การต่อสู้ของโครงสร้างตัวแทน AI: Eliza、Rig หรือ Daydreams ใครจะเป็นผู้ชนะ

ผู้เขียน: Shlok Khemani, Oliver Jaros ที่มา: Decentralised.co แปล: Shanoba, Golden Finance

บทความวันนี้เป็นการอธิบายโครงสร้างพร็อกซี่และการประเมินความก้าวหน้าของพวกเขา นี่เป็นคำขอสำหรับการรวบรวมข้อเสนอแนะโดยเป้าหมายคือผู้ก่อตั้งที่ทำงานในพื้นที่ทับศีลอินเทอร์เน็ต (เงินดิจิตอล) และพร็อกซี่

ในปีที่ผ่านมา Decentralised.co ได้ศึกษาลึกลงในบริเวณที่เกี่ยวข้องกันระหว่างการเข้ารหัสและปัญญาประดิษฐ์ และได้สร้างผลิตภัณฑ์ที่มีผู้ใช้กว่า 70,000 คน ซึ่งใช้สำหรับการติดตามตัวแทนปัญญาประดิษฐ์และพื้นฐานของตัวแทน แม้ว่าความกระตือรือร้นรอบด้านบริเวณนี้ในสัปดาห์หลังสุดท้ายจะได้ลดลงไปแล้ว แต่ผลกระทบของปัญญาประดิษฐ์ต่อเทคโนโลยีและสังคมเป็นอย่างที่เราไม่เคยเห็นมาก่อนตั้งแต่ยุคอินเทอร์เน็ต หากสกุลเงินเข้ารหัสจะกลายเป็นเส้นทางการเงินในอนาคตตามที่เราคาดการณ์ การผสมผสานระหว่างมันกับปัญญาประดิษฐ์จะเป็นหัวข้อที่เกิดขึ้นซ้ำซาก และไม่ใช่เพียงครั้งเดียว

หนึ่งในหมวดหมู่โปรเจคที่น่าสนใจที่เกิดขึ้นจากคลื่นนี้คือกรอบการทำงานของการสร้างสรรค์ปัจจุบันของปัจจัยปัญญาประดิษฐ์ที่เข้ารหัสลับ พวกเขาเป็นการทดลองที่น่าตื่นตาตื่นใจ ที่นำความเข้าใจหลักของบล็อคเชน - การโอนย้ายค่าโดยไม่ต้องขออนุญาต การโปร่งใสและระบบส่งเสริมที่เป็นไปได้ - ไปสู่การพัฒนาปัจจุบันของปัจจัยปัญญาประดิษฐ์ ลักษณะการเปิดโค้งของพวกเขาให้เรามีโอกาสที่จะสำรวจการทำงานภายในของมัน ไม่เพียงวิเคราะห์คำสัญญาของพวกเขาเท่านั้น แต่ยังวิเคราะห์วิธีการทำงานจริง

ในบทความนี้เราจะวิเคราะห์ความหมายจริงและความสำคัญของโครงสร้างพร็อกซี่ก่อน จากนั้นเราจะแก้ปัญหาที่ชัดเจน: เมื่อตัวเลือกที่เชี่ยวชาญเช่น LangChain มีอยู่แล้วทำไมเราต้องการโครงสร้างพร้อมประสิทธิภาพ? เราจึงวิเคราะห์โครงสร้างพร้อมประสิทธิภาพชั้นนำและข้อได้เปรียบและข้อจำกัดของมันในกรณีการใช้งานต่าง ๆ สุดท้าย หากคุณกำลังสร้างตัวแทนปัญญาประดิษฐ์ เราจะช่วยคุณตัดสินใจว่าโครงสร้างใดอาจเหมาะสมกับความต้องการของคุณ หรือว่าคุณควรใช้โครงสร้างในการสร้าง

เรามาสำรวจลึกลงไป

นามธิบาย

“ความก้าวหน้าของสังคมอยู่ที่การขยายปริมาณของการดำเนินการที่สำคัญที่เราสามารถทำโดยไม่ต้องคิดมาก” - อัลเฟรด โนร์ธ ไวต์เฮด

คิดถึงว่าบรรพบุรุษของเราใช้ชีวิตอย่างไร ทุกครัวเรือนต้องปลูกอาหารเอง ทำเสื้อผ้าเอง สร้างที่อยู่เองพวกเขาใช้เวลามากมายในงานพื้นฐานเกือบไม่มีเวลาทำสิ่งอื่นๆ แม้ว่าในสองศตวรรษที่ผ่านมา ผู้คนเกือบ 90% ทำงานในฟิลด์เกษตรกรณีสำหรับวันนี้ เราซื้ออาหารจากซุปเปอร์มาร์เก็ต อาศัยอยู่ในบ้านที่สร้างโดยผู้เชี่ยวชาญ สวมใส่เสื้อผ้าที่ผลิตจากโรงงานไกลออกไป งานที่ใช้เวลาหลายรุ่นของคนกลายเป็นการทำธุรกรรมอย่างง่ายแล้วในปัจจุบันมีเพียง 27% ของประชากรโลกทำงานในเขตเกษตรกรณ์ (ลดลงไปถึงร้อยละ 5 ในประเทศที่เจริญแล้ว)

เมื่อเราเริ่มต้นที่จะครอบครองเทคโนโลยีใหม่ ๆ เราจะพบรูปแบบที่คุ้นเคย โดยเราจะเริ่มทำความเข้าใจกับหลักการพื้นฐานก่อนที่จะเข้าใจว่าสิ่งใดมีประสิทธิภาพ สิ่งใดไม่มีประสิทธิภาพ และรูปแบบใดที่เกิดขึ้นอย่างต่อเนื่อง หลังจากที่รู้เรื่องรูปแบบเหล่านี้อย่างชัดเจน เราจะนำมันมาจัดเก็บในรูปแบบที่ง่ายขึ้น มีความเร็วมากขึ้น และเชื่อถือได้มากขึ้น รูปแบบเหล่านี้ช่วยปลดปล่อยเวลาและทรัพยากร เพื่อจัดการกับความท้าทายที่หลากหลายและมีความหมายมากขึ้น การสร้างซอฟต์แวร์ก็เช่นกัน

! cfpYG94rSxhzdHHC3T4K0tAk7UApcvUMQoqb5hCa.png

ในกรณีของการพัฒนาเว็บ ในช่วงแรก นักพัฒนาจำเป็นต้องเขียนทุกอย่างจากต้น โดยการจัดการคำขอ HTTP การจัดการสถานะ และสร้าง UI ซึ่งเป็นงานที่ซับซ้อนและใช้เวลามาก ภายหลังนี้เกิดขึ้นเครื่องมือเช่น React ซึ่งช่วยให้งานเหล่านี้ง่ายขึ้นอย่างมาก การพัฒนาบนโทรศัพท์เคลื่อนที่ก็เป็นอย่างเดียวกัน ในตอนแรก นักพัฒนาจำเป็นต้องมีความรู้ที่ลึกซึ้งและเฉพาะต่อแพลตฟอร์ม จนกระทั่งเกิดเครื่องมือเช่น React Native และ Flutter ซึ่งช่วยให้พวกเขาสามารถเขียนโค้ดและใช้งานได้ทุกที่

