AI acentesi çerçevesi savaşı: Eliza, Rig, Daydreams kim daha üstün

Yazar: Shlok Khemani, Oliver Jaros Kaynak: Decentralised.co Çeviri: Shanooba, Altın Finans

Bugünkü makale, vekil çerçevesinin açıklaması ve bunların gelişme düzeyine yönelik değerlendirmemizi içeriyor. Ayrıca, kripto para birimi ve vekillik alanlarında çalışan girişimciler için bir öneri toplama çağrısıdır.

Geçtiğimiz yıl, Decentralised.co kripto ve yapay zeka alanlarının kesişimini derinlemesine inceledi. Hatta 70,000'den fazla kişinin kullandığı, yapay zeka ajanlarını ve ajan altyapısını izlemek için bir ürün bile oluşturduk. Son birkaç hafta boyunca bu alan etrafında dönen çılgınlık azaldı olsa da, yapay zekanın teknoloji ve toplum üzerindeki etkisi internetten bu yana görmediğimiz bir şey. Eğer kripto para birimleri geleceğin finansal rotası olacaksa, tahmin ettiğimiz gibi, o zaman kripto para birimleri ile yapay zekanın kesişimi tekrarlayan bir tema olacak, geçici değil.

Bu dalga içinde ortaya çıkan daha ilginç proje türlerinden biri, şifreli yerel yapay zeka ajan çerçevesidir. Bunlar, blok zincirinin temel prensiplerini - lisanssız değer transferi, şeffaflık ve tutarlı teşvik - yapay zeka geliştirmeye taşıyan etkileyici bir deneydir. Açık kaynaklı doğaları bize, onların taahhütlerini analiz etmekle kalmayıp, aynı zamanda gerçek çalışma şekillerini de inceleme nadir bir fırsat sunar.

Bu makalede, öncelikle acentelerin gerçek anlamını ve önemini analiz ediyoruz. Sonra açık bir sorunu ele alıyoruz: Neden LangChain gibi olgun seçenekler varken, şifreleme yerel çerçevelere ihtiyaç duyuyoruz? Bu nedenle, önde gelen şifreleme yerel çerçevelerini ve farklı kullanım durumlarındaki avantajlarını ve sınırlamalarını analiz ettik. Son olarak, yapay zeka acentesi oluşturuyorsanız, hangi çerçevenin ihtiyaçlarınıza uygun olabileceğine karar vermenize yardımcı olacağız. Ya da çerçeve kullanarak oluşturmalı mısınız?

Derinlemesine inceleyelim.

Soyut

"Medeniyetin ilerlemesi, düşünmeden gerçekleştirebileceğimiz önemli işlemlerin sayısını genişletmektedir." - Alfred North Whitehead

Atalarımızın nasıl yaşadığını düşünün. Her aile kendi yiyeceklerini yetiştirmek, kendi kıyafetlerini yapmak, kendi konutlarını inşa etmek zorundaydı. Temel geçim görevlerine sayısız zaman harcadılar ve neredeyse hiç zamanları başka şeyler yapmaya olmadı. Sadece iki yüzyıl önce bile, nüfusun yaklaşık %90'ı tarım sektöründe çalışıyordu. Bugün, marketlerden yiyecek alıyor, uzmanlar tarafından inşa edilen evlerde yaşıyor, uzak fabrikalarda üretilen kıyafetler giyiyoruz. Nesiller boyu emek harcanan görevler basit bir alışverişe dönüştü. Günümüzde, küresel nüfusun sadece %27'si tarımla uğraşıyor (gelişmiş ülkelerde %5'in altına düştü).

Bir yeni teknolojiyi öğrenmeye başladığımızda, tanıdık bir desen ortaya çıkar. İlk olarak temel prensipleri anlarız - hangisinin etkili olduğunu, hangisinin etkisiz olduğunu ve hangi desenlerin sürekli olarak ortaya çıktığını. Bu desenler netleştiğinde, onları daha kolay, daha hızlı ve daha güvenilir bir soyuta dönüştürürüz. Bu soyutlar zaman ve kaynakları serbest bırakarak daha çeşitli ve anlamlı zorluklarla başa çıkmak için kullanılır. Yazılım inşa etmek de böyledir.

cfpYG94rSxhzdHHC3T4K0tAk7UApcvUMQoqb5hCa.png

Web geliştirme örneğini ele alalım. Başlangıçta, geliştiriciler her şeyi sıfırdan yazmak zorundaydı - HTTP isteklerini işlemek, durumu yönetmek ve UI oluşturmak - bu görevler hem karmaşıktı hem de zaman alıyordu. Daha sonra, React gibi çerçeveler gibi yararlı soyutlamalar sunarak bu zorlukları büyük ölçüde basitleştiren çözümler ortaya çıktı. Mobil gelişim de benzer bir yol izledi. İlk başta, geliştiricilerin derinlemesine platforma özgü bilgilere ihtiyacı vardı, ta ki React Native ve Flutter gibi araçlar ortaya çıkana kadar, kod yazıp herhangi bir yere dağıtabilir hale geldiler.

