Neste relatório, discutimos o panorama dos Frameworks dentro do Crypto X AI. Vamos analisar os tipos atuais (ELIZA, GAME, ARC, ZEREPY) e suas diferenças tecnológicas.

Net/Net:

Revisamos e testamos os 4 principais frameworks ao longo da última semana e nossas conclusões são apresentadas aqui (e sim, há uma folha de trapaça).

Acreditamos que $AI16Z continuará dominando a participação. O valor em Eliza ($ai16z, ~60% de participação de mercado, $900 milhões de capitalização de mercado) é sua vantagem de pioneirismo (Efeito Lindy) e uso acelerado entre desenvolvedores, evidenciado por 193 contribuidores, 1,8k forks e 6000+ estrelas, tornando-o um dos repositórios mais populares no Github.

$GAME(~20% de participação de mercado, capitalização de mercado de $300 milhões), até agora, está muito suave e experimentando uma rápida adoção, como indicado pelo anúncio de hoje da $VIRTUAL indicando 200+ projetos, 150 mil solicitações diárias e crescimento de 200% semana a semana.$GAMEcontinuará a se beneficiar da ascensão da $VIRTUAL e tem potencial para ser um dos maiores vencedores em seu ecossistema.

Rig ($ARC, ~15% de participação de mercado, US$ 160 milhões Mcap) é muito atraente e fácil de operar, dado seu design modular, e pode dominar dentro do ecossistema Solana (RUST) como um "jogo puro".

Zerepy ($ZEREBRO, ~5% market share, $300m Mcap), é uma aplicação mais específica dentro de uma comunidade de culto, sob $ZEREBRO, e sua recente parceria com a comunidade ai16z provavelmente impulsiona sinergias.

Observamos que nossos cálculos de participação de mercado são uma combinação de MCap, histórico de desenvolvimento e amplitude do mercado final do SO subjacente.

Acreditamos que o segmento de Framework será o que mais crescerá durante o ciclo atual, pois ~$1,7 bilhões em valor de mercado combinado poderiam facilmente chegar a $20 bilhões, o que ainda pode ser conservador em comparação com as avaliações de pico em 2021, onde muitos alcançaram mais de $20 bilhões sozinhos em valor de mercado. Embora os 3 atendam a diferentes mercados finais (cadeias/ecossistemas), uma abordagem ponderada em relação ao valor de mercado pode ser a mais prudente, pois vemos o setor como uma maré crescente.

Cheatsheet do Framework:

Nesta tabela, apresentamos as principais tecnologias, componentes e pontos fortes de cada estrutura principal.

Um guia de referência para obter uma visão geral dos frameworks

Introdução aos Frameworks

Na interseção de AI x Crypto, surgiram várias estruturas para facilitar o desenvolvimento de AI. Incluem ELIZA por $AI16Z, RIG por $ARC, ZEREPY pela $ZEREBRO e $GAMEpor $VIRTUAL. Cada estrutura atende a necessidades e filosofias diferentes no desenvolvimento agência, variando de projetos da comunidade de código aberto a soluções empresariais focadas em desempenho.

Este documento primeiro apresenta os frameworks quanto ao que eles são, a linguagem de programação utilizada, arquitetura técnica, algoritmos e recursos exclusivos, com possíveis casos de uso onde o framework pode ser utilizado. Em seguida, comparamos cada framework em termos de usabilidade, escalabilidade, adaptabilidade e desempenho. Juntamente com suas vantagens e limitações.

estrutura ELIZA por @ai16zdaovia@shawmakesmagic

Eliza é uma estrutura de simulação de múltiplos agentes de código aberto, projetada para criar, implantar e gerenciar agentes de IA autônomos. Desenvolvida em TypeScript como linguagem de programação, ela oferece uma plataforma flexível e extensível para construir agentes inteligentes capazes de interagir com humanos em várias plataformas, mantendo personalidades e conhecimentos consistentes.