ในการเรียนรู้ของเครื่องก็มีรูปแบบการขรรมเช่นกัน ในต้นปี 2000 นักวิจัยพบศักยภาพของ GPU ในภารกิจงาน ML ในตอนแรกนั้น นักพัฒนาต้องต่อสู้กับองค์ประกอบกราฟิกและภาษาเช่น GLSL เช่น OpenGL ที่ไม่ได้ถูกสร้างขึ้นเพื่อคำนวณทั่วไป ในปี 2006 NVIDIA ได้เปิดตัว CUDA ทำให้การเขียนโปรแกรมบน GPU ง่ายขึ้นและทำให้การฝึก ML กลายเป็นไปได้กับนักพัฒนากว้างขวางมากขึ้น ทุกอย่างเปลี่ยนไปทั้งหมด

เมื่อการพัฒนา ML ได้รับแรงผลักดันเฟรมเวิร์กพิเศษก็เกิดขึ้นเพื่อขจัดความซับซ้อนของการเขียนโปรแกรม GPU TensorFlow และ PyTorch ช่วยให้นักพัฒนาสามารถมุ่งเน้นไปที่สถาปัตยกรรมโมเดลแทนที่จะจมอยู่กับรหัส GPU พื้นฐานหรือรายละเอียดการใช้งาน สิ่งนี้ได้เร่งการทําซ้ําของสถาปัตยกรรมโมเดล รวมถึงความก้าวหน้าอย่างรวดเร็วใน AI/ML ที่เราเคยเห็นในช่วงไม่กี่ปีที่ผ่านมา

ตอนนี้เราเห็นวิวัฒนาการที่คล้ายกันของตัวแทน AI ซึ่งเป็นโปรแกรมซอฟต์แวร์ที่สามารถตัดสินใจและดําเนินการเพื่อให้บรรลุเป้าหมายเช่นเดียวกับผู้ช่วยมนุษย์หรือพนักงาน ใช้โมเดลภาษาขนาดใหญ่เป็น "สมอง" และสามารถใช้เครื่องมือต่าง ๆ เช่นการค้นหาเว็บการเรียก API หรือการเข้าถึงฐานข้อมูลเพื่อทํางานให้สําเร็จ

เพื่อสร้างตัวแทนจากต้นแบบ นักพัฒนาจำเป็นต้องเขียนโค้ดที่ซับซ้อนเพื่อจัดการทุกด้าน: วิธีการตัวแทนคิด วิธีการตัดสินใจใช้อุปกรณ์อะไรและเมื่อไหร่ วิธีการแอบแอ่วกับอุปกรณ์เหล่านั้น วิธีการระบุบริบทของการแอบแอ่วในช่วงเริ่มต้น และวิธีการแบ่งงานขนาดใหญ่เป็นขั้นตอนที่สามารถจัดการได้

นี่คือที่สำคัญของกรอบตัวแทนปัญญาประดิษฐ์ อย่างที่ React ทำให้ง่ายขึ้นสำหรับการพัฒนาเว็บโดยการบริหารจัดการส่วนยุ่งยากของการอัปเดต UI และการจัดการสถานะ กรอบเหล่านี้ช่วยแก้ปัญหาที่พบบ่อยในการสร้างตัวแทนปัญญาประดิษฐ์ มันเสนอส่วนประกอบที่พร้อมใช้งานสำหรับแบบแผนที่เราค้นพบ เช่น วิธีสร้างกระบวนการตัดสินใจของตัวแทน การรวมเครื่องมือต่างๆ และการรักษาบริบทในการแอบแอบที่หลายๆ ครั้ง

โดยใช้กรอบงานนี้ นักพัฒนาสามารถให้ความสำคัญกับด้านที่ทำให้ตัวแทนของตนเป็นเอกลักษณ์ได้—คุณลักษณะและบทบาทที่เฉพาะเจาของตน—โดยไม่ต้องสร้างส่วนประกอบพื้นฐานเหล่านี้ใหม่อีกครั้ง พวกเขาสามารถสร้างตัวแทน AI ที่ซับซ้อนในไม่กี่วันหรือสัปดาห์ ไม่ใช่เดือน และลองวิธีต่างๆได้ง่ายขึ้น และใช้ประสบการณ์ที่ดีที่สุดที่นักพัฒนาและชุมชนค้นพบ

เพื่อให้เข้าใจความสำคัญของโครงสร้างอย่างแท้จริง พิจารณานักพัฒนาที่กำลังสร้างตัวแทนที่ช่วยแพทย์ในการตรวจสอบรายงานการแพทย์ หากไม่มีโครงสร้างพวกเขาจะต้องเริ่มเขียนโค้ดทั้งหมดจากต้น: การจัดการไฟล์แนบในอีเมล สกัดข้อมูลจาก PDF นำข้อความเข้าสู่ LLM ในรูปแบบที่ถูกต้อง การจัดการประวัติการสนทนาเพื่อติดตามเนื้อหาที่ได้ถูกพูดถึงและให้แน่ใจว่าตัวแทนทำการตอบสนองอย่างเหมาะสม เป็นโค้ดที่ซับซ้อนมากสำหรับงานที่ไม่ใช่กรณีการใช้งานเฉพาะของพวกเขา

โดยใช้โครงสร้างตัวแทน มีหลายอย่างในส่วนสร้างที่สามารถใช้ได้โดยตรง โครงสร้างนี้จัดการการอ่านอีเมลและ PDF ให้กับโหมดสร้างเสริมความรู้ทางการแพทย์ การจัดการกระบวนการสนทนา และช่วยในการติดตามรายละเอียดที่สำคัญในการสื่อสารหลายรายการ นักพัฒนาสามารถให้ความสำคัญกับด้านที่โดดเด่นของตัวแทน เช่น ปรับปรุงคำแนะนำทางการแพทย์หรือเพิ่มการตรวจสอบความปลอดภัยที่เฉพาะเจาะจงสำหรับการวินิจฉัย โดยไม่ต้องสร้างรูปแบบที่ทั่วไปใหม่ สิ่งที่เดิมๆอาจจะใช้เวลาหลายเดือนในการสร้างตั้งแต่ต้น ตอนนี้สามารถสร้างโปรโตไทป์ภายในเพียงไม่กี่วัน

LangChain ได้เป็นมีดของนักพัฒนาปัจจุบันที่ใช้งานเพื่อสร้างแอปพลิเคชันที่ใช้ LLM ให้ยืดหยุ่น แม้ว่ามันไม่ใช่กรอบการแทนที่เข้มงวด แต่มันให้บล็อกการสร้างที่สำคัญสำหรับส่วนใหญ่ของกรอบการแทนที่ ตั้งแต่เชื่อมโยงลูกเรียก LLM ไปจนถึงระบบหน่วยความจำที่ใช้ดูแลสถานการณ์ ระบบนี้มีระบบนิวเรพที่หลากหลายและเอกสารที่มีมาก ทำให้มันเป็นจุดเริ่มต้นที่เป็นที่ต้องการสำหรับนักพัฒนาที่ต้องการสร้างแอปพลิเคชันประยุกต์ประโยชน์จากปัจจัยปัจจุบัน