Makine öğreniminde benzer soyutlama modelleri de ortaya çıkmıştır. 2000'lerin başlarında araştırmacılar, GPU'nun ML iş yükü içindeki potansiyelini keşfettiler. Başlangıçta, geliştiriciler grafik öğeleri ve OpenGL gibi GLSL gibi dillerle uğraşmak zorunda kaldılar - bu araçlar genel hesaplama için tasarlanmamıştı. 2006 yılında, NVIDIA CUDA'yı piyasaya sürdü, GPU programlamayı daha kolay hale getirdi ve ML eğitimini daha geniş bir geliştirici kitlesine taşıdı, her şey değişti.

ML gelişiminin ivme kazanmasıyla, GPU programlamasının karmaşıklığını soyutlamak için özel çerçeveler ortaya çıktı. TensorFlow ve PyTorch, geliştiricilerin model mimarisine odaklanmalarını sağlar, altta yatan GPU kodlarına veya uygulama ayrıntılarına saplanmalarını engeller. Bu, model mimarisinin iterasyonunu hızlandırır ve geçtiğimiz yıllarda gördüğümüz AI/ML'nin hızlı ilerlemesine katkıda bulunur.

Şimdi, tıpkı bir insan asistanı veya çalışanı gibi, bir hedefe ulaşmak için kararlar verebilen ve harekete geçebilen bir yazılım programı olan bir AI aracısının benzer bir evrimini görüyoruz. "Beyni" olarak büyük bir dil modeli kullanır ve görevleri gerçekleştirmek için web'de arama yapmak, API çağrıları yapmak veya veritabanlarına erişmek gibi farklı araçları kullanabilir.

Bir aracı baştan oluşturmak için geliştiricilerin her yönü ele almak için karmaşık kodlar yazmaları gerekmektedir: aracın düşünme şekli, hangi aracın ve ne zaman kullanılacağına karar verme, bu araçlarla nasıl etkileşime geçileceği, erken etkileşimin bağlamını hatırlama ve büyük görevleri yönetilebilir adımlara nasıl parçalayacağı. Her bir model ayrı ayrı ele alınmalıdır, bu da tekrar çalışma ve tutarsız sonuçlara yol açar.

AI proxy çerçevesinin devreye girdiği yer burasıdır. React, UI güncellemelerinin ve durum yönetiminin zor kısımlarını ele alarak web geliştirmeyi basitleştirdiği gibi, bu çerçeveler de AI aracıları oluşturmadaki yaygın zorlukları ele alır. Bir temsilcinin karar verme sürecinin nasıl yapılandırılacağı, farklı araçların nasıl entegre edileceği ve birden çok etkileşimde bağlamın nasıl korunacağı gibi keşfettiğimiz etkili kalıplar için kullanıma hazır bileşenler sağlarlar.

Çerçeve kullanarak geliştiriciler, özel işlevlerini ve kullanımlarını benzersiz kılmaya odaklanabilirler - temel bileşenleri yeniden oluşturmak yerine. Birkaç gün veya hafta içinde karmaşık yapay zeka ajanları oluşturabilirler, aylar değil, farklı yöntemleri daha kolay deneyebilirler ve diğer geliştiricilerden ve topluluktan keşfedilen en iyi uygulamalardan ilham alabilirler.

Çerçevenin önemini daha iyi anlamak için, doktorların tıbbi raporları incelemelerine yardımcı olacak bir ajanın geliştirilmesini düşünün. Bir çerçeve olmadan, tüm kodları sıfırdan yazmaları gerekir: e-posta eklerini işleme, PDF'den metin çıkarma, metni LLM'ye doğru biçimde girmek, tartışılan içeriği izlemek için iletişim geçmişini yönetmek ve ajanın uygun yanıtı vermesini sağlamak. Belirli kullanım durumları için olmayan görevler için, bu oldukça karmaşık bir kodlama işlemidir.

Vekil çerçevesi kullanarak, birçok bu yapı taşı doğrudan kullanılabilir. Bu çerçeve, e-posta ve PDF'leri okuma, tıbbi bilgi ipuçları oluşturma modelleri sağlama, konuşma akışlarını yönetme ve hatta birden fazla iletişimdeki önemli ayrıntıları takip etmeye yardımcı olma işlevlerini yerine getirir. Geliştiriciler, acentelerini farklı kılan yönlerine odaklanabilirler, örneğin tıbbi analiz ipuçlarını ayarlama veya tanıya yönelik belirli güvenlik kontrolleri eklemek gibi, yaygın modelleri yeniden icat etmek yerine. Başlangıçta baştan oluşturmak için aylar sürebilecek içerik, artık birkaç gün içinde prototip tasarımı tamamlanabilir.

LangChain, yapay zeka geliştirme için İsviçre çakısı haline geldi ve LLM tabanlı uygulamaları oluşturmak için esnek bir araç seti sağladı. Katı bir şekilde bir ajans çerçevesi olmasa da, çoğu ajans çerçevesinin temel yapı taşlarını sağlar, LLM çağrılarını sıralamak için zincirden, bağlamı korumak için bellek sistemine kadar. Kapsamlı entegrasyon ekosistemi ve zengin belgeler, kullanışlı yapay zeka uygulamaları oluşturmayı uman geliştiriciler için tercih edilen başlangıç noktası haline getiriyor.

