Descomposición del marco de IA: de agentes inteligentes a la exploración de la Descentralización
Introducción
El camino de los Agentes de IA ha experimentado un rápido desarrollo recientemente, y la atención del mercado sigue en aumento. En solo dos meses, la narrativa que combina IA y criptomonedas ha tenido nuevos cambios casi cada semana. Recientemente, los proyectos "tipo marco" dominados por la narrativa técnica se han convertido en el foco del mercado, con múltiples proyectos alcanzando una capitalización de mercado de cientos de millones o incluso miles de millones de dólares. Este tipo de proyectos ha dado lugar a un nuevo modelo de emisión de activos: emitir monedas a partir de repositorios de código de GitHub, y los Agentes construidos sobre el marco pueden emitir monedas nuevamente. Basado en el marco, con el Agente como capa de aplicación, se está formando un modelo similar a una plataforma de emisión de activos, que en realidad es un modelo de infraestructura único de la era de la IA. Este artículo comenzará con una introducción al marco y explorará el impacto del marco de IA en el campo de las criptomonedas.
Uno, ¿qué es un marco?
El marco de IA es una herramienta o plataforma de desarrollo de bajo nivel que integra módulos, bibliotecas y herramientas preconstruidos, simplificando el proceso de construcción de modelos de IA complejos. Se puede entender el marco como el sistema operativo de la era de la IA, como Windows y Linux en sistemas de escritorio, o iOS y Android en dispositivos móviles. Cada marco tiene sus ventajas y desventajas, y los desarrolladores pueden elegir según sus necesidades.
Aunque el "marco de IA" es un concepto emergente en el ámbito de las criptomonedas, desde el nacimiento de Theano en 2010, los marcos de IA tienen casi 14 años de historia. En el campo de la IA tradicional, ya existen marcos maduros disponibles, como TensorFlow de Google y Pytorch de Meta.
Los proyectos de marco que han surgido en el campo de las criptomonedas se han creado en base a la gran demanda de agentes en la ola de IA, y se han derivado hacia otros campos, formando marcos de IA en diferentes subsectores. A continuación se presentan algunos ejemplos de marcos principales:
1.1 Eliza
Eliza es un marco de simulación multi-agente, utilizado para crear, desplegar y gestionar agentes de IA autónomos. Desarrollado en TypeScript, tiene buena compatibilidad y es fácil de integrar con API.
Principalmente dirigido a escenarios de redes sociales, soporta integración multiplataforma, como Discord, X/Twitter, Telegram, etc. Soporta análisis de documentos PDF, extracción de contenido de enlaces, procesamiento de audio y video, análisis de imágenes, entre otras funciones.
Actualmente se admiten cuatro tipos de casos de uso: aplicaciones de asistentes de IA, personajes de redes sociales, trabajadores del conocimiento y personajes interactivos.
Los modelos compatibles incluyen: inferencia local de modelos de código abierto ( como Llama3, Qwen1.5), inferencia en la nube de OpenAI API, configuración predeterminada para Nous Hermes Llama 3.1B, e integración con Claude para realizar consultas complejas.
1.2 G.A.M.E
G.A.M.E es un marco de IA multimodal generado y gestionado automáticamente, diseñado principalmente para el desarrollo de NPC inteligentes en juegos. Su característica es que los usuarios con poco o ningún código también pueden utilizarlo, solo necesitan modificar parámetros para participar en el diseño de agentes.
El diseño central es un diseño modular en el que múltiples subsistemas trabajan de manera colaborativa, incluyendo la interfaz de提示 de Agent, el subsistema de percepción, el motor de planificación estratégica, el contexto global y el módulo de procesamiento de diálogos.
Flujo de trabajo: El desarrollador inicia el Agente a través de la interfaz de indicaciones del Agente, el subsistema de percepción recibe la entrada y la transmite al motor de planificación estratégica. El motor de planificación estratégica utiliza el sistema de memoria, el contexto del mundo y la información de la biblioteca de Agentes para formular y ejecutar un plan de acción. El módulo de aprendizaje monitorea continuamente los resultados de las acciones del Agente y ajusta el comportamiento del Agente.
Los escenarios de aplicación se centran principalmente en la toma de decisiones, retroalimentación, percepción y personalidad del Agente en entornos virtuales, siendo aplicables a juegos y al metaverso.