และจะเป็นเช่นเฟรมเวิร์กหลายตัวเช่น CrewAI และ AutoGen ซึ่งทำให้นักพัฒนาสามารถสร้างระบบที่มีหลายตัวของสมองปัญญาประดิษฐ์ทำงานร่วมกัน แต่ละตัวแทนมีบทบาทและความสามารถที่เฉพาะเจาะจง กรอบงานเหล่านี้ไม่ได้ดำเนินการงานตามลำดับอย่างง่ายๆ แต่เน้นการทำงานร่วมกันของตัวแทนปัญญาประดิษฐ์ผ่านการสนทนาเพื่อแก้ปัญหาร่วมกัน

! SXYgyuC4qnpplO0idJXnSanSo3OXAp1TMMrHtspG.png

ตัวอย่างเช่น เมื่อมีการจัดส่งรายงานวิจัย ตัวแทนคนหนึ่งอาจจะโครงสร้างรายงาน ตัวแทนคนอื่นอาจจะเก็บข้อมูลที่เกี่ยวข้อง ตัวแทนคนที่สามอาจจะตรวจสอบและปรับปรุงร่างรายงานสุดท้าย มันเหมือนกับการสร้างทีมเสมือนจริง ตัวแทนปัญญาประดิษฐ์สามารถหารือ โต้วาที และปรับปรุงทางออกแบบร่วมกัน อย่างที่นี้การทำงานร่วมกันเพื่อบรรลุเป้าหมายระดับสูงของระบบหลายตัวแทนทั่วไปจะถูกเรียกว่า การรวมตัวแทนปัญญาประดิษฐ์หรือ "คลัสเตอร์"

AutoGPT อาจไม่ใช่เฟรมเวิร์คแบบดั้งเดิม แต่มันเป็นสิ่งที่เริ่มต้นแนวคิดของตัวแทนปัจจุบันเชิงปัญญาประดิษฐ์ เราเห็นว่าปัญญาประดิษฐ์เชื่อมโยงกับเป้าหมายระดับสูงได้อย่างไร แยกเป็นงานย่อย และทำงานอิสระโดยมีข้อมูลมนุษย์น้อยมาก เราเห็นว่าถึงแม้มันจะมีข้อจำกัด แต่ AutoGPT ทำให้เกิดคลื่นนวัตกรรมของตัวแทนอิสระ และมีผลต่อการออกแบบเฟรมเวิร์คที่มีโครงสร้างมากขึ้นในภายหลัง

แต่ทำไมถึงเป็นการเข้ารหัส

พื้นหลังเหล่านี้ทั้งหมดสุดท้ายนำพาเราสู่การเกิดขึ้นของกรอบการแทนจำลอง AI ที่เกิดจากปฏิกิริยาตัวแทนที่เป็นเจนูอน. ณ จุดนี้, คุณอาจจะสงสัยว่าทำไม Web3 จำเป็นต้องมีกรอบของตัวเองเมื่อเรามีกรอบที่เป็นอยู่แล้วที่ค่อนข้างสมบูรณ์เช่น Langchain และ CrewAI ใน Web2? แน่นอน, นักพัฒนาสามารถใช้กรอบเหล่านี้ที่มีอยู่เพื่อสร้างตัวแทนใด ๆ ที่พวกเขาต้องการ? ด้วยความเห็นว่าอุตสาหกรรมชอบเอา Web3 มาใช้กับเรื่องเล่าทั้งหมด, ความสงสัยเหล่านี้ถือว่าเป็นสิ่งที่เหมาะสม

เราเชื่อว่ามีเหตุผลสามประการที่ทำให้เฟรมเวิลด์3 มีความสำคัญ

ตัวแทนการเงินที่ทำงานบนโซน

เราเชื่อว่าในอนาคต การซื้อขายทางการเงินส่วนใหญ่จะเกิดขึ้นบนรางบล็อกเชน สิ่งนี้ส่งผลให้เพิ่มความต้องการสำหรับตัวแทนปัญญาประดิษฐ์ชนิดหนึ่ง ซึ่งสามารถวิเคราะห์ข้อมูลบนเชื่อมต่อ ดำเนินการซื้อขายบล็อกเชน และจัดการสินทรัพย์ดิจิทัลที่เกิดขึ้นในหลายๆ โปรโตคอลและเครือข่าย ตั้งแต่หุ้นการค้าอัตโนมัติที่สามารถตรวจจับโอกาสการลงทุน ไปจนถึงผู้จัดการพอร์ตการลงทุนที่ทำงานตามยุทธศาสตร์รายได้ ตัวแทนเหล่านี้ขึ้นอยู่กับความร่วมมือที่ลึกซึ้งของฟังก์ชันบล็อกเชนในกระบวนการทำงานหลักของตน

! UgKQjpORqg52fRAWEK0NlemKNxv7W03vfqHNYVkj.png

เฟรมเวิบ 2 แบบดั้งเดิมไม่มีคอมโพเนนต์เดิมสำหรับงานเหล่านี้ คุณต้องสร้างไลบรารีของบุคคลที่สามมาเพื่อทำงานร่วมกับสัญญาอัจฉริยะ วิเคราะห์เหตุการณ์บนโซนที่เชื่อมต่อและจัดการกุญแจส่วนตัว- ซึ่งอาจนำเข้าความซับซ้อนและช่องโหว่ที่เป็นไปได้ ในทางกลับกัน เฟรมเวิบ 3 ที่เป็นเฟรมเวิบที่เป็นพิเศษสามารถจัดการคุณลักษณะเหล่านี้ได้อย่างง่ายดาย ทำให้นักพัฒนาสามารถมุ่งเน้นที่ตรรกะและยุทธวิธีของตัวแทนของตนได้ โดยไม่ต้องต่อสู้กับท่องเชื่อมโยงบล็อกเชนระดับต่ำ

การประสานงานและโปรโมชั่น

บล็อกเชนไม่ได้เกี่ยวข้องกับเงินดิจิทัลเท่านั้น พวกเขามีระบบบันทึกข้อมูลระดับโลกที่เน้นความน่าเชื่อถือสูงสุด ซึ่งมีเครื่องมือการเงินที่ฝังตัวมาเพื่อเสริมสร้างการประสานงานระหว่างผู้ตั้งต้นหลายรุ่น นักพัฒนาสามารถใช้พื้นฐานบนเชื่อเพื่อประสานประโยชน์ของตัวแทน AI หลายราย (เช่น การเป็นประกัน, การจัดเก็บและสรรพสรรค์) โดยไม่ต้องพึ่งพาชื่อเสียงนอกเชือกหรือฐานข้อมูลที่โดดเดียว

สมมติว่ามีกลุ่มตัวแทนทำงานร่วมกันในการดำเนินงานที่ซับซ้อน (เช่น การทำเครื่องหมายข้อมูลสำหรับการฝึกโมเดลใหม่) ผลงานของแต่ละตัวแทนสามารถติดตามได้บนโซ่บล็อกและมีการแบ่งส่วนรางวัลโดยอัตโนมัติตามการมีส่วนร่วม ความ๏๏ต่อของระบบที่ใช้เทคโนโลยีบล็อกเชนและความไม่เปลี่ยนแปลงช่วยให้มีการจ่ายค่าและการติดตามชื่อเสียงที่แข็งแรงขึ้นและมีแผนสรรค์ที่ส่งเสริมการพัฒนาในเวลาจริง