As principais capacidades deste framework incluem uma arquitetura multiagente que suporta a implementação e gestão de várias personalidades de IA únicas simultaneamente, juntamente com um sistema de personagens para criar agentes diversos utilizando o framework de arquivo de personagens, e uma funcionalidade de gestão de memória através de um sistema avançado de Geração com Recuperação Aumentada (RAG) que oferece memória a longo prazo e consciência contextual. Além disso, o framework Eliza oferece uma integração suave com plataformas para conexão confiável com Discord, X e outras plataformas de mídia social.

Eliza é uma excelente escolha quando se trata de recursos de comunicação e mídia de agentes de IA. Quando se trata de comunicação, a estrutura suporta integração no Discord com recursos de canal de voz, funcionalidade X, Telegram e acesso direto à API para casos de uso personalizados. Por outro lado, os recursos de processamento de mídia da estrutura se estendem à leitura e análise de documentos PDF, extração e sumarização de conteúdo de links, transcrição de áudio, processamento de conteúdo de vídeo, análise de imagem e resumo de conversa para lidar com diversas entradas e saídas de mídia de forma eficaz.

O framework Eliza fornece suporte flexível ao modelo de IA por meio de inferência local com modelos de código aberto, inferência baseada em nuvem via OpenAI e configurações padrão como o Nous Hermes Llama 3.1B, com suporte de integração para Claude lidar com consultas complexas. Eliza utiliza uma arquitetura modular com um extenso sistema de ações, suporte personalizado ao cliente e uma API abrangente, garantindo escalabilidade e adaptabilidade em aplicações.

Os casos de uso para Eliza abrangem vários domínios, como: assistentes de IA para suporte ao cliente, moderação de comunidades e tarefas pessoais, bem como personas de mídia social como criadores de conteúdo automatizados, bots de engajamento e representantes de marca. Também atua como trabalhador do conhecimento para funções como assistente de pesquisa, analista de conteúdo e processador de documentos, e suporta personagens interativos na forma de bots de interpretação de papéis, tutores educacionais e agentes de entretenimento.

A arquitetura do Eliza gira em torno de um tempo de execução de agente, que se integra perfeitamente com seu sistema de personagens (suportado por um provedor de modelo), gerenciador de memória (conectado a um banco de dados) e sistema de ação (ligado a clientes de plataforma). Recursos exclusivos do framework incluem um sistema de plug-in que permite a extensão modular da funcionalidade, suporte para interações multimodais como voz, texto e mídia, e compatibilidade com os principais modelos de IA como Llama, GPT-4 e Claude. Com seu design versátil e robusto, o Eliza se destaca como uma ferramenta poderosa para o desenvolvimento de aplicativos de IA em diversos domínios.

Estrutura G.A.M.E por @virtuals_iovia @everythingempt0

O Generative Autonomous Multimodal Entities Framework (G.A.M.E), foi projetado para fornecer aos desenvolvedores acesso à API e ao SDK para experimentação de agentes de IA. Essa estrutura oferece uma abordagem estruturada para gerenciar o comportamento do agente de IA, a tomada de decisões e os processos de aprendizagem.

Os principais componentes são: Primeiro, uma Interface de Prompt de Agente como ponto de entrada para os desenvolvedores integrarem o GAME em um agente para acessar o comportamento agente. O Subsistema de Percepção inicia sessões especificando parâmetros como IDs de sessão, IDs de agente, usuários e outros detalhes relevantes.

Ele sintetiza mensagens recebidas em um formato adequado para o Motor de Planejamento Estratégico, atuando como mecanismo de entrada sensorial para agentes de IA, seja na forma de diálogo ou reações. Central para isso está o Módulo de Processamento de Diálogo para processar mensagens e respostas do agente e colaborar com o Subsistema de Percepção para interpretar e responder aos inputs de forma eficaz.

O Strategic Planning Engine funciona em conjunto com o Módulo de Processamento de Diálogo e o operador de carteira on-chain, gera respostas e planos. Este mecanismo funciona em dois níveis: como um planejador de alto nível para criar estratégias amplas com base no contexto ou metas e como uma política de baixo nível para traduzir essas estratégias em políticas acionáveis, que é posteriormente dividida em um Planejador de Ação para especificar tarefas e um Executor de Plano para executá-las.