Ardından, CrewAI ve AutoGen gibi çoklu zeka ajanı çerçeveleri, geliştiricilerin birbirleriyle işbirliği yapabilen çok sayıda yapay zeka ajanı oluşturmalarına olanak tanır, her bir ajanın kendine özgü bir rolü ve yetenekleri vardır. Bu çerçeveler, görevleri sıralamak yerine, problemleri birlikte çözmek için diyalog yoluyla ajan işbirliğine vurgu yapar.

SXYgyuC4qnpplO0idJXnSanSo3OXAp1TMMrHtspG.png

Örneğin, bir araştırma raporunu dağıtırken, bir ajan yapısını özetleyebilir, başka bir ajan ilgili bilgileri toplayabilir, üçüncü bir ajan ise nihai taslağı inceleyip geliştirebilir. Bu, sanal bir ekip oluşturmak gibidir, yapay zeka ajanları tartışabilir, çekişebilir ve çözümleri birlikte geliştirebilir. Yüksek düzeydeki hedefleri gerçekleştirmek için bu şekilde işbirliği yapan çoklu ajan sistemlerine genellikle yapay zeka ajan 'kümesi' denir.

AutoGPT, geleneksel bir çerçeve olmasa da, otonom yapay zeka acenteleri kavramını başlatmıştır. Yapay zekanın nasıl yüksek seviyeli bir hedefi kabul ettiğini, onu alt görevlere böldüğünü ve çok az insan girdisiyle bağımsız olarak tamamladığını göstermektedir. Sınırlamaları olmasına rağmen, AutoGPT otonom ajanların inovasyon dalgasını tetikledi ve takip eden daha yapılandırılmış çerçevelerin tasarımını etkiledi.

Ancak neden şifreli?

Tüm bu arka plan sonunda bizi kripto doğal zeka ajanı çerçevesinin yükselişine getirdi. Bu noktada, belki de şöyle düşünebilirsiniz, Web2'de Langchain ve CrewAI gibi nispeten olgun çerçevelere sahipken, Web3 neden kendi çerçevesine ihtiyaç duysun? Tabii ki, geliştiriciler istedikleri herhangi bir ajanı oluşturmak için bu mevcut çerçeveleri kullanabilirler mi? Bu şüphe, endüstrinin Web3'ü herhangi ve tüm hikayelere dayatmayı sevdiği göz önüne alındığında makul bir şüphedir.

Web3 özel ajan çerçevesinin varlığı için üç yeterli neden olduğunu düşünüyoruz.

Finansal aracılık yapan bir ağ üzerinde çalışan

Gelecekte finansal işlemlerin çoğunun blokzincir alanında gerçekleşeceğine inanıyoruz. Bu, blokzincir verilerini çözümleyebilen, blokzincir işlemlerini gerçekleştirebilen ve dijital varlıkları yöneten birçok protokol ve ağ arasında geçiş yapabilen bir tür yapay zeka ajanına olan ihtiyacı hızlandırdı. Arbitraj fırsatlarını tespit edebilen otomatik ticaret robotlarından gelir stratejilerini uygulayan portföy yöneticilerine kadar, bu ajanlar, blokzincir yeteneklerine derinlemesine entegre olmuş durumda olan çekirdek iş akışlarında çalışmaktadır.

UgKQjpORqg52fRAWEK0NlemKNxv7W03vfqHNYVkj.png

Geleneksel Web2 çerçeveleri bu görevler için yerleşik bileşenler sağlamaz. Akıllı sözleşmelerle etkileşime girmek, ham blok zincir olaylarını çözmek ve özel anahtar yönetimini ele almak için üçüncü taraf kütüphaneleri parçalamanız gerekir - bu da karmaşıklık ve potansiyel açıkların ortaya çıkmasına neden olabilir. Bunun yerine, özel Web3 çerçeveleri bu işlevleri hemen kullanıma sunarak geliştiricilerin düşük seviyeli blok zinciri borularıyla uğraşmak yerine ajanslarının mantığına ve stratejilerine odaklanmasını sağlar.

Doğal Koordinasyon ve Teşvik

Blockchain sadece dijital para birimlerini ilgilendirmiyor. Küresel, güvene dayalı bir kayıt sistemi sunarlar ve yerleşik finansal araçlar çoklu aracı koordine etmeyi güçlendirebilir. Geliştiriciler, birden fazla AI aracının çıkarlarını koordine etmek için zincir üstü temel (mesela teminat, güven hesabı ve teşvik havuzu) kullanabilirler, bu da zincir dışı itibara veya izole veritabanlarına güvenmek zorunda olmadıkları anlamına gelir.

Bir grup aracının işbirliği yaparak karmaşık bir görevi tamamladığını hayal edin (örneğin, yeni bir model eğitimi için veri işaretleme). Her aracının performansı izlenebilir ve katkılara göre otomatik olarak ödüller dağıtılabilir. Blockchain tabanlı sistemlerin şeffaflığı ve değişmezliği adil ödemeleri, daha güçlü itibar takibi ve gerçek zamanlı gelişen teşvik programlarını mümkün kılar.

Kripto özgün çerçeve, geliştiricilerin her bir temsilciye güveni temsil etmek veya başka bir temsilciye ödeme yapmak zorunda kalmadan, akıllı sözleşme tasarımıyla teşvik yapılandırması kullanmasına olanak tanıyan bu işlevleri açıkça gömülmesine izin verir.

