مقارنة بين أربعة أطر عمل Crypto X AI: ELIZA وGAME وARC وZEREPY

المؤلف: Deep Value Memetics ، ترجمة Golden Finance xiaozou

في هذه المقالة ، سنستكشف آفاق إطار العمل Crypto X AI. سنركز على أربعة أطر رئيسية حالية (ELIZA و GAME و ARC و ZEREPY) والفروق التقنية بينها.

1، المقدمة

لقد قمنا بدراسة واختبار أربعة أطر رئيسية من Crypto X AI وهي ELIZA و GAME و ARC و ZEREPY على مدار الأسبوع الماضي، وكانت استنتاجاتنا كما يلي.

نحن نعتقد أن AI16Z ستظل تهيمن. تكمن قيمة Eliza (حصة السوق حوالي 60٪، والقيمة السوقية تتجاوز مليار دولار) في ميزتها التنافسية الأولى (أثر ليندي) وزيادة عدد المطورين الذين يستخدمونها، حيث تثبت البيانات مثل 193 مساهمًا و 1800 تفرع و6000 نجمة أنها واحدة من أكثر مستودعات التعليمات البرمجية شعبية على Github.

حتى الآن، كان تطور GAME (الذي يمثل حوالي 20% من السوق، ويمتلك قيمة سوقية تقريبًا 300 مليون دولار) سلسًا جدًا، وهو يكتسب اعتمادًا سريعًا، كما أعلنت VIRTUAL مؤخرًا، أن المنصة تحتوي على أكثر من 200 مشروع، و150,000 طلب يومي، ومعدل نمو أسبوعي بنسبة 200%. ستستمر GAME في الاستفادة من صعود VIRTUAL، وستصبح واحدة من أكبر الرابحين في نظامها البيئي.

يعتبر Rig (ARC، بحصة سوقية تقارب 15%، وقيمة سوقية حوالي 160 مليون دولار) جذابًا للغاية بسبب تصميمه القابل للتعديل الذي يسهل تشغيله، ويمكن أن يتواجد ك"pure-play" في نظام سولانا البيئي (RUST).

Zerepy (حصة السوق حوالي 5%، القيمة السوقية حوالي 300 مليون دولار) هو تطبيق نادر نسبياً، يستهدف مجتمع ZEREBRO المتحمس، وقد يؤدي التعاون الأخير مع مجتمع ai16z إلى تحقيق تأثيرات تآزرية.

نلاحظ أن حساب حصتنا في السوق يغطي القيمة السوقية وسجلات التطوير وسوق أنظمة التشغيل الأساسية.

نعتقد أنه خلال دورة السوق الحالية، سيكون تقسيم إطار العمل هو المجال الأسرع نمواً، حيث يمكن أن تصل القيمة السوقية الإجمالية البالغة 1.7 مليار دولار بسهولة إلى 20 مليار دولار، وهو أمر لا يزال محافظاً نسبياً مقارنةً بقيمة الذروة لـ L1 في عام 2021، عندما تجاوزت تقييمات العديد من L1 20 مليار دولار. على الرغم من أن هذه الأطر تخدم أسواقاً نهائية مختلفة (سلاسل/نظم بيئية)، إلا أننا نعتقد أن هذا المجال في اتجاه تصاعدي مستمر، وقد تكون طريقة الوزن السوقي هي الأكثر حذراً.

2، الأربعة أطر

في الجدول أدناه، أدرجنا التقنيات الرئيسية والمكونات والمزايا لكل إطار رئيسي.

! 9QWj2COuwGQYXBstk6MThoHfphrEq4UXz95DfgzC.png

（1）نظرة عامة على الإطار

في مجال تقاطع الذكاء الاصطناعي مع العملات المشفرة، هناك عدة أطر تعزز من تطوير الذكاء الاصطناعي. وهي ELIZA من AI16Z، RIG من ARC، ZEREBRO من ZEREPY، وVIRTUAL من GAME. كل إطار يلبي احتياجات ومفاهيم مختلفة في عملية تطوير وكيل الذكاء الاصطناعي، من مشاريع المجتمع مفتوحة المصدر إلى الحلول المؤسسية التي تركز على الأداء.

تقدم هذه المقالة أولاً إطارات العمل، وتخبر الجميع ما هي، وما هي لغات البرمجة، وهياكل التقنية، والخوارزميات المستخدمة، وما هي الوظائف الفريدة التي تمتلكها، وما هي حالات الاستخدام المحتملة التي يمكن للإطارات العمل بها. ثم نقارن كل إطار عمل من حيث القابلية للاستخدام، والقابلية للتوسع، والتكيف، والأداء، ونستكشف مزاياها وقيودها.

ELIZA (تطوير ai16z)

إليزا هو إطار عمل مفتوح المصدر لمحاكاة متعددة الوكلاء ، يهدف إلى إنشاء ونشر وإدارة وكلاء ذكاء اصطناعي مستقلين. تم تطويره بلغة البرمجة TypeScript ، ويوفر منصة مرنة وقابلة للتوسع لبناء وكلاء أذكياء قادرين على التفاعل مع البشر عبر منصات متعددة والحفاظ على شخصية ومعرفة متسقة.

تشمل الوظائف الأساسية لهذا الإطار بنية متعددة الوكلاء تدعم نشر وإدارة العديد من الشخصيات الذكية الفريدة في نفس الوقت، بالإضافة إلى نظام أدوار لإنشاء وكلاء مختلفين باستخدام إطار عمل ملفات الأدوار، وميزات إدارة الذاكرة التي تدعم الذاكرة طويلة الأمد وفهم السياق عبر نظام تعزيز الاسترجاع (RAG). بالإضافة إلى ذلك، يوفر إطار Eliza تكاملًا سلسًا للمنصة، مما يتيح الاتصال الموثوق مع Discord وX وغيرها من منصات التواصل الاجتماعي.

من حيث وظائف الاتصال ووسائط الإعلام لوكيل الذكاء الاصطناعي، فإن Eliza هو خيار ممتاز. في ما يتعلق بالاتصالات، يدعم هذا الإطار تكامل وظائف قنوات الصوت على Discord، وX، وTelegram، والوصول المباشر إلى API للحالات المخصصة. من ناحية أخرى، يمكن توسيع وظائف معالجة الوسائط في هذا الإطار لتشمل قراءة وتحليل وثائق PDF، واستخراج المحتوى من الروابط والتلخيص، ونقل الصوت، ومعالجة محتوى الفيديو، وتحليل الصور، وتلخيص المحادثات، مما يمكنه من التعامل بكفاءة مع جميع أنواع المدخلات والمخرجات الإعلامية.

إطار Eliza يوفر دعمًا مرنًا لنماذج الذكاء الاصطناعي من خلال الاستدلال المحلي للنماذج مفتوحة المصدر، واستدلال السحابة من OpenAI، والتكوين الافتراضي (مثل Nous Hermes Llama 3.1B)، ويشمل أيضًا دعم Claude لمعالجة المهام المعقدة. تعتمد Eliza على هيكلية معيارية، ولديها دعم واسع لأنظمة التشغيل، والعملاء المخصصين، وواجهة برمجة التطبيقات الشاملة، مما يضمن قابلية التوسع والتكيف بين التطبيقات.

تتجاوز حالات استخدام Eliza مجالات متعددة، مثل: مساعد الذكاء الاصطناعي للدعم العملاء، ومراجعة المجتمع، والمهام الشخصية، بالإضافة إلى كونه منشئ محتوى تلقائي، وروبوتات تفاعلية، وممثلين للعلامة التجارية في أدوار وسائل التواصل الاجتماعي. يمكنه أيضًا أن يعمل كعامل معرفي، يؤدي دور مساعد البحث، ومحلل المحتوى، ومعالج الوثائق، ويدعم أشكال الأدوار التفاعلية مثل الروبوتات التي تلعب الأدوار، والمدربين التعليميين، ووكلاء العقارات.

تم بناء هيكل Eliza حول وقت تشغيل الوكلاء (agent runtime)، حيث يتكامل وقت تشغيل الوكلاء بسلاسة مع نظام الأدوار (المدعوم من قبل مزودي النماذج)، ومدير الذاكرة (المتصل بقاعدة البيانات)، ونظام التشغيل (المربوط بعميل المنصة). تشمل الميزات الفريدة للإطار نظام المكونات الإضافية الذي يدعم توسيع الوظائف بشكل وحداتي، ويدعم التفاعل متعدد الوسائط مثل الصوت والنص والوسائط، ويتوافق مع النماذج الرائدة في الذكاء الاصطناعي (مثل Llama و GPT-4 و Claude). بفضل تصميمه المتنوع والقوي، تبرز Eliza كأداة قوية لتطوير تطبيقات الذكاء الاصطناعي عبر المجالات.

G.A.M.E (تطوير بواسطة بروتوكول Virtuals)

الإطار المتعدد الأنماط الذاتي التوليدي (G.A.M.E) يهدف إلى تزويد المطورين بإمكانية الوصول إلى واجهات برمجة التطبيقات (API) ومجموعات تطوير البرمجيات (SDK) لإجراء تجارب وكيل الذكاء الاصطناعي. يوفر هذا الإطار نهجًا منظمًا لإدارة سلوك وقرارات وعمليات تعلم وكيل الذكاء الاصطناعي.