Um componente separado, mas crítico, é o Contexto Mundial, que faz referência ao ambiente, informações mundiais e estados do jogo, fornecendo contexto essencial para a tomada de decisão do agente. Além disso, o Repositório do Agente para armazenar atributos de longo prazo, como metas, reflexões, experiências e personalidades, que moldam coletivamente o comportamento e os processos de tomada de decisão do agente.

Este framework utiliza uma memória de trabalho de curto prazo e um processador de memória de longo prazo. A memória de curto prazo retém informações relevantes sobre ações anteriores, resultados e planos atuais. Em contraste, o processador de memória de longo prazo extrai informações-chave com base em critérios como importância, atualidade e relevância. Esta memória armazena conhecimentos sobre as experiências do agente, reflexões, personalidade dinâmica, contexto mundial e memória de trabalho para aprimorar a tomada de decisões e fornecer uma base para a aprendizagem.

Para adicionar ao layout, o Módulo de Aprendizagem consome dados do Subsistema de Percepção para gerar conhecimento geral, que é alimentado de volta ao sistema para refinar interações futuras. Os desenvolvedores podem inserir feedback sobre ações, estados de jogo e dados sensoriais através da interface para aprimorar a aprendizagem do agente de IA e melhorar suas capacidades de planejamento e tomada de decisão.

O fluxo de trabalho começa com os desenvolvedores interagindo através da Interface de Prompt do Agente. As entradas são processadas pelo Subsistema de Percepção e encaminhadas para o Módulo de Processamento de Diálogo, que gerencia a lógica de interação. O Motor de Planejamento Estratégico formula e executa planos com base nessas informações, utilizando estratégias de alto nível e planejamento de ação detalhado.

Dados do Repositório de Contexto Mundial e Agente informam esses processos, enquanto a Memória de Trabalho acompanha tarefas imediatas. Simultaneamente, o Processador de Memória de Longo Prazo armazena e recupera conhecimento ao longo do tempo. O Módulo de Aprendizagem analisa os resultados e integra novos conhecimentos no sistema, possibilitando melhoria contínua no comportamento e interações do agente.

estrutura RIG por @arcdotfunvia @Playgrounds0x

Rig é um framework de código aberto baseado em Rust projetado para agilizar o desenvolvimento de aplicativos de Modelo de Linguagem Grande. Ele fornece uma interface unificada para interagir com vários provedores de MLM, como OpenAI e Anthropic, e suporta vários armazenamentos de vetores, incluindo MongoDB e Neo4j. A arquitetura modular do framework apresenta componentes principais como a Camada de Abstração de Provedor, Integração de Armazenamento de Vetor e um Sistema de Agente para facilitar interações perfeitas de MLM.

O público principal para Rig inclui desenvolvedores criando aplicativos de IA/ML em Rust, enquanto seu público secundário é composto por organizações que procuram integrar vários provedores de LLM e armazenamentos de vetor em seus aplicativos Rust. O repositório é organizado usando uma estrutura baseada em espaço de trabalho com várias caixas, permitindo escalabilidade e gerenciamento eficiente de projetos. As principais características incluem a Camada de Abstração de Provedor, que padroniza APIs para conclusão e incorporação em provedores de LLM com tratamento consistente de erros. O componente de Integração de Armazenamento de Vetor oferece uma interface abstrata para vários back-ends e suporta pesquisas de similaridade de vetor. O Sistema de Agente simplifica as interações de LLM, suportando Geração Aumentada de Recuperação (RAG) e integração de ferramentas. Além disso, o Framework de Incorporações fornece capacidades de processamento em lote e operações de incorporação com tipo seguro.