โครงสร้างพื้นฐานของการเข้ารหัสสามารถฝังฟังก์ชันเหล่านี้ได้อย่างชัดเจนเพื่อให้นักพัฒนาสามารถใช้สัญญาอัจฉริยะออกแบบโครงสร้างโปรโมทชั่นโดยไม่จำเป็นต้องออกแบบล้อเลือนใหม่ทุกครั้งที่ต้องการให้เชื่อมั่นหรือชำระเงินให้กับตัวแทนอีกตัว

โอกาสใหม่ในตลาด初期

การเป็นเฟรมเวิร์กเช่น LangChain มีแนวคิดในการแบ่งปันและผลกระทบของเครือข่ายแล้ว แต่ด้านตัวแทนปัจจุบันเท่านั้นที่เริ่มต้น ยังไม่ชัดเจนว่าสถานะสุดท้ายของระบบเหล่านี้จะเป็นอย่างไร และไม่มีวิธีใดที่สามารถล็อคตลาด

การเศรษฐศาสตร์ที่เข้ารหัสเปิดโอกาสใหม่ในการสร้าง การบริหารจัดการ และการสรรหาเงิน ที่ไม่สามารถสะท้อนความเป็นไปได้ทั้งหมดได้จากเศรษฐศาสตร์ SaaS หรือ Web2 แบบเดิม การทดลองในช่วงเริ่มต้นนี้สามารถช่วยปลดล็อกกลยุทธ์การสรรหาเงินใหม่สำหรับเฟรมเวิร์กเอง ไม่ใช่แค่ตัวแทนที่ก่อสร้างบนเฟรมเวิร์ก

ผู้แข่งขัน

1. ElizaOS เชื่อมโยงกับโครงการ AI16Z ยอดนิยมและเป็นเฟรมเวิร์กที่ใช้ Typescript สําหรับการสร้างปรับใช้และจัดการตัวแทน AI ได้รับการออกแบบให้เป็นระบบปฏิบัติการตัวแทน AI ที่เป็นมิตรกับ Web3 ช่วยให้นักพัฒนาสามารถสร้างพร็อกซีที่มีบุคลิกที่เป็นเอกลักษณ์เครื่องมือที่ยืดหยุ่นสําหรับการโต้ตอบบล็อกเชนและสามารถปรับขนาดได้อย่างง่ายดายด้วยระบบหลายตัวแทน
2. Rig เป็นเฟรมเวิร์กเอเจนต์ AI แบบโอเพนซอร์สที่พัฒนาโดย Playgrounds Analytics Inc. ซึ่งสร้างขึ้นโดยใช้ภาษาการเขียนโปรแกรม Rust เพื่อสร้างตัวแทน AI แบบแยกส่วนและปรับขนาดได้ มันเกี่ยวข้องกับโครงการ AI Rig Complex (ARC)
3. Daydreamsเป็นเฟรมเวิร์กที่สร้างมาเพื่อสร้างตัวแทนอิสระสำหรับเกมบนเชื่อมต่อเชื่อมต่อเชื่อมต่อเชื่อมต่อ แต่ต่อมาถูกขยายออกไปเป็นการดำเนินงานเชื่อมต่อเชื่อมต่อเชื่อมต่อบนเชื่อมต่อ
4. Pippin เป็นเฟรมเวิร์ก AI ที่ถูกพัฒนาโดยผู้ก่อตั้ง BabyAGI Yohei Nakajima เพื่อช่วยให้นักพัฒนาสามารถสร้างผู้ช่วยดิจิทัลที่มีโมดูลและประสิทธิภาพเอง Yohei ได้สร้างตัวแทนที่เป็นอิสระก่อนจะขยายมันเป็นเฟรมเวิร์กสากล
5. ZerePy เป็นเฟรมเวิร์ก Python แบบโอเพนซอร์สที่ออกแบบมาเพื่อปรับใช้ตัวแทนอิสระในหลายแพลตฟอร์มและบล็อกเชนโดยเน้นที่ AI ที่สร้างสรรค์และการรวมโซเชียลมีเดีย เช่นเดียวกับ Pippin Zerepy เริ่มต้นจากการเป็นหน่วยงานอิสระ Zerebro ซึ่งได้ขยายไปสู่กรอบการทํางาน

มาตรฐาน

เพื่อประเมินความสามารถของแต่ละกรอบ เราจะมองจากมุมมองของนักพัฒนาที่ต้องการสร้าง AI ตัวแทน พวกเขาจะสนใจในเรื่องอะไร? เราเชื่อว่าการประเมินแบ่งออกเป็นสามหมวดหลักมีประโยชน์: หลักการ ฟังก์ชัน และประสบการณ์ของนักพัฒนา

คุณสามารถมองให้สำคัญกับส่วนสำคัญของโครงสร้างว่าเป็นฐานของการสร้างโปรแกรมตัวแทนอื่น ๆ ทั้งหมด หากส่วนสำคัญอ่อนแอ ช้าหรือไม่คงที่การพัฒนา โปรแกรมตัวแทนที่สร้างขึ้นโดยใช้โครงสร้างนั้นจะได้รับข้อจำกัดเช่นเดียวกัน คุณสามารถประเมินส่วนสำคัญตามเกณฑ์ต่อไปนี้

1. วงจรการคิดแบบหลัก: สมองของโครงสร้างผู้แทนใด ๆ; วิธีที่มันใช้แก้ปัญหา โครงสร้างที่แข็งแรงสนับสนุนทุกอย่างตั้งแต่การส่งออกพื้นฐานไปจนถึงการคิดเชื่อมโยง และรูปแบบที่ซับซ้อน หากไม่มีความสามารถในการคิดแบบแข็งแรง ผู้แทนก็จะไม่สามารถแยกงานที่ซับซ้อนหรือประเมินตัวเลือกหลาย ๆ อย่างเพื่อทำให้ง่ายลงเป็นหุ่นยนต์สุดหรู
2. กลไกหน่วยความจํา: เจ้าหน้าที่ต้องการทั้งหน่วยความจําระยะสั้นสําหรับการสนทนาอย่างต่อเนื่องและการจัดเก็บระยะยาวเพื่อความรู้ถาวร กรอบการทํางานที่ดีไม่เพียง แต่จําได้ แต่พวกเขาเข้าใจความสัมพันธ์ระหว่างข้อมูลต่างๆและสามารถจัดลําดับความสําคัญของข้อมูลที่ควรค่าแก่การเก็บรักษาและสิ่งที่ควรค่าแก่การลืม
3. การฝังตัวและการสนับสนุน RAG: ตัวแทนที่ทันสมัยต้องใช้ความรู้ภายนอก เช่นเอกสารและข้อมูลตลาด โครงสร้างที่แข็งแกร่งสามารถฝังข้อมูลเหล่านี้ได้อย่างง่ายดายและใช้ RAG เพื่อดึงข้อมูลเหล่านี้ตามบริบท ทำให้การตอบสนองถูกสร้างขึ้นบนพื้นฐานของความรู้ที่เฉพาะเจาะจง แทนที่จะพึ่งพาการฝึกอบรมโมเดลขั้นพื้นฐานเท่านั้น
4. การกำหนดค่าแบบบุคลิก: ความสามารถในการลวดลายวางแผนวิธีการสื่อสารของพนักงานบริการลูกค้า (ลักษณะการพูด การเชิญเสนอและลักษณะบุคลิก) เป็นสิ่งสำคัญอย่างมากสำหรับการเข้าร่วมของผู้ใช้. โครงสร้างที่ดีสามารถจัดกำหนดค่าลักษณะเหล่านี้ได้อย่างง่ายดาย การรับรู้บุคลิกของพนักงานบริการลูกค้าจะมีผลต่อการเชื่อมั่นของผู้ใช้โดยสิ้นเชิง.
5. การประสานงานแบบหลายเอเจนต์: เฟรมเวิร์กที่มีประสิทธิภาพให้รูปแบบในตัวสําหรับการทํางานร่วมกันของเจ้าหน้าที่ไม่ว่าจะผ่านการสนทนาที่มีโครงสร้างการมอบหมายงานหรือระบบหน่วยความจําที่ใช้ร่วมกัน สิ่งนี้สร้างทีมงานมืออาชีพโดยตัวแทนแต่ละคนใช้ความสามารถพิเศษในการทํางานร่วมกันเพื่อแก้ปัญหา