Erken pazarın yeni fırsatları

LangChain gibi çerçevelerin düşünce paylaşımı ve ağ etkisi gibi özellikleri olsa da, yapay zeka temsilcileri alanı hala başlangıç aşamasında. Şu anda bu sistemlerin nihai durumunun ne olacağı belirsizdir ve pazarı kilitleyecek bir yöntem de bulunmamaktadır.

Kripto ekonomi teşvikleri, geleneksel SaaS veya Web2 ekonomisiyle tam olarak eşleştirilemeyen çerçevelerin nasıl oluşturulduğu, yönetildiği ve para kazanıldığı konusunda yeni olanaklar sunar. Bu erken aşamadaki denemeler, yalnızca çerçevenin üzerine inşa edilmiş proxy'ler yerine çerçevenin kendisi için yeni para kazanma stratejilerinin kilidini açabilir.

Rakipler

  1. ElizaOS, popüler proje AI16Z ile ilişkilendirilmiş bir Typescript tabanlı bir çerçevedir, AI ajanlarını oluşturmak, dağıtmak ve yönetmek için kullanılır. Web3 dostu bir AI ajan işletim sistemi olarak tasarlanmış olup, geliştiricilere benzersiz kişiliklere sahip ajanlar oluşturma, blok zinciri etkileşimi için esnek araçlar ve çoklu ajan sistemleri aracılığıyla kolayca genişletme imkanı sunar.
  2. Rig, Playgrounds Analytics Inc. tarafından geliştirilen açık kaynaklı bir AI ajan çerçevesidir. Rust programlama dili kullanılarak oluşturulmuş olup modüler ve genişletilebilir AI ajanları oluşturmak için kullanılır. AI Rig Complex (ARC) projesi ile ilişkilidir.
  3. Daydreams, bir vekil çerçeve oluşturucudur ve başlangıçta zincir tabanlı oyunlar için özerk vekiller oluşturmak amacıyla oluşturulmuştur, ancak daha sonra zincir tabanlı görevleri yürütmeye genişletilmiştir.
  4. Pippin, BabyAGI'nin kurucusu Yohei Nakajima tarafından geliştirilen AI ajan çerçevesidir, geliştiricilere modüler ve özerk dijital asistanlar oluşturmalarına yardımcı olmayı amaçlamaktadır. Yohei önce bağımsız bir ajan oluşturdu, ardından bunu genel bir çerçeveye genişletti.
  5. ZerePy, çoklu platformlara ve blok zincirine dağıtılan özgür Python çerçevesidir, yaratıcı AI ve sosyal medya entegrasyonuna odaklanmaktadır. Pippin ile aynı şekilde, Zerepy başlangıçta bağımsız bir ajan olan Zerebro olarak başladı, daha sonra bir çerçeve olarak genişledi.

Standart

Her bir çerçevenin gücünü değerlendirmek için yapay zeka ajanı oluşturmak isteyen geliştiricilerin bakış açısından hareket ediyoruz. Onlar neyle ilgilenecek? Değerlendirmeyi üç ana kategoriye ayırmak faydalı olacaktır: çekirdek, işlevsellik ve geliştirici deneyimi.

Çerçevenin çekirdeğini, diğer tüm yetkililerin temeli olarak düşünebilirsiniz. Çekirdek zayıf, yavaş veya sürekli gelişmiyorsa, çerçeve ile oluşturulan yetkililer aynı kısıtlamalara tabi olacaktır. Çekirdeği aşağıdaki kriterlere göre değerlendirebilirsiniz:

  1. Temel Akıl Yürütme Döngüsü: Herhangi bir proxy çerçevesinin beyni; Sorunu nasıl çözer. Güçlü çerçeve, temel girdi-çıktı akışlarından düşünce zincirleri gibi karmaşık kalıplara kadar her şeyi destekler. Güçlü muhakeme yetenekleri olmadan, temsilciler karmaşık görevleri etkili bir şekilde parçalayamaz veya birden fazla seçeneği değerlendiremez ve bunları gösterişli sohbet robotlarına dönüştüremez.
  2. Hafıza Mekanizması: Bir ajanın sürekli iletişim kurabilmesi için hem kısa vadeli hafızaya ihtiyacı vardır hem de kalıcı bilgiye erişebilmesi için uzun vadeli depolamaya ihtiyacı vardır. İyi bir çerçeve sadece hatırlamakla kalmaz - farklı bilgiler arasındaki ilişkiyi anlar ve hangi bilgilerin korunmaya değer olduğunu ve hangilerinin unutulmaya değer olduğunu önceliklendirir.
  3. Entegrasyon ve RAG Desteği: Modern ajansların dış bilgi kaynaklarına, belgelere ve pazar verilerine ihtiyacı vardır. Güçlü bir çerçeve, bu bilgileri kolayca entegre edebilir ve RAG'a dayalı olarak bu bilgileri bağlam içinde arayarak yanıtları belirli bir bilgi temeline oturtabilir, yalnızca temel model eğitimine dayanmak yerine.
  4. Kişiselleştirilmiş Yapılandırma: Kullanıcı katılımı için müşteri hizmetleri personelinin iletişim tarzını (ton, nezaket ve karakter) şekillendirme yeteneği hayati önem taşır. İyi bir çerçeve, bu özellikleri kolayca yapılandırabilir ve müşteri hizmetleri personelinin kişiliğinin kullanıcı güvenine önemli ölçüde etki edebileceğini fark edebilir.
  5. Çoklu Vekil Koordinasyonu: Güçlü bir çerçeve, yapılandırılmış diyalog, görev atama veya paylaşılan bellek sistemleri aracılığıyla acenteler arasındaki işbirliği için yerleşik modeller sunar. Bu, her bir acentenin benzersiz yeteneklerini kullanarak sorunları birlikte çözmek için profesyonel bir ekip oluşturulmasını sağlar.