Rig aproveita várias vantagens técnicas para garantir confiabilidade e desempenho. As operações assíncronas utilizam o tempo de execução async do Rust para lidar eficientemente com várias solicitações simultâneas. Os mecanismos de tratamento de erros inerentes ao framework melhoram a resiliência contra falhas de provedores de IA ou operações de banco de dados. A segurança de tipo evita erros em tempo de compilação, aprimorando a manutenibilidade do código. Processos eficientes de serialização e desserialização facilitam o manuseio de dados para formatos como JSON, crucial para comunicação e armazenamento de serviços de IA. O registro detalhado e a instrumentação auxiliam ainda mais na depuração e monitoramento de aplicativos.

O fluxo de trabalho no Rig começa quando um cliente inicia uma solicitação, que flui através da Camada de Abstração do Provedor para interagir com o modelo LLM apropriado. Os dados são então processados pela camada central, onde os agentes podem usar ferramentas ou acessar bancos de vetores para contexto. As respostas são geradas e refinadas através de fluxos de trabalho complexos como RAG, que envolve recuperação de documentos e compreensão de contexto, antes de serem devolvidas ao cliente. O sistema integra vários provedores LLM e bancos de vetores, permitindo adaptabilidade a disponibilidade ou alterações de desempenho do modelo.

Os diversos casos de uso do Rig incluem sistemas de perguntas e respostas que recuperam documentos relevantes para fornecer respostas precisas, pesquisa e recuperação de documentos para descoberta eficiente de conteúdo, e chatbots ou assistentes virtuais que fornecem interações contextuais para serviço ao cliente ou educação. Ele também suporta a geração de conteúdo, permitindo a criação de texto e outros materiais com base em padrões aprendidos, tornando-se uma ferramenta versátil para desenvolvedores e organizações.

Framework Zerepy por @0xzerebro e @blorm_via @jyu_eth

ZerePy é um framework de código aberto, escrito em Python, projetado para implantar agentes em X, utilizando OpenAI ou Anthropic LLMs. Derivado de uma versão modularizada do backend do Zerebro, o ZerePy permite que os desenvolvedores lancem agentes com funcionalidade semelhante às principais características do Zerebro. Embora o framework forneça uma base para a implantação de agentes, é necessário ajustar os modelos para gerar saídas criativas. O ZerePy simplifica o desenvolvimento e a implantação de agentes de IA personalizados, principalmente para criação de conteúdo em plataformas sociais, promovendo um ecossistema de criatividade impulsionado por IA voltado para aplicações artísticas e descentralizadas.

A estrutura, construída em Python, enfatiza a autonomia do agente com foco na geração de saída criativa, alinhando-se com a arquitetura da ELIZA + Parceria com ELIZA. Seu design modular suporta a integração do sistema de memória e facilita a implantação do agente em plataformas sociais. As principais características incluem uma interface de linha de comando para gerenciamento de agentes, integração com o Twitter, suporte para OpenAI e Anthropic LLMs, e um sistema de conexão modular para funcionalidade aprimorada.

Os casos de uso da ZerePy abrangem a automação de mídias sociais, onde os usuários podem implantar agentes de IA para postar, responder, curtir e retuitar, aumentando o engajamento da plataforma. Além disso, atende à criação de conteúdo em áreas como música, memes e NFTs, tornando-se uma ferramenta valiosa para artes digitais e plataformas de conteúdo baseadas em blockchain.

Comparação entre os quatro frameworks

Na nossa opinião, cada framework oferece uma abordagem única para o desenvolvimento de IA, atendendo às necessidades e ambientes específicos, o que afasta o debate sobre esses frameworks serem concorrentes e se aproxima dos argumentos de cada framework oferecendo uma proposição única.

ELIZA se destaca por sua interface amigável, especialmente para desenvolvedores familiarizados com JavaScript e ambientes Node.js. Sua documentação abrangente ajuda a configurar agentes de IA em várias plataformas, embora seu extenso conjunto de recursos possa apresentar uma curva de aprendizado moderada. Desenvolvido em TypeScript, torna Eliza ideal para construir agentes incorporados na web, já que a maior parte do front-end da infraestrutura da web é construída em typescript. O framework se destaca com sua arquitetura multi-agente, permitindo a implantação de diversas personalidades de IA em plataformas como Discord, X e Telegram. Seu sistema avançado de RAG para gerenciamento de memória o torna especialmente eficaz para assistentes de IA em aplicativos de suporte ao cliente ou mídia social. Embora forneça flexibilidade, forte suporte da comunidade e desempenho consistente em várias plataformas, ainda está em estágios iniciais e pode apresentar uma curva de aprendizado para desenvolvedores.