المكونات الأساسية هي كما يلي: أولاً، واجهة تلميحات الوكيل (Agent Prompting Interface) هي نقطة الدخول التي تمكن المطورين من دمج GAME في الوكيل للوصول إلى سلوك الوكيل. يبدأ النظام الفرعي للإدراك (Perception Subsystem) الجلسة من خلال تحديد معلمات مثل معرف الجلسة (session ID)، معرف الوكيل (agent ID)، المستخدم، وتفاصيل أخرى ذات صلة.

إنه يجمع المعلومات الداخلة في تنسيق مناسب لمحرك التخطيط الاستراتيجي (Strategic Planning Engine) ليعمل كآلية إدخال شعورية لوكيل الذكاء الاصطناعي، سواء في شكل حوار أو ردود. جوهره هو وحدة معالجة الحوار، التي تتعامل مع الرسائل والردود القادمة من الوكيل، وتعمل بالتعاون مع نظام الإدراك لتفسير المدخلات والرد عليها بفعالية.

تعمل محرك تخطيط الاستراتيجية ووحدة معالجة الحوار وموظف المحفظة على السلسلة معًا لإنشاء استجابات وخطط. تحتوي وظائف هذا المحرك على مستويين: كمنظم عالي المستوى، يقوم بإنشاء استراتيجيات واسعة بناءً على السياق أو الأهداف؛ وكاستراتيجية منخفضة المستوى، تقوم بتحويل هذه الاستراتيجيات إلى استراتيجيات قابلة للتنفيذ، والتي تنقسم بدورها إلى منظم عمليات لتحديد المهام ومنفذ خطط لتنفيذ المهام.

هناك مكون مستقل ولكنه مهم وهو World Context (سياق العالم) ، الذي يشير إلى البيئة والمعلومات العالمية وحالة اللعبة ، مما يوفر السياق الضروري لقرارات الوكيل. بالإضافة إلى ذلك ، يتم استخدام Agent Repository (مستودع الوكيل) لتخزين الخصائص طويلة الأجل مثل الأهداف والتفكير والتجارب والشخصية ، والتي تشكل بشكل مشترك سلوك الوكيل وعملية اتخاذ القرار.

تستخدم هذه الإطار معالج الذاكرة قصيرة المدى والذاكرة طويلة المدى. تحتفظ الذاكرة قصيرة المدى بمعلومات ذات صلة حول السلوكيات السابقة والنتائج والخطط الحالية. بالمقابل، يقوم معالج الذاكرة طويلة المدى باستخراج المعلومات الرئيسية بناءً على معايير مثل الأهمية، والحداثة، والملاءمة. تخزن الذاكرة طويلة المدى خبرات الوكيل، والتفكير، والشخصية الديناميكية، وسياق العالم، والمعرفة المتعلقة بالذاكرة العاملة، لتعزيز اتخاذ القرار وتوفير أساس للتعلم.

تستخدم وحدة التعلم البيانات المستمدة من نظام الإدراك لتوليد المعرفة العامة، والتي يتم إعادتها إلى النظام لتحسين التفاعلات المستقبلية. يمكن للمطورين إدخال ملاحظات حول الإجراءات، وحالة اللعبة، وبيانات الحسية عبر الواجهة لتعزيز قدرة التعلم لوكيل الذكاء الاصطناعي، وزيادة قدراته في التخطيط واتخاذ القرار.

تبدأ سير العمل بتفاعل المطورين من خلال واجهة تلميح الوكيل. يتم معالجة المدخلات بواسطة نظام الاستشعار وإعادة توجيهها إلى وحدة معالجة المحادثة، حيث تتولى وحدة معالجة المحادثة إدارة منطق التفاعل. بعد ذلك، يقوم محرك التخطيط الاستراتيجي بوضع وتنفيذ الخطط بناءً على هذه المعلومات، مستفيدًا من الاستراتيجيات عالية المستوى وخطط العمل التفصيلية.

تقوم بيانات الإخطار من سياق العالم ومستودعات الوكلاء بإعلام هذه العمليات، بينما تتعقب الذاكرة العاملة المهام الفورية. في الوقت نفسه، يقوم معالج الذاكرة طويلة الأجل بتخزين واسترجاع المعرفة طويلة الأجل. تقوم وحدات التعلم بتحليل النتائج ودمج المعرفة الجديدة في النظام، مما يتيح تحسين سلوك الوكلاء وتفاعلاتهم بشكل مستمر.

