโดยกลไกเกมเฉพาะหรือข้อจำกัดของเครือข่ายบล็อกเชนก็ตาม
กรอบงาน Rig ใช้ประโยชน์จากข้อได้เปรียบด้านประสิทธิภาพของ Rust เพื่อความสามารถในการขยายขนาดที่ดีขึ้น และได้รับการออกแบบโดยธรรมชาติสำหรับแอปพลิเคชันที่มีปริมาณงานสูง ซึ่งอาจมีประสิทธิภาพโดยเฉพาะอย่างยิ่งสำหรับการปรับใช้ระดับองค์กร แม้ว่านี่อาจหมายความว่าจำเป็นต้องมีการตั้งค่าที่ซับซ้อนเพื่อให้บรรลุความสามารถในการขยายขนาดที่แท้จริง
ความสามารถในการปรับขนาดของ ZerePy มุ่งเป้าไปที่ผลงานสร้างสรรค์ และได้รับการสนับสนุนจากชุมชน แต่การมุ่งเน้นของเฟรมเวิร์กอาจจำกัดการใช้งานในบริบทปัญญาประดิษฐ์ที่กว้างขึ้น และความสามารถในการปรับขนาดอาจถูกจำกัดโดยความหลากหลายของงานสร้างสรรค์ จากการทดสอบปริมาณผู้ใช้
ในแง่ของการบังคับใช้ Eliza ก้าวนำหน้าด้วยระบบปลั๊กอินและความเข้ากันได้ข้ามแพลตฟอร์ม ตามมาด้วย GAME ในสภาพแวดล้อมการเล่นเกม และ Rig สำหรับจัดการงาน AI ที่ซับซ้อน ZerePy แสดงให้เห็นถึงความสามารถในการปรับตัวสูงในด้านการสร้างสรรค์ แต่ไม่เหมาะสำหรับแอปพลิเคชัน AI ในวงกว้าง
ในด้านประสิทธิภาพผลการทดสอบทั้ง 4 กรอบหลักมีดังนี้
Eliza ได้รับการปรับให้เหมาะสมเพื่อการโต้ตอบที่รวดเร็วบนโซเชียลมีเดีย แต่ประสิทธิภาพอาจแตกต่างกันไปเมื่อจัดการกับงานคอมพิวเตอร์ที่ซับซ้อนมากขึ้น
GAME มุ่งเน้นไปที่การโต้ตอบแบบเรียลไทม์ที่มีประสิทธิภาพสูงในสถานการณ์เกม และสามารถใช้กระบวนการตัดสินใจที่มีประสิทธิภาพและบล็อกเชนที่เป็นไปได้สำหรับการดำเนินการ AI แบบกระจายอำนาจ
Rig ขึ้นอยู่กับ Rust และสามารถมอบประสิทธิภาพที่ยอดเยี่ยมสำหรับงานประมวลผลประสิทธิภาพสูง และเหมาะสำหรับแอปพลิเคชันระดับองค์กรที่ประสิทธิภาพการประมวลผลเป็นสิ่งสำคัญ
ประสิทธิภาพของ ZerePy มุ่งเป้าไปที่การสร้างเนื้อหาเชิงสร้างสรรค์ โดยมีตัวชี้วัดที่เน้นไปที่ประสิทธิภาพและคุณภาพของการสร้างเนื้อหาที่อาจมีการสรุปได้น้อยกว่านอกขอบเขตความคิดสร้างสรรค์
เมื่อรวมกับการวิเคราะห์ข้อดีและข้อเสียข้างต้นอย่างครอบคลุม Eliza มอบ ความยืดหยุ่นและความสามารถในการขยายขนาดที่ดีขึ้น ระบบปลั๊กอินและการกำหนดค่าบทบาททำให้สามารถปรับเปลี่ยนได้สูง ซึ่งเอื้อต่อการโต้ตอบปัญญาประดิษฐ์ทางสังคมข้ามแพลตฟอร์ม สามารถมอบความสมจริงที่ไม่เหมือนใคร ความสามารถในการโต้ตอบตามเวลา และมอบการมีส่วนร่วมของ AI ใหม่ ๆ ผ่านการบูรณาการบล็อกเชน ข้อ ได้เปรียบของ Rig อยู่ที่ประสิทธิภาพและความสามารถในการปรับขนาด ซึ่งเหมาะสำหรับงาน AI ระดับองค์กร และมุ่งเน้นไปที่ความเรียบง่ายและความเป็นโมดูลของโค้ดเพื่อให้แน่ใจว่าโครงการ Zerepy มีการพัฒนาในระยะยาว เก่งในการปลูกฝังความคิดสร้างสรรค์และ AI ในงานศิลปะดิจิทัล เป็นผู้นำด้านแอปพลิเคชัน โดยได้รับการสนับสนุนจากโมเดลการพัฒนาที่ขับเคลื่อนโดยชุมชนที่มีชีวิตชีวา
โดยสรุปแล้ว ทุก Framework ต่างก็มีข้อจำกัดของตัวเอง Eliza ยังอยู่ในช่วงเริ่มต้นโดยมีปัญหาด้านเสถียรภาพที่อาจเกิดขึ้นและการเรียนรู้ที่ยาวนานสำหรับนักพัฒนาใหม่ การมุ่งเน้นเฉพาะของ GAME อาจจำกัดการใช้งานในวงกว้าง และการแนะนำบล็อคเชนก็จะเพิ่มความซับซ้อนในการเรียนรู้ของ Rig เส้นโค้งนั้นชันมากขึ้นเนื่องจากความซับซ้อน ของภาษา Rust ซึ่งอาจขัดขวางนักพัฒนาบางคน การที่ Zerepy มุ่งความสนใจไปที่ผลงานสร้างสรรค์อย่างแคบอาจจำกัดการใช้งานในด้านอื่น ๆ ของปัญญาประดิษฐ์
การเรียงลำดับรายการเปรียบเทียบหลัก
แท่นขุดเจาะ (ARC)
ภาษา: Rust เน้นความปลอดภัยและประสิทธิภาพ
กรณีการใช้งาน: มุ่งเน้นไปที่ประสิทธิภาพและความสามารถในการปรับขนาด เหมาะสำหรับแอปพลิเคชัน AI ระดับองค์กร
ชุมชน: ขับเคลื่อนโดยชุมชนน้อยลงและมุ่งเน้นไปที่นักพัฒนาเทคโนโลยีมากขึ้น
เอลิซา (AI16Z)
ภาษา: TypeScript เน้นความยืดหยุ่นของ Web3 และการมีส่วนร่วมของชุมชน
กรณีการใช้งาน: ออกแบบมาสำหรับปฏิสัมพันธ์ทางสังคม DAO และธุรกรรม โดยเน้นเป็นพิเศษในระบบหลายตัวแทน
ชุมชน: ขับเคลื่อนโดยชุมชนในระดับสูง โดยมีความเกี่ยวข้องอย่างกว้างขวางกับ GitHub
เซเรพี (ZEREBRO):
ภาษา: Python ได้รับการยอมรับจากกลุ่มนักพัฒนา AI ในวงกว้างมากขึ้น
กรณีการใช้งาน: เหมาะสำหรับระบบอัตโนมัติบนโซเชียลมีเดียและงานตัวแทน AI ที่เรียบง่าย
ชุมชน: ค่อนข้างใหม่ แต่คาดว่าจะเติบโตเนื่องจากความนิยมของ Python และการสนับสนุนจากผู้สนับสนุน ai16z
เกม (เสมือนจริง, GMAE):
โฟกัส: เอเจนต์ AI ที่ปรับเปลี่ยนได้อัตโนมัติซึ่งพัฒนาตามการโต้ตอบในสภาพแวดล้อมเสมือนจริง
กรณีการใช้งาน: เหมาะที่สุดสำหรับสถานการณ์ที่เจ้าหน้าที่จำเป็นต้องเรียนรู้และปรับตัว เช่น เกมหรือโลกเสมือนจริง
ชุมชน: สร้างสรรค์แต่ยังคงกำหนดตำแหน่งในการแข่งขัน
การเติบโตของข้อมูล Github