1.3 Rig
Rig es una herramienta de código abierto escrita en Rust, que simplifica el desarrollo de aplicaciones de modelos de lenguaje grandes (LLM). Proporciona una interfaz de operación unificada, facilitando la interacción con varios proveedores de servicios de LLM y bases de datos vectoriales.
Características clave:
Interfaz unificada
Arquitectura modular
Seguridad de tipo
Alto rendimiento
Flujo de trabajo: la solicitud del usuario pasa a través de la capa de abstracción del proveedor, el agente inteligente llama a herramientas o consulta el almacenamiento de vectores para obtener información, generando respuestas a través de mecanismos como la recuperación mejorada generativa (RAG).
Los casos de uso incluyen sistemas de respuesta a preguntas, herramientas de búsqueda de documentos, chatbots, asistentes virtuales y creación de contenido.
1.4 ZerePy
ZerePy es un marco de código abierto basado en Python que simplifica el proceso de implementación y gestión de Agentes de IA en la plataforma X. Heredado del proyecto Zerebro, es más modular y fácil de extender.
Proporciona una interfaz de línea de comandos (CLI) para gestionar el Agente de IA. La arquitectura central se basa en un diseño modular, que incluye:
Integración LLM: soporte para modelos OpenAI y Anthropic
Integración de la plataforma X: integración directa de la API de la plataforma X
Sistema de conexión modular: facilita la adición de soporte para otras plataformas o servicios
Sistema de memoria ( en planificación ): permite que el Agente recuerde interacciones y información de contexto previas.
En comparación con Eliza, ZerePy se centra más en simplificar el proceso de implementación de AI Agent en la plataforma X, inclinándose hacia aplicaciones prácticas.
Dos, la réplica del ecosistema BTC
La trayectoria de desarrollo del Agente de IA es similar al ecosistema de BTC: GOAT/ACT - Agente de tipo Social/Agente de IA de análisis - competencia de marcos. Se espera que los proyectos de infraestructura en torno a la Descentralización de Agentes y la seguridad se conviertan en la próxima melodía principal.
El proyecto del marco de IA ofrece nuevas ideas para el desarrollo de infraestructuras. En comparación con Memecoin Launchpad y el protocolo de inscripciones, el marco de IA se asemeja más a una cadena de bloques pública del futuro, mientras que el Agente se asemeja más a un Dapp del futuro.
El debate futuro puede trasladarse de EVM y cadenas heterogéneas a la competencia de frameworks. La cuestión clave es cómo lograr la Descentralización o la cadena, así como el significado de desarrollar frameworks de IA en la blockchain.
Tres, ¿cuál es el significado de subir a la cadena?
El problema central al que se enfrenta la combinación de blockchain e IA es: ¿tiene sentido? Basado en la experiencia de éxito de DeFi, las razones para apoyar la cadena de agentes pueden incluir:
Reducir los costos de uso, aumentar la accesibilidad y la selectividad, para que los usuarios comunes también puedan participar en el "derecho de alquiler" de IA.
Proporcionar soluciones de seguridad basadas en blockchain, que satisfagan las necesidades de interacción entre el Agente y las billeteras reales o virtuales.
Crear formas únicas de financiamiento en blockchain, como oportunidades de inversión relacionadas con la potencia de cálculo y la marcación de datos de Agent.
Implementar un proceso de razonamiento transparente y rastreable, mejorar la interoperabilidad, es más atractivo en comparación con los navegadores de agente ofrecidos por los gigantes tradicionales de Internet.
Cuatro, economía creativa
Los proyectos de tipo marco pueden ofrecer oportunidades de emprendimiento similares a GPT Store en el futuro. Un marco que simplifique el proceso de construcción de agentes y ofrezca combinaciones de funciones complejas podría tener una ventaja, formando una economía creativa de Web3 más interesante que GPT Store.
Web3 existe una gran cantidad de demandas por cubrir, y el sistema económico puede hacer que las políticas de los gigantes de Web2 sean más justas. La introducción de la economía comunitaria ayuda a perfeccionar el Agente. La economía creativa del Agente ofrecerá oportunidades de participación a las personas comunes, y los futuros memes de IA podrían ser más inteligentes y divertidos que los Agentes en las plataformas existentes.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
11 me gusta
Recompensa
11
5
Republicar
Compartir
Comentar
0/400
OnlyOnMainnet
· hace2h
emitir moneda emitir moneda Ahora se siente nuevo otra vez
Ver originalesResponder0
WalletAnxietyPatient
· hace2h
Oh, ya llegó el momento de los Cupones de clip para emitir moneda.