RIG (تم تطويره بواسطة ARC)

Rig هو إطار عمل مفتوح المصدر بلغة Rust، يهدف إلى تبسيط تطوير تطبيقات نماذج اللغة الكبيرة. يوفر واجهة موحدة للتفاعل مع العديد من مزودي LLM مثل OpenAI وAnthropic، ويدعم مجموعة متنوعة من تخزين المتجهات بما في ذلك MongoDB وNeo4j. تكمن خصوصية الهيكلية المعيارية لهذا الإطار في مكوناته الأساسية، مثل طبقة التجريد لمزودي الخدمات (Provider Abstraction Layer)، وتكامل تخزين المتجهات، ونظام الوكيل، لتسهيل التفاعل السلس مع LLM.

تشمل الجمهور الرئيسي لـ Rig المطورين الذين يستخدمون Rust لبناء تطبيقات الذكاء الاصطناعي / التعلم الآلي، يليهم المنظمات التي تسعى إلى دمج مزودي LLM المتعددين وتخزين المتجهات في تطبيقات Rust الخاصة بهم. يستخدم المستودع بنية مساحة العمل، مع عدة حزم، مما يدعم القابلية للتوسع وإدارة المشاريع بكفاءة. تشمل الميزات الرئيسية طبقة تجريد المزود، التي توفر معيارًا لإكمال ودمج واجهات برمجة التطبيقات بين مزودي LLM المختلفين، مع معالجة أخطاء متسقة. يوفر مكون تكامل تخزين المتجهات واجهة تجريدية لعدة خلفيات، ويدعم بحث تشابه المتجهات. يبسط نظام الوكيل التفاعل مع LLM، ويدعم الاسترجاع المعزز للتوليد (RAG) وتكامل الأدوات. بالإضافة إلى ذلك، توفر إطار العمل للدمج أيضًا ميزات المعالجة الدفعة وعمليات الدمج ذات الأمان النوعي.

تستخدم Rig العديد من المزايا التقنية لضمان الموثوقية والأداء. تستفيد العمليات غير المتزامنة من وقت التشغيل غير المتزامن لـ Rust لمعالجة عدد كبير من الطلبات المتزامنة بفعالية. آلية معالجة الأخطاء المدمجة في الإطار تعزز القدرة على التعافي من فشل مزودي الذكاء الاصطناعي أو عمليات قاعدة البيانات. يمكن أن تمنع سلامة النوع الأخطاء أثناء عملية الترجمة، مما يعزز من قابلية صيانة الشيفرة. تدعم عمليات التسلسل وإعادة التسلسل الفعالة معالجة البيانات بتنسيقات مثل JSON، وهو أمر حيوي لتواصل وتخزين خدمات الذكاء الاصطناعي. تساعد السجلات التفصيلية والمراقبة بشكل أكبر في تصحيح الأخطاء ومراقبة التطبيق.

تبدأ سير عمل Rig عندما يرسل العميل طلبًا، ويتفاعل هذا الطلب مع نموذج LLM المناسب من خلال طبقة تجريد المزود. بعد ذلك، يتم معالجة البيانات بواسطة الطبقة الأساسية، حيث يمكن للوكلاء استخدام الأدوات أو الوصول إلى تخزين المتجهات للسياق. يتم إنشاء وتنقيح الاستجابة من خلال سير عمل معقد (مثل RAG) قبل إعادتها إلى العميل، حيث تتضمن العملية استرجاع المستندات وفهم السياق. يتكامل النظام مع عدة مزودي LLM و تخزين المتجهات، مما يجعله متكيفًا مع تحديثات توفر النموذج أو الأداء.

تتعدد استخدامات Rig، بما في ذلك أنظمة السؤال والجواب التي تسترجع الوثائق ذات الصلة لتقديم استجابات دقيقة، وأنظمة البحث والاسترجاع الوثائقية لاكتشاف المحتوى بشكل فعال، بالإضافة إلى الدردشة الآلية أو المساعد الافتراضي الذي يقدم تفاعلات مدركة للسياق لخدمة العملاء أو التعليم. كما يدعم إنشاء المحتوى، ويدعم إنشاء النصوص والمواد الأخرى بناءً على أنماط التعلم، مما يجعله أداة شاملة للمطورين والمنظمات.