นอกจากฟังก์ชั่นหลักแล้ว ประโยชน์จริงของโครงสร้างนี้มีความขึ้นอยู่กับฟังก์ชั่นและการรวมระบบของมันโดยใหญ่โต เครื่องมือขยายความสามารถของตัวแทนอย่างมาก ตัวแทนที่มีสิทธิ์เข้าถึง LLM เท่านั้นที่สามารถเข้าร่วมการสนทนา แต่หากมีสิทธิ์เข้าถึงเบราว์เซอร์เว็บ ก็สามารถเรียกดูข้อมูลแบบเรียลไทม์ได้ การเชื่อมต่อกับ API ปฏิทินของคุณ ก็สามารถวางตารางการประชุมได้ การเพิ่มเครื่องมือใหม่ทุกตัวจะเพิ่มฟังก์ชั่นของตัวแทนเป็นสองเท่า จากมุมมองของนักพัฒนา ยิ่งมีเครื่องมือมาก เลือกทางและขอบเขตการทดลองก็ยิ่งมากขึ้น

เราประเมินความสามารถของกรอบเหลวเฉพาะด้วยการประเมินจากมุมมองสามมิติ

1. การสนับสนุนและความสามารถของ AI โมเดล: กรอบที่ทรงพลังที่มีการผสมผสานกับโมเดลหลายภาษาอย่างเชื่องต่อแบบเฉพาะ - ตั้งแต่ GPT ซีรีส์ของ OpenAI ไปจนถึงทางเลือกแบบเปิดเช่น Llama และ Mistral แต่เพียงเท่านั้นที่เกี่ยวข้องกับ LLM การสนับสนุนสำหรับฟังก์ชัน AI อื่น ๆ เช่น การแปลงข้อความเป็นเสียง การใช้งานบนเบราว์เซอร์ การสร้างภาพและการสนับสนุนการคำนวณโมเดลในท้องถิ่น สามารถขยายความสามารถของตัวแทนได้อย่างมาก การสนับสนุนโมเดลที่ทรงพลังกำลังเป็นเครื่องมือที่จำเป็นสำหรับกรอบเช่นนี้มากมาย
2. การสนับสนุนโครงสร้างพื้นฐาน Web3: การสร้างตัวแทนที่เข้ารหัสต้องผสมผสานกับโครงสร้างพื้นฐานบล็อกเชนอย่างลึกซึ้ง นี่หมายถึงการสนับสนุนส่วนประกอบ Web3 ที่จำเป็น เช่น กระเป๋าสตางค์สำหรับลงนามธุรกรรม RPC สำหรับการสื่อสารในเครือข่าย และดัชนีสำหรับการเข้าถึงข้อมูล กรอบที่มีพลังงานควรผสมผสานกับเครื่องมือและบริการพื้นฐานของระบบนิเวศในเครือข่ายทั้งหมด ตั้งแต่ตลาด NFT และโปรโตคอล DeFi ไปจนถึงการแก้ไขปัญหาเรื่องตัวตนและชั้นความพร้อมข้อมูล
3. การครอบคลุมโดยเครือข่าย: พื้นฐานของ Web3 ที่สนับสนุนการดำเนินงานของพร็็อกซีเจนฯ มีผลกับสิ่งที่ตัวแทนสามารถทำ ในขณะที่การครอบคลุมโดยเครือข่ายจะกำหนดว่าพวกเขาสามารถทำอะไรได้ที่ไหน ระบบนิวเคลียร์กำลังเจริญเป็นองค์ประกอบหลายๆ ที่แตกต่างกัน ทำให้การครอบคลุมโดยเครือข่ายที่เป็นแนวโน้มมีความสำคัญมาก

ท้ายที่สุด แม้กระทั่งกรอบที่เข้มแข็งที่สุดก็จะเท่ากับประสบการณ์ของนักพัฒนา กรอบหนึ่งสามารถมีฟังก์ชันที่ยอดเยี่ยม แต่หากนักพัฒนายากที่จะใช้งานได้อย่างมีประสิทธิภาพ มันก็จะไม่เคยถูกนำมาใช้งานอย่างกว้างขวาง

1. ภาษาที่ใช้ในกรอบงานมีผลต่อคนที่สามารถใช้งานในการสร้างระบบเอง ภาษา Python เป็นที่สำคัญในด้านปัญญาประดิษฐ์และวิทยาการข้อมูล ดังนั้นจึงเป็นทางเลือกอันน่าสนใจสำหรับกรอบงานที่เกี่ยวข้องกับปัญญาประดิษฐ์ การเขียนโค้ดด้วยภาษาที่ไม่ได้ใช้กันอย่างแพร่หลายอาจมีข้อดีที่เฉพาะเจาแต่ก็อาจทำให้ตัวเองอยู่คนเดียวกับระบบนักพัฒนาที่กว้างขวางมากขึ้น JavaScript ที่เป็นที่นิยมในการพัฒนาเว็บไซต์ ทำให้เป็นตัวแข่งที่สำคัญอีกตัว โดยเฉพาะสำหรับกรอบงานที่ประสบความสำเร็จในการผสานระบบเว็บ
2. เอกสารที่ชัดเจนและครอบคลุมเป็นเส้นชีวิตของนักพัฒนาในการนำเสนอเฟรมเวิร์กใหม่ นี่ไม่ใช่แค่การอ้างอิง API เท่านั้น แม้ว่าเหล่านี้ก็สำคัญอย่างมาก คู่มือที่มีประสิทธิภาพรวมถึงภาพรวมของหลักการหลัก คู่มือการสอนขั้นตอน รหัสตัวอย่างที่คอมเมนต์ดี คู่มือการศึกษา คู่มือแก้ปัญหาและรูปแบบการออกแบบที่กำหนดไว้