Çerçevenin gerçek yararı, temel işlevlerin ötesinde büyük ölçüde işlevselliğine ve entegrasyonuna bağlıdır. Araçlar, ajansın gerçek işlevlerini büyük ölçüde genişletir. LLM erişim iznine sahip yalnızca ajanlar konuşmalara katılabilir, ancak onlara web tarayıcısına erişim izni verildiğinde, gerçek zamanlı bilgileri alabilirler. Takvim API'nıza bağlayarak toplantılar düzenleyebilir. Her yeni araç, ajanın işlevselliğini katlanarak artırır. Geliştiriciler açısından, araç sayısı arttıkça seçenekler ve deneme kapsamı da artar.

Kripto doğal çerçevenin işlevselliğini üç boyuttan değerlendiriyoruz:

  1. AI model support and functionality: The powerful framework provides native integration with a variety of language models - from OpenAI's GPT series to open source alternatives such as Llama and Mistral. But this is not just about LLM. Support for other AI functions such as text-to-speech, browser usage, image generation, and local model inference can greatly expand the capabilities of the agent. Powerful model support is becoming a prerequisite for many such frameworks.
  2. Web3 Altyapı Desteği: Bir kripto proxy'si oluşturmak, blok zinciri altyapısıyla derin entegrasyon gerektirir. Bu, işlem imzalama için cüzdanlar, zincir iletişimi için RPC'ler ve veri erişimi için indeksleyiciler gibi gerekli Web3 bileşenlerinin desteklenmesi anlamına gelir. Güçlü bir çerçeve, NFT pazar yerleri ve DeFi protokollerinden kimlik çözümlerine ve veri kullanılabilirliği katmanlarına kadar ekosistemdeki temel araçlar ve hizmetlerle entegre olmalıdır.
  3. Zincir Kapsamı: Web3 altyapı desteği, vekillerin ne yapabileceğini belirlerken, zincir kapsamı ise onların nerede yapabileceklerini belirler. Kripto ekosistemi, geniş bir zincir kapsamının önemini vurgulayan, dağınık bir çoklu zincir devi haline gelme yolunda ilerliyor.

Sonuçta, en güçlü çerçeve bile geliştiricilerin deneyimi kadar iyi olabilir. Bir çerçeve birinci sınıf özelliklere sahip olabilir, ancak geliştiricilerin onu etkili bir şekilde kullanmaları zor ise, asla geniş çapta benimsenmeyecektir.

  1. Framework kullanılan dil, onu kimin inşa edebileceğini doğrudan etkiler. Python, yapay zeka ve veri bilimi alanında önde gelen bir konuma sahip olduğundan, doğal olarak yapay zeka çerçevesi seçimi haline gelir. Nispeten az bilinen bir dil kullanılarak yazılan çerçeveler benzersiz avantajlara sahip olabilir, ancak daha geniş bir geliştirici ekosisteminden uzaklaşmalarına neden olabilir. JavaScript'in web geliştirme alanında yaygınlığı, özellikle web entegrasyonu için hedeflenen çerçeveler için güçlü bir rakip haline gelmesini sağlar.
  2. Net ve kapsamlı belgeler, geliştiricilerin yeni bir çerçeveyi benimsemesinin hayati önem taşıyan unsurlarıdır. Bu sadece API referansı değil, ancak bunlar da son derece önemlidir. Güçlü belgeler, temel prensipleri açıklayan kavramsal bir genel bakış, adım adım kılavuzlar, iyi açıklanmış örnek kodlar, eğitim öğreticileri, sorun giderme kılavuzları ve belirlenmiş tasarım kalıpları içermelidir.

Sonuç

Aşağıdaki tablo, her çerçevenin belirlediğimiz parametrelerdeki performansını (1-5 arasındaki sıralama) özetlemektedir.

QTbxg0nhpjbbKbgJdAE0VDDYvQN3qF5biJlLAxNq.png

Her ne kadar her veri noktasının arkasındaki nedenleri tartışmak bu makalenin kapsamının ötesine geçse de, her bir çerçevenin bize bıraktığı bazı belirgin izlenimler şunlardır.

Eliza, bugüne kadar bu listedeki en olgun çerçevedir. Eliza çerçevesi, kripto ekosisteminin son temsilcisi dalgasında yapay zekaya temas etmiş olduğundan, dikkat çeken bir özelliği desteklediği özelliklerin ve entegrasyonların sayısının çokluğudur.