GAME, projetado com desenvolvedores de jogos em mente, oferece interfaces de baixo código ou sem código por meio de uma API, tornando-o acessível para usuários menos técnicos dentro do setor de jogos. No entanto, seu foco especializado no desenvolvimento de jogos e integração blockchain pode representar uma curva de aprendizado íngreme para aqueles sem experiência relevante. Ele se destaca pela geração de conteúdo procedural e comportamento de NPC, mas é limitado pelo seu foco de nicho e pela complexidade adicionada pela integração blockchain.

Devido ao uso do Rust, o Rig pode ser menos amigável ao usuário devido à complexidade da linguagem, representando um grande desafio de aprendizado, mas para aqueles versados em programação de sistemas, ele oferece interação intuitiva. A linguagem de programação em si é conhecida por desempenho e segurança de memória em comparação com o typescript. Ele vem com verificações rigorosas em tempo de compilação e abstrações de custo zero que são necessárias para executar algoritmos de IA complexos. A linguagem é eficiente e seu controle de baixo nível a torna ideal para aplicativos de IA intensivos em recursos. Este framework oferece soluções de alta performance com um design modular e escalável, tornando-o ideal para aplicações empresariais. No entanto, o uso do Rust introduz uma curva de aprendizado íngreme para os desenvolvedores que não estão familiarizados com a linguagem.

ZerePy, utilizando Python, fornece alta usabilidade para tarefas de IA criativa, com uma curva de aprendizado mais baixa para desenvolvedores Python, especialmente aqueles com formação em IA/ML, e se beneficia de um forte apoio da comunidade devido ao envolvimento do Zerebro na comunidade cripto. Excelente em aplicações de IA criativa como NFTs, posicionando-se como uma ferramenta poderosa para mídia digital e artes. Embora prospere na criatividade, seu escopo é relativamente mais estreito em comparação com outras estruturas.

Em termos de escalabilidade, ELIZA tem feito avanços com sua atualização V2, que introduz um barramento de mensagens unificado e um framework central escalável, permitindo gerenciamento eficiente em várias plataformas. No entanto, gerenciar essa interação multiplataforma pode introduzir desafios de escalabilidade se não for otimizado.

GAME se destaca no processamento em tempo real necessário para jogos, onde a escalabilidade é gerenciada por meio de algoritmos eficientes e potencialmente sistemas distribuídos de blockchain, embora possa ser limitada pelas restrições específicas do motor de jogo ou da rede de blockchain.

O Rig Framework aproveita o desempenho do Rust para escalabilidade, projetado de forma inerente para aplicativos de alto rendimento, o que pode ser particularmente eficaz para implantações em nível empresarial, embora isso possa significar configurações complexas para alcançar uma verdadeira escalabilidade.

A escalabilidade da Zerepy é voltada para saídas criativas, apoiada por contribuições da comunidade, mas seu foco pode limitar sua aplicação em contextos mais amplos de IA, com escalabilidade potencialmente testada pela diversidade de tarefas criativas em vez do volume de usuários.

Em relação à adaptabilidade, a ELIZA lidera com seu sistema de plug-ins e compatibilidade multiplataforma, seguida por GAME dentro de ambientes de jogos e Rig para lidar com tarefas complexas de IA. O ZerePy demonstra alta adaptabilidade em domínios criativos, mas é menos adequado para aplicações de IA mais amplas.

Em termos de desempenho, ELIZA é otimizada para interações rápidas nas redes sociais, onde tempos de resposta rápidos são essenciais, mas seu desempenho pode variar ao lidar com tarefas computacionais mais complexas.

GAME pela Virtual Protocol foca na interação em tempo real de alta performance em cenários de jogos, utilizando processos de tomada de decisão eficientes e possivelmente blockchain para operações de IA descentralizadas.