Zerepy (تم تطويره بواسطة ZEREPY و blorm)

ZerePy هو إطار مفتوح المصدر مكتوب بلغة Python، يهدف إلى نشر الوكلاء على X باستخدام OpenAI أو Anthropic LLM. هو نسخة معيارية مشتقة من واجهة Zerebro الخلفية، حيث يسمح ZerePy للمطورين بإطلاق وكلاء تتمتع بميزات مشابهة لوظائف Zerebro الأساسية. على الرغم من أن هذا الإطار يوفر الأساس لنشر الوكلاء، إلا أن ضبط النموذج يعد ضروريًا لإنتاج مخرجات إبداعية. يبسط ZerePy تطوير ونشر الوكلاء الذكيين الشخصيين، خاصة للإبداع المحتوى على المنصات الاجتماعية، مما يساهم في إنشاء نظام بيئي إبداعي مدفوع بالذكاء الاصطناعي يركز على الفن والتطبيقات اللامركزية.

تم تطوير هذا الإطار باستخدام بايثون، مع التركيز على استقلالية الوكيل، والتركيز على توليد المخرجات الإبداعية، بما يتماشى مع بنية ELIZA وعلاقتها مع ELIZA. يدعم التصميم القابل للتجزئة دمج نظام الذاكرة، ويدعم نشر الوكلاء على منصات التواصل الاجتماعي. تشمل الميزات الرئيسية واجهة سطر الأوامر لإدارة الوكلاء، والتكامل مع تويتر، والدعم لنماذج OpenAI وAnthropic LLM، ونظام الاتصال القابل للتجزئة لتعزيز الوظائف.

تشمل حالات استخدام ZerePy مجال أتمتة وسائل التواصل الاجتماعي، حيث يمكن للمستخدمين نشر وكلاء الذكاء الاصطناعي للنشر والرد والإعجاب وإعادة النشر، مما يزيد من المشاركة على المنصة. بالإضافة إلى ذلك، فإنه يلبي أيضًا مجالات إنشاء المحتوى مثل الموسيقى والميمات وNFT، مما يجعله أداة مهمة لمنصة المحتوى الرقمية المستندة إلى blockchain.

(2) مقارنة الأطر الأربعة

من وجهة نظرنا، يوفر كل إطار عمل طريقة فريدة لتطوير الذكاء الاصطناعي تتوافق مع احتياجات وبيئات معينة، ونحن نحول تركيزنا من علاقات المنافسة بين هذه الأطر إلى خصوصيات كل إطار.

تتميز ELIZA بواجهة مستخدم سهلة الاستخدام، خاصة بالنسبة للمطورين المتمرسين في بيئة JavaScript وNode.js. تساعد الوثائق الشاملة في إعداد الوكلاء الذكاء الاصطناعي عبر منصات متنوعة، على الرغم من أن مجموعة الميزات الواسعة قد تأتي مع منحنى تعليمي معين. تم تطويرها باستخدام TypeScript، مما يجعل Eliza خيارًا مثاليًا لبناء الوكلاء المدمجين في الويب، حيث يتم تطوير الواجهة الأمامية لمعظم بنية الويب باستخدام TypeScript. يعرف هذا الإطار بهندسته المعمارية متعددة الوكلاء، حيث يمكن نشر شخصيات الذكاء الاصطناعي المختلفة على منصات مثل Discord وX وTelegram. نظام إدارة الذاكرة المتقدم RAG يجعلها فعالة بشكل خاص كأداة مساعدة للذكاء الاصطناعي في دعم العملاء أو تطبيقات الوسائط الاجتماعية. على الرغم من أنها تقدم مرونة ودعمًا قويًا من المجتمع وأداء متسق عبر المنصات، إلا أنها لا تزال في مرحلة مبكرة وقد تشكل منحنى تعليمي للمطورين.

تم تصميم GAME خصيصًا لمطوري الألعاب، حيث يوفر واجهة منخفضة التعليمات البرمجية أو بدون تعليمات برمجية من خلال API، مما يسمح للمستخدمين ذوي المستوى الفني المنخفض في مجال الألعاب باستخدامه. ومع ذلك، فإنه يركز على تطوير الألعاب ودمج blockchain، مما قد يشكل منحنى تعلم حاد لأولئك الذين ليس لديهم خبرة ذات صلة. إنه بارز في إنشاء محتوى البرنامج وسلوك NPC، ولكنه مقيد بالتعقيدات المضافة نتيجة لتخصصه ودمج blockchain.