ZK8bWvOX185Ygh0O1vGd5JaLPrIjlTgHtKXkXlkm.png

Bilinirliği nedeniyle, her blok zinciri ve geliştirme aracı, kendi kendini bu çerçeveye entegre etmeye çalışıyor (şu anda neredeyse 100 entegrasyona sahip!). Aynı zamanda, Eliza, çoğu çerçeveden daha fazla geliştirici etkinliği çekiyor. Eliza, en azından kısa vadede çok net bir ağ etkisinden faydalanıyor. Bu çerçeve, TypeScript ile yazılmıştır, bu da hem yeni başlayanlar hem de deneyimli geliştiriciler tarafından kullanılan olgun bir dildir, bu da onun gelişimini daha da hızlandırıyor.

Eliza, geliştiricilerin bu çerçeveyi kullanmaları için sunduğu zengin eğitim içeriği ve eğitimleriyle ön plana çıktı.

Spore, Eliza (proxy) ve Pillzumi dahil olmak üzere Eliza çerçevesini kullanan bir dizi proxy gördük. Eliza çerçevesinin yeni bir sürümünün önümüzdeki haftalarda piyasaya sürülmesi bekleniyor.

Rig'in yaklaşımı Eliza'nın yaklaşımıyla tamamen farklıdır. Güçlü, hafif ve yüksek performanslı bir çekirdeğe sahip olmasıyla öne çıkıyor. Sıralı uygulama ipuçları, düzenleme (çoklu ajansların koordinasyonu), koşullu mantık ve paralellik (eş zamanlı işlemlerin yürütülmesi) dahil olmak üzere çeşitli çıkarım modellerini destekler.

Ancak Rig kendisi çok zengin entegrasyona sahip değil. Bunun yerine, farklı bir yaklaşım olan 'Arc el sıkışma' yöntemini benimsiyor, Arc ekibi Web2 ve Web3'teki farklı yüksek kaliteli ekiplerle işbirliği yaparak Rig'in işlevselliğini genişletiyor. Bu işbirliklerinden bazıları, Soulgraph ile ajan profilleri geliştirmek için işbirliği yapma ve Listen ile Solana Agent Kit ile işbirliği yapma gibi işbirlikler içerir.

Yine de, Rig'in iki dezavantajı var. İlk olarak, olağanüstü performansa sahip olmasına rağmen, Rust ile yazılmış olması, geliştiricilerin nispeten az bilmesine neden olmaktadır. İkinci olarak, gerçek uygulamalarda sınırlı sayıda Rig destekli ajanın görüldüğünü gördük (AskJimmy bir istisna), bu da gerçek geliştirici benimseme durumunu değerlendirmeyi zorlaştırmaktadır.

Daydreams'e başlamadan önce, kurucu lordOfAFew, Eliza çerçevesinin başlıca katkıda bulunan kişisiydi. Bu, onun çerçevenin büyümesiyle temas etmesini sağladı ve daha da önemlisi, bazı eksikliklerle temas etmesini sağladı. Daydreams'ün diğer çerçevelerden farkı, bu çerçevenin düşünce zinciri çıkarımına odaklanması ve ajanların uzun vadeli hedeflerine ulaşmalarına yardımcı olmasıdır. Bu, bir yüksek seviye ve karmaşık bir hedef verildiğinde, ajanın adım adım çıkarım yapmasını, çeşitli eylemler önermesini, bu eylemlerin hedefe ulaşmaya yardımcı olup olmadığına göre bunları kabul etmesini veya reddetmesini ve bu süreci ilerletmek için devam etmesini gerektirir. Bu, Daydreams kullanılarak oluşturulan ajanların gerçekten özerk olmalarını sağlar.

Kurucunun oyun projeleri üzerindeki geçmişi bu yöntemi etkiledi. Oyunlar, özellikle zincir üstü oyunlar, ajanları eğitmek ve yeteneklerini test etmek için ideal bir ortamdır. Şaşırtıcı olmayan bir şekilde, Daydreams ajanının bazı erken kullanım durumları Pistols, Istarai ve PonziLand gibi oyunlarda gerçekleşti.

Bu çerçeve ayrıca güçlü çoklu aracı işbirliği ve düzenleme iş akışı uygulamalarına sahiptir.

Daydreams'e benzer şekilde, Pippin de çerçeve oyunlarına geç kalmıştır. Bu yazıda serbest bırakılmasını detaylandırdık. Yohei'nin vizyonunun merkezinde, temsilcilerin doğru araçlara erişimle akıllı ve özerk bir şekilde çalışabilen "dijital bir varlık" olması yer alıyor. Bu vizyon, Pippin'in basit ama zarif özünde somutlaşmıştır. Yalnızca birkaç satır kodla, bağımsız olarak çalışabilen ve hatta kendiniz için kod yazabilen karmaşık bir aracı oluşturabilirsiniz.

MAHfGrrIS2Xy6VWc4t47Sxn3wWWKjZDbLKoRAGAb.png

Bu çerçevenin dezavantajı, destek vektör gömme ve RAG iş akışı gibi temel işlevlerin bile yetersiz olmasıdır. Ayrıca, geliştiricilerin çoğu entegrasyon için üçüncü taraf kitaplığı Composio'yu kullanmalarını teşvik eder. Bugüne kadar tartışılan diğer çerçevelerle karşılaştırıldığında, olgunlaşmaktan uzaktır.