Ver originalesResponder0
GateUser-74b10196
· hace2h
Otra ola de tontos tomados por tonta
Ver originalesResponder0
MemecoinResearcher
· hace3h
ser, realicé un rápido análisis de correlación sobre tokens de marco... ngmi a menos que cambiemos el coeficiente memético tbh
Nuevo modelo de marco de IA: explorando el futuro de la Descentralización y la economía de agentes
Descomposición del marco de IA: de agentes inteligentes a la exploración de la Descentralización
Introducción
El camino de los Agentes de IA ha experimentado un rápido desarrollo recientemente, y la atención del mercado sigue en aumento. En solo dos meses, la narrativa que combina IA y criptomonedas ha tenido nuevos cambios casi cada semana. Recientemente, los proyectos "tipo marco" dominados por la narrativa técnica se han convertido en el foco del mercado, con múltiples proyectos alcanzando una capitalización de mercado de cientos de millones o incluso miles de millones de dólares. Este tipo de proyectos ha dado lugar a un nuevo modelo de emisión de activos: emitir monedas a partir de repositorios de código de GitHub, y los Agentes construidos sobre el marco pueden emitir monedas nuevamente. Basado en el marco, con el Agente como capa de aplicación, se está formando un modelo similar a una plataforma de emisión de activos, que en realidad es un modelo de infraestructura único de la era de la IA. Este artículo comenzará con una introducción al marco y explorará el impacto del marco de IA en el campo de las criptomonedas.
Uno, ¿qué es un marco?
El marco de IA es una herramienta o plataforma de desarrollo de bajo nivel que integra módulos, bibliotecas y herramientas preconstruidos, simplificando el proceso de construcción de modelos de IA complejos. Se puede entender el marco como el sistema operativo de la era de la IA, como Windows y Linux en sistemas de escritorio, o iOS y Android en dispositivos móviles. Cada marco tiene sus ventajas y desventajas, y los desarrolladores pueden elegir según sus necesidades.
Aunque el "marco de IA" es un concepto emergente en el ámbito de las criptomonedas, desde el nacimiento de Theano en 2010, los marcos de IA tienen casi 14 años de historia. En el campo de la IA tradicional, ya existen marcos maduros disponibles, como TensorFlow de Google y Pytorch de Meta.
Los proyectos de marco que han surgido en el campo de las criptomonedas se han creado en base a la gran demanda de agentes en la ola de IA, y se han derivado hacia otros campos, formando marcos de IA en diferentes subsectores. A continuación se presentan algunos ejemplos de marcos principales:
1.1 Eliza
Eliza es un marco de simulación multi-agente, utilizado para crear, desplegar y gestionar agentes de IA autónomos. Desarrollado en TypeScript, tiene buena compatibilidad y es fácil de integrar con API.
Principalmente dirigido a escenarios de redes sociales, soporta integración multiplataforma, como Discord, X/Twitter, Telegram, etc. Soporta análisis de documentos PDF, extracción de contenido de enlaces, procesamiento de audio y video, análisis de imágenes, entre otras funciones.
Actualmente se admiten cuatro tipos de casos de uso: aplicaciones de asistentes de IA, personajes de redes sociales, trabajadores del conocimiento y personajes interactivos.
Los modelos compatibles incluyen: inferencia local de modelos de código abierto ( como Llama3, Qwen1.5), inferencia en la nube de OpenAI API, configuración predeterminada para Nous Hermes Llama 3.1B, e integración con Claude para realizar consultas complejas.
1.2 G.A.M.E
G.A.M.E es un marco de IA multimodal generado y gestionado automáticamente, diseñado principalmente para el desarrollo de NPC inteligentes en juegos. Su característica es que los usuarios con poco o ningún código también pueden utilizarlo, solo necesitan modificar parámetros para participar en el diseño de agentes.
El diseño central es un diseño modular en el que múltiples subsistemas trabajan de manera colaborativa, incluyendo la interfaz de提示 de Agent, el subsistema de percepción, el motor de planificación estratégica, el contexto global y el módulo de procesamiento de diálogos.