ผลลัพธ์

สรุปดัชนีประสิทธิภาพของแต่ละกรอบตามพารามิเตอร์ที่เรากำหนดเพิ่งแล้ว (อันดับ 1-5)

! QTbxg0nhpjbbKbgJdAE0VDDYvQN3qF5biJlLAxNq.png

ถึงแม้ว่าการพูดคุยเกี่ยวกับเหตุผลของทุกจุดข้อมูลจะเกินขอบเขตของบทความนี้ แต่ต่อไปนี้คือบางประการที่แต่ละกรอบที่ทำให้เราประทับใจ

Eliza คือกรอบที่เข้มงวดที่สุดในรายการนี้จนถึงตอนนี้ ด้วย Eliza การเข้าถึงปัจจุบันของระบบนิวรอนในโครงสร้างที่เข้ามาในครั้งล่าสุดของนโยบายการติดต่ออัจฉริยะของระบบนิวรอน มีจุดเด่นหนึ่งคือจำนวนคุณสมบัติที่รองรับและการรวมระบบที่หลากหลาย

! ZK8bWvOX185Ygh0O1vGd5JaLPrIjlTgHtKXkXlkm.png

เนื่องจากความเข้าชมที่สร้างมา ทุกบล็อกเชนและเครื่องมือพัฒนาก็พยายามรีบรวมตัวเข้ากับโครงสร้างนี้ (ในปัจจุบันมีการรวมรวมมากถึง 100 รายการ!) ในเวลาเดียวกัน Eliza ยังดึงดูดกิจกรรมของนักพัฒนามากกว่าโครงสร้างส่วนใหญ่ อย่างน้อย Eliza ได้รับประโยชน์จากผลกระทบของเครือข่ายที่ชัดเจนมาก ๆ โครงสร้างนี้เขียนด้วย TypeScript ซึ่งเป็นภาษาที่สมบูรณ์แบบ ทั้งสำหรับมือใหม่และนักพัฒนาที่ชำนาญ ซึ่งเป็นการเคลื่อนไหวโดยลักษณะนี้ไปอีกขั้น

Eliza ยังโดดเด่นด้วยเนื้อหาการศึกษาและคอร์สอบรมที่มีอย่างมากที่เฉพาะเจาะจงสำหรับนักพัฒนาที่ใช้โครงสร้างนี้

เราได้เห็นพร็อกซี่ที่หลากหลายโดยใช้เฟรมเวิร์ก Eliza รวมถึง Spore, Eliza (พร็อกซี) และ Pillzumi เฟรมเวิร์ก Eliza เวอร์ชันใหม่คาดว่าจะเปิดตัวในอีกไม่กี่สัปดาห์ข้างหน้า

วิธีของ Rig และ Eliza ต่างกันอย่างสิ้นเชิง มันเด่นด้วยการมีแกนที่มีประสิทธิภาพสูงและเบา มันสนับสนุนโหมดความเห็นต่าง ๆ รวมถึงโหมดลําดับ (การใช้คำใบ้ตามลำดับ) การจัดเตรียม (การประสานงานของตัวแทนหลาย ๆ ตัว) ตรรกะเงื่อนไข และการประสาน (การดำเนินการที่สอดคล้องกัน)

อย่างไรก็ตาม, Rig ตัวเองไม่ได้มีการบูรณาการที่รวบรวมมากนัก ในทางกลับกัน, มันใช้วิธีที่แตกต่างชื่อว่า "Arc การจับมือ" ที่นี่, ทีม Arc ร่วมมือกับทีมที่มีคุณภาพสูงทางด้านเว็บ2 และเว็บ3 ที่แตกต่างกันเพื่อขยายความสามารถของ Rig บางความร่วมมือรวมถึงร่วมมือกับ Soulgraph ในการพัฒนาตัวตัวแทนและร่วมมือกับ Listen และ Solana Agent Kit ในการพัฒนาคุณลักษณะของบล็อกเชน

เพื่อให้เข้าใจถึงความหมายของข้อความเดิมก่อนที่จะแปลเป็นภาษาปลายทาง

ก่อนที่จะเริ่ม Daydreams lordOfAFew ผู้ก่อตั้งเป็นผู้มีส่วนร่วมสำคัญในโครงสร้างของ Eliza ซึ่งทำให้เขาได้รับความคุ้นเคยกับการเจริญเติบโตของโครงสร้างนี้และสิ่งสำคัญกว่าคือพบกับข้อบกพร่องบางประการ Daydreams แตกต่างจากโครงสร้างอื่นๆ ตรงที่มันเน้นการ推理ทฤษฎีเชื่อแบบเชื่อมโยงเพื่อช่วยให้ตัวแทนบรรลุวัตถุประสงค์ระยะยาว นั่นหมายถึงเมื่อมีเป้าหมายระดับสูงและซับซ้อนตัวแทนจะต้องทำการ推理หลายขั้นตอน นำเสนอมาตราการต่างๆ และตามการดำเนินการว่ามันช่วยให้บรรลุเป้าหมายหรือไม่ และดำเนินกระบวนการนี้ต่อเพื่อทำความคืบหน้า สร้างให้ตัวแทนที่สร้างด้วย Daydreams มีความอิสระจริง

พฤติกรรมของผู้ก่อตั้งมีผลต่อวิธีการนี้ในการสร้างโครงการเกม การเล่นเกมโดยเฉพาะเกมบนโซนเป็นที่อบรมตัวแทนและทดสอบความสามารถของมัน ไม่แปลกใจเลยที่บางทักษะของ Daydreams ต้องใช้งานแรกเริ่มในเกมเช่น Pistols, Istarai และ PonziLand

เฟรมเวิร์กยังมีการทํางานร่วมกันแบบหลายตัวแทนที่มีประสิทธิภาพและการใช้งานเวิร์กโฟลว์การประสาน

เช่นเดียวกับ Daydreams Pippin ยังเป็นผู้มาสายในการวางกรอบเกม เรามีรายละเอียดการเปิดตัวในโพสต์นี้ หัวใจสําคัญของวิสัยทัศน์ของ Yohei คือการให้ตัวแทนเป็น "สถานะดิจิทัล" ที่สามารถทํางานได้อย่างชาญฉลาดและเป็นอิสระด้วยการเข้าถึงเครื่องมือที่เหมาะสม วิสัยทัศน์นี้รวมอยู่ในแกนกลางที่เรียบง่ายแต่สง่างามของ Pippin ด้วยโค้ดเพียงไม่กี่บรรทัดคุณสามารถสร้างเอเจนต์ที่ซับซ้อนซึ่งสามารถทํางานโดยอัตโนมัติหรือแม้แต่เขียนโค้ดด้วยตัวคุณเอง

! MAHfGrrIS2Xy6VWc4t47Sxn3wWWKjZDbLKoRAGAb.png

ข้อเสียของโครงสร้างนี้คือ มันขาดแคลนไปแม้แต่ฟังก์ชันพื้นฐานเช่นการฝังเวกเตอร์และการทำงานของ RAG นั้น มันยังส่งเสริมให้นักพัฒนาใช้ Composio ไลบรารีของบุคคลที่สามเพื่อการผสานรวมส่วนมาก แต่อย่างไรก็ดี มันยังไม่เพียงพอเทียบกับโครงสร้างอื่นที่เราได้พูดถึงมาก่อนหน้านี้