แผนภูมิด้านบนแสดงให้เห็นว่าข้อมูลดาวบน GitHub เปลี่ยนแปลงไปอย่างไรสำหรับเฟรมเวิร์กเหล่านี้นับตั้งแต่เปิดตัว โดยทั่วไป ดาว GitHub ทำหน้าที่เป็นตัวบ่งชี้ความสนใจของชุมชน ความนิยมของโครงการ และมูลค่าการรับรู้ของโครงการ
เอลิซา (เส้นสีแดง): แผนภูมิแสดงให้เห็นว่าจำนวนดาวในกรอบนี้เพิ่มขึ้นอย่างมีนัยสำคัญและต่อเนื่อง โดยเริ่มจากฐานที่ต่ำในเดือนกรกฎาคมและเพิ่มขึ้นในช่วงปลายเดือนพฤศจิกายน โดยขณะนี้มีจำนวนดาวถึง 6,100 ดวง สิ่งนี้แสดงให้เห็นถึงความสนใจรอบ ๆ กรอบการทำงานที่เพิ่มขึ้นอย่างรวดเร็ว ซึ่งดึงดูดความสนใจของนักพัฒนา การเติบโตแบบก้าวกระโดดแสดงให้เห็นว่า Eliza ได้รับแรงผลักดันอย่างมากเนื่องจากคุณสมบัติ การอัปเดต และการมีส่วนร่วมของชุมชน ความนิยมนั้นเหนือกว่าผลิตภัณฑ์อื่นๆ ซึ่งแสดงให้เห็นว่าได้รับการสนับสนุนอย่างมากจากชุมชน ในชุมชนปัญญาประดิษฐ์มีการนำไปใช้หรือความสนใจในวงกว้าง
Rig (เส้นสีน้ำเงิน): Rig เป็นเฟรมเวิร์กที่เก่าแก่ที่สุดในสี่เฟรมหลัก มีอัตราการเติบโตของดาวไม่มาก แต่มีความเสถียรเพิ่มขึ้นอย่างมากในเดือนที่ผ่านมา จำนวนดาวฤกษ์ทั้งหมดมีถึง 1,700 ดวง แต่ยังอยู่ในวงโคจรขาขึ้น การสะสมความสนใจอย่างต่อเนื่องนั้นเกิดจากการพัฒนาอย่างต่อเนื่อง การอัพเดต และฐานผู้ใช้ที่เพิ่มมากขึ้น นี่อาจสะท้อนถึงความจริงที่ว่า Rig ยังคงสร้างชื่อเสียงในฐานะกรอบงาน
ZerePy (เส้นสีเหลือง): ZerePy เปิดตัวเมื่อไม่กี่วันก่อน และจำนวนดาวเพิ่มขึ้นเป็น 181 ดวง สิ่งสำคัญคือต้องเน้นย้ำว่า ZerePy ต้องการการพัฒนาเพิ่มเติมเพื่อเพิ่มการมองเห็นและการนำไปใช้ และการร่วมมือกับ ai16z อาจดึงดูดผู้ร่วมให้ข้อมูลมากขึ้นในฐานโค้ดของมัน
GAME (เส้นสีเขียว): เฟรมเวิร์กนี้มีจำนวนดาวน้อย แต่ก็น่าสังเกตว่าเฟรมเวิร์กนี้สามารถนำไปใช้กับตัวแทนในระบบนิเวศเสมือนได้โดยตรงผ่าน API ดังนั้นจึงไม่จำเป็นต้องเผยแพร่บน Github อย่างไรก็ตาม แม้ว่าเฟรมเวิร์กจะพร้อมใช้งานสำหรับผู้สร้างเมื่อเดือนที่แล้ว แต่ปัจจุบันมีโครงการมากกว่า 200 โครงการที่ถูกสร้างขึ้นโดยใช้ GAME
คาดว่าจะมีการอัพเกรดกรอบ AI
Eliza เวอร์ชัน 2.0 จะรวมการทำงานร่วมกับชุดเครื่องมือพร็อกซี Coinbase โปรเจ็กต์ทั้งหมดที่ใช้ Eliza จะได้รับการสนับสนุนสำหรับ TEE ดั้งเดิมในอนาคต (สภาพแวดล้อมการดำเนินการที่เชื่อถือได้) ซึ่งช่วยให้ตัวแทนสามารถทำงานได้ในสภาพแวดล้อมที่ปลอดภัย Plugin Registry เป็นคุณสมบัติใหม่ของ Eliza ที่ช่วยให้นักพัฒนาสามารถลงทะเบียนและรวมปลั๊กอินได้อย่างราบรื่น