O Rig Framework, com sua base em Rust, oferece excelente desempenho para tarefas de computação de alto desempenho, adequado para aplicações empresariais onde a eficiência computacional é fundamental.

O desempenho do Zerepy é adaptado para a criação de conteúdo criativo, com métricas centradas na eficiência e qualidade da geração de conteúdo, potencialmente menos versátil fora dos domínios criativos.

Considerando as vantagens, a ELIZA oferece flexibilidade e extensibilidade, tornando-a altamente adaptável por meio de seu sistema de plug-ins e configuração de personagens, beneficiando as interações de IA social em várias plataformas.

GAME oferece capacidades únicas de interação em tempo real dentro de jogos, aprimoradas pela integração da blockchain para um envolvimento inovador de IA.

A vantagem do Rig reside em seu desempenho e escalabilidade para tarefas de IA empresarial, com foco em código limpo e modular para a saúde do projeto a longo prazo.

Zerepy se destaca em fomentar a criatividade, liderando em aplicações de IA para artes digitais, apoiado por um modelo de desenvolvimento impulsionado por uma comunidade vibrante.

Cada estrutura tem suas limitações, ELIZA ainda está em seus estágios iniciais com possíveis problemas de estabilidade e uma curva de aprendizado para novos desenvolvedores, o foco de nicho do Game pode limitar aplicações mais amplas, e blockchain adiciona complexidade, a íngreme curva de aprendizado do Rig devido ao Rust poderia desencorajar alguns desenvolvedores, e o foco estreito do Zerepy em saídas criativas pode restringir seu uso em outros campos de IA.

Principais pontos de comparação de estruturas

Rig ($ARC):

Linguagem: Rust, focando em segurança e desempenho.

Use Case: Ideal para aplicações de IA em nível empresarial devido ao seu foco na eficiência e escalabilidade.

Comunidade: Menos orientada pela comunidade, mais focada em desenvolvedores técnicos.

Eliza ($AI16Z):

Linguagem: TypeScript, enfatizando a flexibilidade do web3 e o envolvimento da comunidade.

Casos de uso: Projetado para interações sociais, DAOs e negociação, com forte ênfase em sistemas multiagentes.

Comunidade: Altamente orientada pela comunidade, com amplo envolvimento no GitHub.

ZerePy ($ZEREBRO):

Linguagem: Python, tornando-a acessível para uma base mais ampla de desenvolvedores de IA.

Use Case: Adequado para automação de mídias sociais e tarefas mais simples de agente de IA.

Comunidade: Relativamente nova, mas preparada para o crescimento devido à popularidade do Python + suporte dos contribuidores da AI16Z.

GAME ($VIRTUAL):

Foco: Em agentes de IA autônomos e adaptáveis que podem evoluir com base em interações dentro de ambientes virtuais.

Caso de Uso: Melhor para cenários onde os agentes precisam aprender e se adaptar, como jogos ou mundos virtuais.

Comunidade: inovadora, mas ainda definindo seu nicho em meio à concorrência.

Histórico de estrelas no Github

Histórico de Estrelas do Github

A ilustração acima é uma referência à história das estrelas do GitHub dos frameworks desde o seu lançamento. Nota-se que as estrelas do GitHub servem como um indicador do interesse da comunidade, da popularidade do projeto e do valor percebido do projeto.

ELIZA - Linha Vermelha:

Demonstra um aumento significativo e constante no número de estrelas, a partir de uma base baixa em julho e experimentando um aumento significativo de estrelas a partir do final de novembro, atingindo 6,1 mil estrelas. Isso indica um rápido aumento de interesse que capturou a atenção dos desenvolvedores. O crescimento exponencial sugere que ELIZA ganhou tração substancial devido às suas características, atualizações e engajamento da comunidade. Sua popularidade supera em muito as outras, o que indica forte apoio da comunidade e maior aplicabilidade ou interesse na comunidade de IA.