การสร้างพอร์ชันบาย Pippin บางส่วนรวมถึง Ditto และ Telemafia

Zerepy มีการดำเนินการหลักที่เรียบง่าย โดยการเลือกงานจากกลุ่มงานที่กำหนดไว้และดำเนินการเมื่อจำเป็น อย่างไรก็ตาม มันขาดการทำนายที่ซับซ้อน เช่น การเคลื่อนไหวโดยเป้าหมายหรือการวางแผนโดยเชื่อมโยงความคิด

ถึงแม้ว่ามันสนับสนุนการเรียกใช้การแยกตัว LLM หลายรายการ แต่มันขาดคุณลักษณะการฝังหรือการปฏิบัติของ RAG นอกจากนี้ยังขาดภาษาเชื่อมไฟหรือการจัดการตัวแทนหลายรุ่นใดๆ

การขาดคุณสมบัติหลักและการผสานรวมนี้สะท้อนให้เห็นในการนํา Zerepy มาใช้ เรายังไม่เคยเห็นพร็อกซี่จริงที่ใช้เฟรมเวิร์กนี้เผยแพร่

! jfKrVvasyMpTHCKaLZGOL1iDN1UqQkngP4aTwhrw.png

ใช้เฟรมเวิร์กในการสร้าง

หากทั้งหมดนี้ฟังเป็นเรื่องทางเทคนิคและทฤษฎี เราไม่ว่าใจคุณ. คำถามที่ง่ายกว่าคือ "ฉันสามารถใช้กรอบเหล่านี้สร้างตัวแทนที่เหมาะกับอะไร ๆ โดยไม่ต้องเขียนโค้ดเพียงมากนักหรือไม่?"

เพื่อประเมินเฟรมเวิร์กเหล่านี้ในการปฏิบัติจริง เราได้ระบุประเภทของตัวแทนห้าประเภทที่นักพัฒนาต้องการสร้างบ่อยครั้ง พวกเขาแทนความซับซ้อนที่แตกต่างกันและทดสอบด้านต่าง ๆ ของฟังก์ชันของเฟรมเวิร์กแต่ละรายการ

1. ตัวแทนสนทนาเอกสาร: ทดสอบความสามารถในการจัดการ RAG พื้นฐาน รวมถึงการจัดการเอกสาร การรักษาบริบท ความถูกต้องของการอ้างอิงและการจัดการหน่วยความจำ การทดสอบนี้เปิดเผยความสามารถในการนำทางของโครงสร้างระหว่างการเข้าใจเอกสารจริงและการจับคู่แบบเรียบง่าย
2. บอทแชท: ประเมินระบบความจำและความสอดคล้องของพฤติกรรม กรอบงานต้องรักษาลักษณะบุคลิกที่สอดคล้อง จดจำข้อมูลสำคัญในการสนทนา และอนุญาตให้กำหนดค่าบุคลิกภาพ โดยรวมแล้วเปลี่ยนบอทแชทที่ไม่มีสถานะเป็นตัวตั้งอยู่อย่างต่อเนื่อง
3. บอทซื้อขายแบบ On-chain: ทดสอบการผสานรวมภายนอกที่ทดสอบความเครียดโดยการประมวลผลข้อมูลตลาดแบบเรียลไทม์การทําธุรกรรมข้ามสายโซ่การวิเคราะห์ความเชื่อมั่นทางสังคมและการใช้กลยุทธ์การซื้อขาย สิ่งนี้แสดงให้เห็นว่าเฟรมเวิร์กจัดการกับโครงสร้างพื้นฐานบล็อกเชนที่ซับซ้อนและการเชื่อมต่อ API อย่างไร
4. ตัวละคร NPC: ถึงแม้ว่าโลกจะเริ่มสนใจตัวแทนเพียงในปีที่ผ่านมา แต่ตัวแทนในเกมเป็นตัวละครที่สำคัญมาตลอดหลายสิบปี (NPC) ตัวแทนในเกมกำลังเปลี่ยนจากตัวแทนที่ขึ้นอยู่กับกฎเป็นตัวแทนอัจฉริยะที่ขับเคลื่อนด้วย LLM และยังคงเป็นกรณีใช้หลักอย่างหนึ่งของกรอบทำงาน ที่นี่เราทดสอบความเข้าใจของตัวแทนในสภาพแวดล้อม การคิดเองอย่างเป็นอิสระในสถานการณ์และความสามารถในการปฏิบัติตามเป้าหมายระยะยาว
5. ผู้ช่วยด้วยเสียง: การประเมินความสามารถในการประมวลผลแบบเรียลไทม์และประสบการณ์ผู้ใช้ผ่านการตอบสนองเร็วและการบูรณาการแพลตฟอร์มสื่อสาร นี้ทดสอบว่าโครงสร้างสามารถรองรับแอปพลิเคชันที่แท้จริงแบบโต้ตอบได้ ไม่ใช่แค่โหมดร้องขอ-ตอบกลับเท่านั้น

เราให้คะแนนเต็ม 5 คะแนนสำหรับแต่ละประเภทของตัวแทนสำหรับทุกๆ เฟรมเวิร์ก นี่คือผลการทดสอบของพวกเขา:

! texgEesLgKZk5FxG1Dv8uWFaehDt7zDrzfEzGeu1.png

เมตริกโอเพ่นซอร์ส

! O8m4ShXL3jqjBDkDuKi9liuV2S1kBT3x5oqoX8dd.png

เมื่อประเมินเฟรมเวิร์กเหล่านี้ การวิเคราะห์ส่วนใหญ่จะให้ความสำคัญกับตัวชี้วัด GitHub เช่น จำนวน stars และ fork ที่ดูสำคัญมาก เราจะช่วยให้คุณเข้าใจว่าตัวชี้วัดเหล่านี้หมายถึงอะไร และมันสำคัญอย่างไรต่อคุณภาพของเฟรมเวิร์ก

การทำเครื่องหมายดาวเป็นสัญญาณของความนิยมที่ชัดเจนที่สุด โดยพื้นฐานเองก็คือคั่นกำรบนการเกือบกับโครเจคที่พัฒนาของพวกเขาที่พวกเขาคิดว่าน่าสนใจหรือต้องการติดตาม อย่างไรก็ตาม จำนวนดาวที่สูงอาจเป็นที่เข้าใจและสนใจอย่างแพร่หลาย แต่มันอาจสร้างความเขมือบใจ โครเจคบางโอกาสสามารถสะสมดาวผ่านการตลาดไม่ใช่ค่าความหมายทางเทคโนโลยี พิจารณาดาวเป็นหลักฐานทางสังคม และไม่ใช่เกณฑ์การวัดคุณภาพ