نظرًا لاستخدام لغة Rust ، وبالنظر إلى تعقيد اللغة ، قد لا يكون Rig ودودًا جدًا ، مما يسبب تحديات كبيرة في التعلم ، لكن لأولئك المتمكنين في برمجة الأنظمة ، فإنه يوفر تفاعلاً بديهيًا. مقارنةً بـ typescript ، تشتهر هذه اللغة نفسها بالأداء وأمان الذاكرة. تتمتع بفحوصات صارمة في وقت الترجمة وتجريد بدون تكلفة ، وهو ضروري لتشغيل خوارزميات الذكاء الاصطناعي المعقدة. اللغة فعالة للغاية ، وتحكمها المنخفض يجعلها خيارًا مثاليًا لتطبيقات الذكاء الاصطناعي كثيفة الموارد. يوفر هذا الإطار حلولًا عالية الأداء بتصميم قابل للتعديل وقابل للتوسع ، مما يجعله خيارًا مثاليًا لتطبيقات المؤسسات. ومع ذلك ، بالنسبة للمطورين غير المألوفين بـ Rust ، فإن استخدام Rust لا مفر منه أن يواجهوا منحنى تعلم حاد.

تستخدم ZerePy Python، مما يوفر قابلية استخدام عالية لمهام الذكاء الاصطناعي الإبداعي، حيث تكون منحنى التعلم لمطوري Python منخفضًا، خاصة لأولئك الذين لديهم خلفية في الذكاء الاصطناعي / تعلم الآلة، كما تستفيد من دعم المجتمع القوي بفضل مجتمع Zerebro المشفر. تتفوق ZerePy في تطبيقات الذكاء الاصطناعي الإبداعي مثل NFT، حيث تحدد نفسها كأداة قوية في الوسائط الرقمية والفنون. على الرغم من أنها تزدهر في مجال الإبداع، إلا أن نطاقها ضيق نسبيًا مقارنةً بالأطر الأخرى.

فيما يتعلق بالقابلية للتوسع، حققت ELIZA تقدمًا كبيرًا في تحديث V2 الخاص بها، حيث قدمت خط رسائل موحد وإطار عمل أساسي قابل للتوسع، مما يدعم الإدارة الفعالة عبر منصات متعددة. ومع ذلك، إذا لم يتم تحسين ذلك، فقد تؤدي إدارة التفاعل عبر منصات متعددة إلى تحديات في القابلية للتوسع.

تتميز GAME بأداء ممتاز في المعالجة الفورية المطلوبة للألعاب، حيث يتم إدارة القابلية للتوسع من خلال خوارزميات فعالة ونظام موزع محتمل قائم على البلوكشين، على الرغم من أنها قد تكون مقيدة بواسطة محركات الألعاب أو شبكات البلوكشين المحددة.

يستفيد إطار Rig من أداء قابلية التوسع في Rust، وقد صُمم لتطبيقات ذات معدل نقل بيانات مرتفع، وهو فعال بشكل خاص لنشر المؤسسات، على الرغم من أن هذا قد يعني أن تحقيق قابلية التوسع الحقيقية يتطلب إعدادات معقدة.

توجه قابلية التوسع في Zerepy نحو الإبداع، بدعم من مساهمات المجتمع، لكن التركيز الذي تتبناه قد يحد من تطبيقها في بيئات الذكاء الاصطناعي الأوسع، وقد تتعرض قابلية التوسع لاختبار تنوع المهام الإبداعية بدلاً من عدد المستخدمين.

في مجال التكيف، تتفوق ELIZA بنظام الإضافات الخاص بها وتوافقها عبر الأنظمة الأساسية، كما أن GAME في بيئة الألعاب و Rig في معالجة المهام المعقدة للذكاء الاصطناعي رائعان أيضًا. يظهر ZerePy تكيفًا عاليًا في المجالات الإبداعية، ولكنه ليس مناسبًا لتطبيقات الذكاء الاصطناعي الأوسع.

فيما يتعلق بالأداء، تم تحسين ELIZA للتفاعل السريع على وسائل التواصل الاجتماعي، حيث يعتبر وقت الاستجابة السريع أمرًا حاسمًا، ولكن قد يختلف أداؤها عند معالجة المهام الحسابية الأكثر تعقيدًا.

تركز GAME التي طورتها Virtual Protocol على التفاعلات الفورية عالية الأداء في مشاهد الألعاب، باستخدام عملية اتخاذ قرار فعالة وبلوكتشين محتمل لتنفيذ عمليات الذكاء الاصطناعي اللامركزية.

إطار Rig مبني على لغة Rust، ويوفر أداءً ممتازًا لمهام الحوسبة عالية الأداء، مما يجعله مناسبًا لتطبيقات الأعمال حيث تكون كفاءة الحساب أمرًا بالغ الأهمية.

أداء Zerepy مصمم خصيصًا لإنشاء المحتوى الإبداعي، حيث تركز مؤشرات أدائه على كفاءة وجودة إنشاء المحتوى، وقد لا تكون قابلة للتطبيق خارج مجال الإبداع.