Pippin tarafından inşa edilen bazı vekiller arasında Ditto ve Telemafia bulunmaktadır.

Zerepy, nispeten basit bir temel uygulamaya sahiptir. Belirli bir görev kümesinden bir görevi etkili bir şekilde seçer ve gerektiğinde onu yürütür. Ancak hedef odaklı veya düşünce zinciri planlaması gibi karmaşık akıl yürütme modellerinden yoksundur.

Birden çok LLM'ye çıkarım çağrılarını desteklese de, herhangi bir ekleme veya RAG uygulamasından yoksundur. Ayrıca bellek veya çok ajanlı koordinasyon için herhangi bir ilkelden yoksundur.

Bu temel işlevsellik ve entegrasyon eksikliği, Zerepy'in benimsenmesine yansıyor. Henüz bu çerçeveyi kullanan herhangi bir gerçek vekilin çevrimiçi olduğunu görmedik.

jfKrVvasyMpTHCKaLZGOL1iDN1UqQkngP4aTwhrw.png

Yapı oluşturmak için çerçeve kullanın

Eğer tüm bunlar size çok teknik ve teorik geliyorsa, sizi suçlamayız. Daha basit bir soru şu: "Bu çerçeveleri kullanarak kendi kodlarımı yazmadan hangi tür ajanlar oluşturabilirim?".

Bu çerçeveleri uygulamada değerlendirmek için, geliştiricilerin sıkça oluşturmak istediği beş yaygın ajan türünü belirledik. Bunlar farklı karmaşıklık düzeylerini temsil eder ve her çerçevenin işlevselliğinin çeşitli yönlerini test eder.

  1. Belge Sohbet Ajanı: Belgelerin işlenmesi, bağlamın korunması, doğruluk ve bellek yönetimi gibi temel RAG işlevlerini test edin. Bu test, çerçevenin gerçek belge anlayışı ile basit desen eşleştirmesi arasındaki gezinme yeteneğini ortaya koyar.
  2. Chatbot: Değerlendirme bellek sistemi ve davranış tutarlılığı. Bu çerçeve tutarlı bir kişilik özelliği korumalı, konuşmadaki önemli bilgileri hatırlamalı ve kişisel yapılandırmaya izin vermelidir, temel olarak durumsuz sohbet botunu kalıcı bir dijital varlığa dönüştürmelidir.
  3. On-chain Trade Bot: Dış entegrasyon için gerilim testleri yaparak, gerçek zamanlı piyasa verilerini işleyerek, cross-chain işlemler gerçekleştirerek, sosyal duyguları analiz ederek ve ticaret stratejilerini uygulayarak nasıl ele aldığını gösterir. Bu, çerçevenin karmaşık blok zinciri altyapısını ve API bağlantılarını nasıl ele aldığını ortaya koyuyor.
  4. Oyun NPC'si: Dünya son bir yılda temsilci konusuna odaklanmaya başlamasına rağmen, temsilciler yıllardır oyunlarda (NPC) olarak hayati bir rol oynamaktadır. Oyun temsilcileri, kural tabanlı temsilcilerden LLM tarafından desteklenen akıllı temsilcilere dönüşüyor ve hala çerçevenin ana kullanım durumu olarak kalıyor. Burada, temsilcilerin çevreyi anlama, senaryoları bağımsız olarak çözme ve uzun vadeli hedefleri gerçekleştirme becerisi test edilmektedir.
  5. Sesli Asistan: Gerçek zamanlı işleme ve kullanıcı deneyimini değerlendirmek için ses işleme, hızlı yanıt süresi ve mesaj iletim platformu entegrasyonuyla. Bu, çerçevenin sadece basit istek-yanıt modundan ziyade gerçek etkileşimli uygulamaları destekleyip destekleyemeyeceğini test eder.

Her çerçeve için her vekil türü için 5 üzerinden puan verdik. İşte performansları:

texgEesLgKZk5FxG1Dv8uWFaehDt7zDrzfEzGeu1.png

Açık Endeks

O8m4ShXL3jqjBDkDuKi9liuV2S1kBT3x5oqoX8dd.png

Bu çerçeveleri değerlendirirken, çoğu analiz stars ve fork gibi GitHub ölçütlerine büyük önem verir. Burada bu ölçütlerin ne olduğunu ve çerçevenin kalitesini ne ölçüde yansıttığını hızlıca tanıtacağız.

Yıldızlar, en belirgin popülerlik sinyali olarak hizmet eder. Temelde geliştiricilerin ilginç buldukları veya takip etmek istedikleri projelere verdikleri yer işaretleridir. Yüksek yıldız sayısı geniş bir farkındalık ve ilgiyi gösterse de yanıltıcı olabilir. Projeler bazen pazarlama yerine teknik değerle yıldız toplayabilir. Yıldızları bir sosyal kanıt olarak değerlendirmek, kalite ölçütü değil.

Fork sayısı, geliştiricilerin kendi kod depolarının bir kopyasını oluşturduklarını ve üzerine inşa ettiklerini size söyler. Daha fazla fork genellikle geliştiricilerin projeyi aktif olarak kullandığını ve genişlettiğini gösterir. Yani, birçok fork sonunda terk edilir, bu nedenle orijinal fork sayısı bağlama bağlıdır.