จำนวน Fork บอกคุณว่ามีนักพัฒนามากน้อยแค่ไหนที่สร้างสำเนาของรหัสของตนเองเพื่อสร้างบนพื้นฐานนั้น บำนาญมากของ fork มักหมายความว่านักพัฒนากำลังใช้งานและขยายโครงการนั้นๆ นักพัฒนามาก ยังคือว่า มีหลาย fork ที่ถูกละทิ้งในที่สุด ดังนั้นจำนวน fork ต้นฉบับต้องการบริบท

จำนวนผู้สนับสนุนแสดงถึงมีกี่นักพัฒนาที่ส่งโค้ดไปยังโครงการนี้จริงๆ ซึ่งมักมีความหมายมากกว่าดาวหรือการ fork จำนวนผู้สนับสนุนทั่วไปที่สมบูรณ์แข็งชี้ให้เห็นว่าโครงการนี้มีชุมชนที่ใช้งานและปรับปรุงอยู่

เราไปอีกขั้นตอนหนึ่งโดยการออกแบบตัวชี้วัดของเราเอง - คะแนนผู้มีส่วนร่วม เราประเมินประวัติที่เปิดเผยของนักพัฒนาแต่ละคน รวมถึงการมีส่วนร่วมในโครงการอื่น ๆ ในอดีต ความถี่ของกิจกรรม และความนิยมของบัญชีของพวกเขาและมอบคะแนนให้แต่ละผู้มีส่วนร่วม จากนั้นเราจะนำผลรวมของผู้มีส่วนร่วมทั้งหมดในโครงการมาหาค่าเฉลี่ยและนำมาให้น้ำหนักตามจำนวนของการมีส่วนร่วมของพวกเขา

เลขเหล่านี้หมายถึงอะไรสำหรับโครงสร้างของเรา?

ในสถานการณ์ส่วนใหญ่จำนวนดาวน์จะถูกละเลยไป สิ่งเหล่านี้ไม่ใช่ตัวชี้ที่มีความหมายในทางการ. ข้อยกเว้นที่นี่คือ Eliza ซึ่งเคยเป็นคลังข้อมูลแนวโน้มอันดับหนึ่งที่ GitHub ซึ่งเข้ากันไปกับการเป็นจุดศรัทธาของปัญญาประดิษฐ์ที่เป็นสิ่งที่สำคัญสำหรับทุกๆอย่างเกี่ยวกับคริปโต. อีกทั้ง นักพัฒนาที่มีชื่อเสียงอย่าง 0xCygaar ก็มีส่วนร่วมในโปรเจคนี้ด้วย. สิ่งเหล่านี้ยังแสดงให้เห็นในจำนวนคนร่วมกับโปรเจค— Eliza ดึงดูดคนร่วมมากขึ้น 10 เท่า—

นอกจากนี้ Daydreams นั้นน่าสนใจสำหรับเราเพียงแต่เพราะว่ามันดึงดูดนักพัฒนาที่มีคุณภาพสูง ในฐานะที่เป็นผู้เข้าร่วมในช่วงปีที่ผ่านมาโดยไม่ได้รับประโยชน์จากเครือข่ายของ Eliza

อะไรต่อไป? **

หากคุณเป็นนักพัฒนาเราหวังว่าเราจะได้เลือกตั้งแต่เริ่มต้นสำหรับคุณว่าคุณจะสร้างสรรค์โครงสร้างใด (หากคุณต้องการ) อย่างไรก็ตามคุณจำเป็นต้องทดสอบเหตุผลและการผสมผสานหลักของแต่ละโครงสร้างอย่างเต็มที่เพื่อให้เหมาะสมกับกรณีการใช้งานของคุณ นี่คือสิ่งที่หลีกเลี่ยงไม่ได้

จากมุมมองของผู้สังเกตการณ์ สิ่งที่สำคัญคือต้องจำไว้ว่า โครงสร้างตัวแทนปัญญาประดิษฐ์ทั้งหมดนี้ไม่เกินสามเดือน (ใช่ รู้สึกยาวนานกว่านั้น) ในช่วงเวลานี้ พวกเขามีการเปลี่ยนแปลงจากการตลาดแรงเงา ไปเป็นสิ่งที่เรียกว่า "อาคารหลอดอากาศ" นั่นคือธรรมชาติของเทคโนโลยี มีความผันผวนแม้ว่าเราก็เชื่อว่า พื้นที่นี้เป็นการทดลองใหม่ที่น่าสนใจและยาวนานในโดเมนของสกุลเงินดิจิทัล

สิ่งสำคัญคือว่าโครงสร้างเหล่านี้จะเจริญเติบโตทางเทคโนโลยีและการเป็นเงิน

เทียบเท่ากับเทคโนโลยีโครงสร้างสามารถสร้างความได้เปรียบสูงสุดสำหรับตัวแทนที่จะสามารถโต้ตอบกับเชื่อมต่อบนเชื่อมโยงได้อย่างไม่มีข้อบกพร่อง นี่คือเหตุผลหลักที่นักพัฒนาเลือกโครงสร้างเข้ารหัสเชิงเดิมแทนที่จะใช้โครงสร้างทั่วไป นอกจากนี้ การพัฒนาตัวแทนและเทคโนโลยีการสร้างตัวแทนเป็นปัญหาเทคโนโลยีอันเป็นมุมมองล้วนๆ ทุกวันก็มีความก้าวหน้าใหม่ ๆ โครงสร้างยังต้องพัฒนาอย่างต่อเนื่องและปรับตัวให้ทันควันของความก้าวหน้าเหล่านี้

เฟรมเวย์ทำให้การเปลี่ยนเป็นเงินมีความสนุกมากขึ้น ในช่วงเริ่มต้นเหล่านี้ การสร้างแพลตฟอร์มเริ่มต้นที่ได้รับแรงบันดาลจาก Virtuals เป็นผลไม้ที่สามารถเข้าถึงได้ง่ายสำหรับโครงการ แต่เราเชื่อว่ามีพื้นที่ในการทดลองอย่างมากที่นี่ เรากำลังเดินหน้าสู่อนาคตที่มีเอเจนต์ล้านตัวที่มุ่งเน้นอย่างเฉพาะทางในหลายๆ พื้นที่ที่สามารถจินตนาการได้ การมีเครื่องมือที่ช่วยให้พวกเขาสามารถประสานงานได้อย่างมีประสิทธิภาพสามารถหวังได้จากค่าธรรมเนียมการซื้อขาย การสร้างเป็นสิ่งที่เหมาะที่สุดในการจับค่าเหล่านี้

ในเวลาเดียวกัน การเงินของโครงสร้างก็เสแสร้งเป็นปัญหาการเงินโครงการโอเพนซอร์ซและการตอบแทนสู่ผู้มีส่วนร่วม ผู้มีส่วนร่วมเหล่านี้มักทำงานอย่างไม่ได้รับเงิน และมีความยากลำบาก ถ้าทีมหนึ่งสามารถแก้ปัญหาเรื่องการสร้างเศรษฐกิจโอเพนซอร์ซที่ยั่งยืน พร้อมรักษาโค้ดของวิธีการพื้นฐานไว้ได้ ผลกระทบของมันจะไกลเกินไปจากโครงสร้างพร็อกซี

เป็นหัวข้อที่เราหวังว่าจะสำรวจในเดือนหลายๆ เดือนที่จะมา