تتمثل ميزة ELIZA في تقديمها للمرونة والقابلية للتوسع، حيث يتيح نظام الإضافات وتكوين الأدوار لها تكيفًا عاليًا، مما يفيد في التفاعل الاجتماعي للذكاء الاصطناعي عبر المنصات.

يوفر GAME ميزات تفاعلية فريدة في الألعاب من خلال دمج blockchain لتعزيز المشاركة الجديدة للذكاء الاصطناعي.

تتمثل مزايا Rig في أدائها وقابليتها للتوسع لمهام الذكاء الاصطناعي الخاصة بالشركات، مع التركيز على توفير كود نظيف ومودولار لصحة المشاريع طويلة الأجل.

تتميز Zerepy بتطوير الإبداع، وتتصدر مجال تطبيقات الذكاء الاصطناعي في الفن الرقمي، وتدعمها نموذج تطوير مدفوع بمجتمع حيوي.

كل إطار له قيود خاصة به، لا تزال ELIZA في مرحلة مبكرة، وهناك مشكلات محتملة في الاستقرار ومنحنى التعلم للمطورين الجدد، وقد تحد الألعاب النادرة من الاستخدام الأوسع، بالإضافة إلى أن blockchain يزيد من التعقيد، قد يخيف Rig بفضل منحنى التعلم الحاد الناتج عن Rust بعض المطورين، بينما قد يحد التركيز المحدود لـ Zerepy على الإبداع من استخدامه في مجالات الذكاء الاصطناعي الأخرى.

(3) ملخص مقارنة الإطارات

** (ARC) الحفارة: **

اللغة: Rust، تركز على الأمان والأداء.

حالة الاستخدام: الخيار المثالي لتطبيقات الذكاء الاصطناعي على مستوى المؤسسات، لأنه يركز على الكفاءة وقابلية التوسع.

المجتمع: لا يعتمد بشكل كبير على المجتمع، بل يركز أكثر على مطوري التكنولوجيا.

إيليزا (AI16Z)：

اللغة: TypeScript، يبرز مرونة web3 ومشاركة المجتمع.

حالات الاستخدام: مصممة للتفاعل الاجتماعي، وDAO، والتجارة، مع التركيز بشكل خاص على أنظمة الوكلاء المتعددة.

المجتمع: مجتمع مدفوع بشكل كبير بمشاركة واسعة على GitHub.

** ZerePy (ZEREBRO):**

اللغة: بايثون، لجعلها متاحة لقاعدة أوسع من مطوري الذكاء الاصطناعي.

حالة الاستخدام: مناسبة لأتمتة وسائل التواصل الاجتماعي ومهام الوكيل الذكي الأبسط.

المجتمع: جديد نسبيا، ولكن بسبب شعبية بايثون ودعم المساهمين AI16Z، من المتوقع أن ينمو.

اللعبة (افتراضية):

التركيز: وكلاء الذكاء الاصطناعي المستقلين والقابلين للتكيف، يمكنهم التطور بناءً على التفاعلات في البيئات الافتراضية.

حالة الاستخدام: الأنسب لتعلم وتكيف وكلاء الذكاء الاصطناعي في السيناريوهات، مثل الألعاب أو العوالم الافتراضية.

المجتمع: مجتمع مبتكر، لكنه لا يزال يحدد موقعه في المنافسة.

3، اتجاه بيانات النجوم على Github

! WwLoIpwzEOFhGg9cRuLcUueFqXpxu7HukpuIxOss.png

الصورة أعلاه هي بيانات اهتمام نجوم GitHub منذ إصدار هذه الأطر. ومن الجدير بالذكر أن نجوم GitHub هي مؤشرات على اهتمام المجتمع وشعبية المشروع وقيمة الإدراك للمشروع.

ELIZA (خط أحمر):

بدأت الزيادة من قاعدة منخفضة في يوليو، وصولاً إلى الزيادة الكبيرة في عدد النجوم في أواخر نوفمبر (بلغت 61,000 نجمة)، مما يشير إلى أن اهتمام الناس زاد بسرعة وجذب انتباه المطورين. تشير هذه الزيادة الأسية إلى أن ELIZA قد اكتسبت جاذبية كبيرة بفضل ميزاتها وتحديثاتها ومشاركة المجتمع. تتجاوز شعبيتها بكثير المنافسين الآخرين، مما يدل على دعم قوي من المجتمع، وتوفر لها قابلية تطبيق أو اهتمام أوسع في مجتمع الذكاء الاصطناعي.