Flujo de trabajo: El desarrollador inicia el Agente a través de la interfaz de indicaciones del Agente, el subsistema de percepción recibe la entrada y la transmite al motor de planificación estratégica. El motor de planificación estratégica utiliza el sistema de memoria, el contexto del mundo y la información de la biblioteca de Agentes para formular y ejecutar un plan de acción. El módulo de aprendizaje monitorea continuamente los resultados de las acciones del Agente y ajusta el comportamiento del Agente.
Los escenarios de aplicación se centran principalmente en la toma de decisiones, retroalimentación, percepción y personalidad del Agente en entornos virtuales, siendo aplicables a juegos y al metaverso.
1.3 Rig
Rig es una herramienta de código abierto escrita en Rust, que simplifica el desarrollo de aplicaciones de modelos de lenguaje grandes (LLM). Proporciona una interfaz de operación unificada, facilitando la interacción con varios proveedores de servicios de LLM y bases de datos vectoriales.
Características clave:
Flujo de trabajo: la solicitud del usuario pasa a través de la capa de abstracción del proveedor, el agente inteligente llama a herramientas o consulta el almacenamiento de vectores para obtener información, generando respuestas a través de mecanismos como la recuperación mejorada generativa (RAG).
Los casos de uso incluyen sistemas de respuesta a preguntas, herramientas de búsqueda de documentos, chatbots, asistentes virtuales y creación de contenido.
1.4 ZerePy
ZerePy es un marco de código abierto basado en Python que simplifica el proceso de implementación y gestión de Agentes de IA en la plataforma X. Heredado del proyecto Zerebro, es más modular y fácil de extender.
Proporciona una interfaz de línea de comandos (CLI) para gestionar el Agente de IA. La arquitectura central se basa en un diseño modular, que incluye:
En comparación con Eliza, ZerePy se centra más en simplificar el proceso de implementación de AI Agent en la plataforma X, inclinándose hacia aplicaciones prácticas.
Dos, la réplica del ecosistema BTC
La trayectoria de desarrollo del Agente de IA es similar al ecosistema de BTC: GOAT/ACT - Agente de tipo Social/Agente de IA de análisis - competencia de marcos. Se espera que los proyectos de infraestructura en torno a la Descentralización de Agentes y la seguridad se conviertan en la próxima melodía principal.
El proyecto del marco de IA ofrece nuevas ideas para el desarrollo de infraestructuras. En comparación con Memecoin Launchpad y el protocolo de inscripciones, el marco de IA se asemeja más a una cadena de bloques pública del futuro, mientras que el Agente se asemeja más a un Dapp del futuro.
El debate futuro puede trasladarse de EVM y cadenas heterogéneas a la competencia de frameworks. La cuestión clave es cómo lograr la Descentralización o la cadena, así como el significado de desarrollar frameworks de IA en la blockchain.
Tres, ¿cuál es el significado de subir a la cadena?
El problema central al que se enfrenta la combinación de blockchain e IA es: ¿tiene sentido? Basado en la experiencia de éxito de DeFi, las razones para apoyar la cadena de agentes pueden incluir:
Reducir los costos de uso, aumentar la accesibilidad y la selectividad, para que los usuarios comunes también puedan participar en el "derecho de alquiler" de IA.
Proporcionar soluciones de seguridad basadas en blockchain, que satisfagan las necesidades de interacción entre el Agente y las billeteras reales o virtuales.
Crear formas únicas de financiamiento en blockchain, como oportunidades de inversión relacionadas con la potencia de cálculo y la marcación de datos de Agent.
Implementar un proceso de razonamiento transparente y rastreable, mejorar la interoperabilidad, es más atractivo en comparación con los navegadores de agente ofrecidos por los gigantes tradicionales de Internet.
Cuatro, economía creativa
Los proyectos de tipo marco pueden ofrecer oportunidades de emprendimiento similares a GPT Store en el futuro. Un marco que simplifique el proceso de construcción de agentes y ofrezca combinaciones de funciones complejas podría tener una ventaja, formando una economía creativa de Web3 más interesante que GPT Store.
Web3 existe una gran cantidad de demandas por cubrir, y el sistema económico puede hacer que las políticas de los gigantes de Web2 sean más justas. La introducción de la economía comunitaria ayuda a perfeccionar el Agente. La economía creativa del Agente ofrecerá oportunidades de participación a las personas comunes, y los futuros memes de IA podrían ser más inteligentes y divertidos que los Agentes en las plataformas existentes.