นอกจากนี้ Eliza 2.0 จะรองรับการส่งข้อความข้ามแพลตฟอร์มโดยไม่เปิดเผยตัวตนโดยอัตโนมัติ เป็นที่คาดว่าสมุดปกขาวของ Tokenomics ที่เผยแพร่เมื่อวันที่ 1 มกราคม 2025 ( มีการประกาศข้อเสนอที่เกี่ยวข้องแล้ว ) จะมีผลกระทบเชิงบวกต่อโทเค็น AI16Z ที่สนับสนุนกรอบการทำงานของ Eliza ai16z วางแผนที่จะปรับปรุงอรรถประโยชน์ของกรอบการทำงานต่อไป และใช้ประโยชน์จากความพยายามของผู้สนับสนุนหลักในการดึงผู้มีความสามารถคุณภาพสูงเข้ามา
เฟรมเวิร์ก GAME มอบการบูรณาการโดยไม่ต้องใช้โค้ดสำหรับตัวแทน ทำให้สามารถใช้ทั้ง GAME และ Eliza ในโปรเจ็กต์เดียว โดยแต่ละโปรเจ็กต์รองรับกรณีการใช้งานเฉพาะ แนวทางนี้คาดว่าจะดึงดูดผู้สร้างที่เน้นตรรกะทางธุรกิจมากกว่าความซับซ้อนทางเทคนิค แม้ว่ากรอบการทำงานดังกล่าวจะเปิดเผยต่อสาธารณะได้เพียง 30 วันเท่านั้น แต่ก็มีความคืบหน้าอย่างมากเกี่ยวกับกรอบงานดังกล่าว โดยได้รับการสนับสนุนจากความพยายามของทีมในการดึงดูดผู้ร่วมให้ข้อมูลเพิ่มเติม คาดว่าทุกโครงการที่เปิดตัวบน VirtualI จะนำ GAME มาใช้
เฟรมเวิร์ก Rig ที่ขับเคลื่อนโดยโทเค็น ARC มีศักยภาพที่สำคัญ แม้ว่าการเติบโตของเฟรมเวิร์กยังอยู่ในช่วงเริ่มต้น และโครงการสัญญาโครงการเพื่อขับเคลื่อนการนำ Rig มาใช้นั้นเพิ่งใช้งานได้ไม่กี่วันเท่านั้น อย่างไรก็ตาม โปรเจ็กต์คุณภาพสูงที่จับคู่กับ ARC คาดว่าจะเกิดขึ้นเร็วๆ นี้ ซึ่งคล้ายกับ Virtual Flywheel แต่มุ่งเน้นไปที่ Solana ทีม Rig มองในแง่ดีเกี่ยวกับการทำงานร่วมกับ Solana โดยวางตำแหน่ง ARC ให้เป็นเสมือนสำหรับ Solana โดยเฉพาะอย่างยิ่ง ทีมงานไม่เพียงแต่สร้างแรงจูงใจให้กับโครงการใหม่ๆ ที่เปิดตัวโดยใช้ Rig เท่านั้น แต่ยังจูงใจให้นักพัฒนาปรับปรุงกรอบการทำงานของ Rig อีกด้วย
Zerepy เป็นเฟรมเวิร์กที่เพิ่งเปิดตัว ซึ่งได้รับความสนใจอย่างมากเนื่องจากการทำงานร่วมกับ ai16z (เฟรมเวิร์ก Eliza) ซึ่งดึงดูดผู้ร่วมให้ข้อมูลจาก Eliza ที่ทำงานอย่างแข็งขันเพื่อปรับปรุงเฟรมเวิร์กนี้ Zerepy ได้รับการสนับสนุนอย่างกระตือรือร้นซึ่งขับเคลื่อนโดยชุมชน ZEREBRO และกำลังเปิดโอกาสใหม่สำหรับนักพัฒนา Python ที่ก่อนหน้านี้ด้อยโอกาสในโลกที่มีการแข่งขันด้านโครงสร้างพื้นฐาน AI กรอบการทำงานนี้คาดว่าจะมีบทบาทสำคัญในด้านความคิดสร้างสรรค์ของ AI