Katkı sağlayıcı sayısı, kaç farklı geliştiricinin projeye gerçekten kod gönderdiğini ortaya koyar. Bu genellikle yıldız veya fork'tan daha anlamlıdır. Sağlıklı düzenli katkı sağlayıcı sayısı, projenin bir topluluk tarafından sürdürüldüğünü ve iyileştirildiğini gösterir.

Daha da ileri giderek, kendi göstergemizi tasarladık - Katkı Puanı. Her geliştiricinin açık geçmişini değerlendiriyoruz, diğer projelere yaptığı önceki katkıları, etkinlik sıklığı ve hesaplarının popülerliği dahil, her katkıda bulunan için bir puan atıyoruz. Sonra, bir projenin tüm katkıda bulunanlarını ortalıyoruz ve yaptıkları katkı miktarına göre ağırlıklandırıyoruz.

Bu sayılar çerçevemiz için ne anlama geliyor?

Çoğu durumda, yıldız sayısı göz ardı edilebilir. Bunlar anlamlı bir ölçüt değildir. Tek istisna Eliza'dır, çünkü GitHub'da bir dönem tüm projeler arasında birinci sıraya yükselmiştir, bu da onun tüm kripto yapay zeka için bir referans noktası olmasına uygun düşmektedir. Ayrıca, 0xCygaar gibi tanınmış geliştiriciler de bu projeye katkıda bulunmuştur. Bu durum aynı zamanda katılımcı sayısına da yansımıştır - diğer projelerden 10 kat fazla - Eliza katılımcıları cezbetmiştir.

Bunun dışında, Daydreams, sadece yüksek kaliteli geliştiricileri cezbettiği için bizim için ilginç. Bir pazarlama zirvesinden sonra piyasaya sürülen bir sonraki nesil olarak, Eliza'nın ağ etkisinden faydalanmadı.

Sıradaki adım ne?

Eğer bir geliştiriciyseniz, en azından hangi çerçeveyi inşa etmek istediğinize dair bir başlangıç noktası sağladığımızı umuyoruz (ihtiyacınız varsa). Bunun dışında, her bir çerçevenin temel mantığını ve entegrasyonunun sizin durumunuz için uygun olup olmadığını test etmek için hala çaba göstermeniz gerekecek. Bu kaçınılmaz bir durumdur.

Gözlemcinin bakış açısından, önemli olan hatırlamaktır ki, tüm bu yapay zeka ajan çerçeveleri üç aylıktan küçük değil. (Evet, daha uzun hissettiriyor.) Bu süre zarfında, aşırı yüceltilmekten 'hava kalesi' olarak adlandırılmaya dönüştüler. İşte teknolojinin doğası budur. Bu dalgalanmalar olmasına rağmen, bu alanın kripto alanında ilginç ve kalıcı bir yeni deney olduğuna inanıyoruz.

Bundan sonra önemli olan, bu çerçevelerin teknoloji ve para kazanma açısından nasıl olgunlaştığıdır.

Teknoloji açısından, çerçevelerin kendileri için yaratabileceği en büyük avantaj, proxy'lerin zincir üzerinde sorunsuz bir şekilde etkileşime girmesini sağlamaktır. Bu, geliştiricilerin genel çerçeveler yerine kriptoya özgü çerçeveleri seçmelerinin bir numaralı nedenidir. Buna ek olarak, proxy'ler ve proxy oluşturma teknolojileri, her gün yeni gelişmelerin meydana geldiği, dünya çapında en son teknoloji sorunlarıdır. Çerçeve de gelişmeli ve bu gelişmelere uyum sağlamalıdır.

Altyapının paralaştırılmasını nasıl daha ilginç hale getireceğiz. Bu erken aşamalarda, Virtuals'ten esinlenerek bir başlatma platformu oluşturmak projenin elde edilmesi kolay meyvesidir. Ancak burada birçok deneme alanı olduğunu düşünüyoruz. Hayal edilebilecek her türlü alt alanla uğraşan milyonlarca temsilcinin bulunduğu bir geleceğe doğru ilerliyoruz. Onları etkili bir şekilde koordine etmelerine yardımcı olacak araçlar, büyük bir değeri işlem ücretlerinden yakalayabilir. Yapımcılar için bir portal olarak, altyapı elbette bu değerleri yakalamak için en uygun konumdadır.

Aynı zamanda, çerçevenin paraya dönüştürülmesi, açık kaynak proje paraya dönüştürme ve katkıda bulunanları ödüllendirme sorununu da gizlemektedir, bu katkıda bulunanlar genellikle ücretsiz, zor ve teşekkür görmeyen çalışmalar yapmaktadırlar. Bir ekip sürdürülebilir bir açık kaynak ekonomisi nasıl oluşturulacağını çözebilirse ve aynı zamanda temel ruhunu koruyabilirse, bu etki ajan çerçevesini çok ötesine geçecektir.

Bunlar, önümüzdeki birkaç ay içinde keşfetmeyi umduğumuz konulardır.

View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
  • Reward
  • Comment
  • Share
Comment
0/400
No comments
  • Pin