RIG (الخط الأزرق):

يعتبر Rig من بين الأطر الأربعة الأقدم تاريخًا، حيث يتمتع بعدد متناسب من النجوم ولكنه شهد زيادة مستمرة، ومن المحتمل أن يزيد بشكل كبير خلال الشهر المقبل. لقد وصل عدد النجوم إلى 1700 نجمة، لكنه لا يزال في حالة تصاعد. إن التطوير المستمر، والتحديثات، وزيادة عدد المستخدمين هي الأسباب وراء تزايد اهتمام المستخدمين. قد يعكس ذلك أن مستخدمي هذا الإطار قليلون أو أنهم لا يزالون في مرحلة بناء السمعة.

ZEREPY (الخط الأصفر):

تم إطلاق ZerePy قبل عدة أيام فقط، وقد حصل على 181 نجمة حتى الآن. من المهم أن نؤكد أن ZerePy يحتاج إلى مزيد من التطوير لزيادة رؤيته ومعدل اعتماده. قد تؤدي الشراكة مع AI16Z إلى جذب المزيد من المساهمين في التعليمات البرمجية.

اللعبة (الخط الأخضر):

عدد النجوم لهذا المشروع هو الأقل، ومن الجدير بالذكر أن هذا الإطار يمكن تطبيقه مباشرة على الوكلاء في النظام البيئي الافتراضي من خلال واجهة برمجة التطبيقات (API)، مما يلغي الحاجة إلى رؤية Github. ومع ذلك، فإن هذا الإطار لم يُفتح علنًا للمطورين إلا قبل أكثر من شهر، وهناك أكثر من 200 مشروع تستخدم GAME للبناء.

4، أسباب التفاؤل في الإطار

ستقوم النسخة V2 من Eliza بدمج مجموعة وكيل Coinbase. جميع المشاريع التي تستخدم Eliza ستدعم في المستقبل TEE الأصلية، مما يسمح للوكيل بالتشغيل في بيئة آمنة. إحدى الميزات القادمة لـ Eliza هي سجل الإضافات (Plugin Registry)، والذي سيمكن المطورين من تسجيل ودمج الإضافات بسلاسة.

علاوة على ذلك، ستدعم Eliza V2 المراسلة الآلية المجهولة عبر المنصات. من المقرر إصدار ورقة بيضاء لاقتصاديات الرموز في 1 يناير 2025، ومن المتوقع أن تؤثر بشكل إيجابي على رمز AI16Z الأساسي لإطار Eliza. تخطط AI16Z لمواصلة تعزيز فائدة الإطار، واستمرار جذب المواهب عالية الجودة، وقد أثبتت جهود المساهمين الرئيسيين أنها تمتلك هذه القدرة.

إطار العمل GAME يوفر تكامل بدون رمز للوكيل، مما يسمح باستخدام GAME و ELIZA في مشروع واحد لخدمة أغراض محددة. هذه الطريقة من المتوقع أن تجذب الانتباه من البنائين الذين يركزون على منطق الأعمال بدلاً من التعقيد التقني. على الرغم من أن الإطار تم إصداره علنياً منذ أكثر من 30 يوماً، إلا أنه حقق تقدمًا ملموسًا بفضل جهود الفريق لجذب المزيد من الدعم من المساهمين. من المتوقع أن تستخدم جميع المشاريع التي سيتم إطلاقها على VIRTUAL GAME.

تمتلك Rig، التي تمثلها رموز ARC، إمكانيات هائلة، على الرغم من أن إطارها لا يزال في مرحلة النمو المبكرة، وأن خطة دفع اعتماد المشروع قد تم إطلاقها منذ بضعة أيام فقط. من المتوقع أن تظهر قريبًا مشاريع عالية الجودة تعتمد على ARC، مشابهة لـ Virtual، ولكن مع التركيز على Solana. يعبر الفريق عن تفاؤله بشأن التعاون مع Solana، ويقارن علاقة ARC بـ Solana بعلاقة Virtual بـ Base. من الجدير بالذكر أن الفريق لا يشجع فقط المشاريع الجديدة على استخدام Rig للإطلاق، بل يشجع أيضًا المطورين على تعزيز إطار Rig نفسه.

Zerepy هو إطار تم إطلاقه حديثًا، وبفضل شراكته مع Eliza، فإنه يحظى باهتمام متزايد. يجذب هذا الإطار المساهمين من Eliza الذين يعملون بنشاط على تحسينه. بدعم من معجبي ZEREBRO، يتمتع بمجموعة من المتابعين المتحمسين، ويقدم فرصًا جديدة لمطوري Python الذين كانوا يفتقرون إلى التمثيل في المنافسة على البنية التحتية للذكاء الاصطناعي. سيلعب هذا الإطار دورًا مهمًا في الإبداع في الذكاء الاصطناعي.