RIG - Linha Azul:

Rig é o mais antigo entre os quatro, mostrando um crescimento modesto, mas consistente em estrelas, com um aumento perceptível no mês em curso. Ele alcançou 1,7 mil estrelas, mas está em uma trajetória ascendente. A acumulação constante de interesse é devido ao desenvolvimento contínuo, atualizações e uma base de usuários em crescimento. Isso pode refletir uma audiência de nicho ou um framework que ainda está construindo sua reputação.

ZEREPY - Linha Amarela:

ZerePy foi lançado há apenas alguns dias e já possui 181 estrelas. É destacado que ZerePy precisa de mais desenvolvimento para aumentar sua visibilidade e adoção. A parceria com $AI16Z provavelmente atrairá mais colaboradores para a base de código.

GAME - Linha Verde:

Este projeto tem um número mínimo de estrelas, é observado que este framework pode ser aplicado diretamente em agentes dentro do ecossistema virtual através de uma API, o que elimina a necessidade de visibilidade no Github. No entanto, este framework só ficou disponível para os construtores publicamente há pouco mais de um mês, com mais de 200 projetos sendo construídos com GAME.

Tese do touro para os frameworks

A versão 2 da Eliza incluirá integração com o kit de agente da Coinbase. Todos os projetos que usam a Eliza terão suporte futuro para TEE nativo, permitindo que os agentes operem em ambientes seguros. Um recurso futuro da Eliza é o Plugin Registry, que permite que os desenvolvedores registrem e integrem plugins de forma transparente.

Além disso, o Eliza V2 irá suportar mensagens automatizadas e anônimas entre plataformas. O whitepaper de Tokenomics, programado para ser lançado em 1º de janeiro de 2025, é esperado ter um impacto positivo no token AI16Z, que é a base do framework Eliza. A AI16Z planeja continuar aprimorando a utilidade do framework, aproveitando a integração de talentos de alta qualidade, como demonstrado pelos esforços de seu principal colaborador.

O framework GAME oferece integração sem código para agentes, permitindo o uso simultâneo de GAME e ELIZA em um único projeto, cada um servindo a propósitos específicos. Esta abordagem deve atrair construtores focados na lógica de negócios em vez de complexidades técnicas. Apesar de estar disponível ao público há pouco mais de 30 dias, o framework tem visto progressos substanciais, apoiado pelos esforços da equipe para incorporar mais contribuidores. Espera-se que todo projeto lançado em $VIRTUAL adote o GAME.

Rig, representado pelo $ARCtoken, tem um potencial significativo, embora o crescimento de sua estrutura esteja em estágios iniciais. O programa de aperto de mão para embarcar projetos usando Rig está ativo há apenas alguns dias. No entanto, projetos de qualidade emparelhados com ARC são antecipados em breve, semelhante à roda virtual, mas com foco em Solana. A equipe está otimista com uma parceria com Solana, posicionando ARC para Solana como Virtual é para Base. Notavelmente, a equipe incentiva não apenas novos projetos lançados com Rig, mas também desenvolvedores para aprimorar a própria estrutura do Rig.

Zerepy, um framework recém-lançado, está ganhando tração devido à sua parceria com $AI16Z (Eliza). O framework atraiu contribuidores da Eliza, que estão trabalhando ativamente para melhorá-lo. Ele desfruta de um seguimento cult, impulsionado pelos fãs de $ZEREBRO, e abriu novas oportunidades para os desenvolvedores Python, que anteriormente não tinham representação no cenário competitivo da infraestrutura de IA. Este framework está pronto para desempenhar um papel significativo nos aspectos criativos da IA.

Aviso legal:

1. Este artigo foi reproduzido de [X]. Todos os direitos autorais pertencem ao autor original [@DV_Memetics]. Se houver objeções a este reenvio, entre em contato com o Portão Aprendaequipe e eles vão lidar com isso prontamente.
2. Isenção de responsabilidade: as opiniões e pontos de vista expressos neste artigo são exclusivamente do autor e não constituem aconselhamento de investimento.
3. A equipe do Gate Learn traduziu o artigo para outras línguas. Copiar, distribuir ou plagiar os artigos traduzidos é proibido, a menos que mencionado.