Teruskan judul aslinya: Apakah kerangka kerja agen AI adalah bagian terakhir dari teka-teki? Bagaimana Menafsirkan "Dualitas Gelombang-Partikel" dari Kerangka Kerja?

Kerangka kerja Agen AI, sebagai bagian penting dalam pengembangan industri, dapat menyimpan potensi ganda untuk mendorong implementasi teknologi dan pematangan ekosistem. Beberapa kerangka kerja yang paling banyak dibahas di pasar termasuk Eliza, Rig, Swarms, dan ZerePy. Kerangka kerja ini menarik pengembang melalui repositori GitHub mereka, membangun reputasi. Melalui penerbitan token melalui "perpustakaan," kerangka kerja ini, seperti cahaya, mewujudkan karakteristik gelombang dan partikel. Demikian pula, kerangka kerja Agen memiliki eksternalitas serius dan sifat Memecoin. Artikel ini akan fokus pada menafsirkan "dualitas gelombang-partikel" dari kerangka kerja ini dan mengeksplorasi mengapa kerangka Agen dapat menjadi bagian terakhir dalam teka-teki.

Eksternalitas yang Dibawa oleh Kerangka Agen Dapat Meninggalkan Pertumbuhan yang Berkelanjutan Setelah Gelembung Meledak

Sejak munculnya GOAT, narasi Agen telah semakin mendapatkan perhatian pasar yang meningkat, mirip dengan seorang master bela diri yang memberikan pukulan kuat — dengan tangan kiri mewakili “Memecoin” dan telapak kanan menggambarkan “harapan industri,” Anda mungkin dikalahkan oleh salah satu dari dua gerakan ini. Pada kenyataannya, skenario aplikasi AI Agen tidak terlalu berbeda, dan batas antara platform, kerangka kerja, dan aplikasi khusus kabur. Namun, ini masih bisa dikategorikan secara kasar sesuai dengan preferensi token atau protokol. Berdasarkan preferensi pengembangan token atau protokol, mereka umumnya dapat diklasifikasikan ke dalam kategori berikut:

• Gate.io Launchpad: Platform penerbitan aset. Contohnya adalah Protokol Virtuals dan Clanker di Base chain, serta Dasha di Solana chain.
• Aplikasi AI Agent: Ini mengapung di antara Agen dan Memecoin, dan memiliki fitur unggulan dalam konfigurasi memori, seperti GOAT, aixbt, dll. Aplikasi-aplikasi ini umumnya merupakan output satu arah, dengan kondisi input yang sangat terbatas.
• Mesin AI Agent: Contohnya, Griffain di rantai Solana dan Spectre AI di rantai Base. Griffain berkembang dari mode tulis-baca menjadi mode tindakan tulis-baca; Spectre AI adalah mesin RAG yang digunakan untuk pencarian on-chain.
• Kerangka Kerja Agen AI: Untuk platform kerangka kerja, Agen itu sendiri adalah aset. Oleh karena itu, kerangka kerja Agen berfungsi sebagai platform penerbitan aset dan peluncur untuk Agen. Proyek-proyek representatif saat ini termasuk ai16, Zerebro, ARC, dan Swarms yang banyak dibahas.
• Arah Lain yang Lebih Kecil: Proyek Agen komprehensif seperti Simmi, mode protokol AgentFi, Agen jenis pemalsuan Seraph, dan Pembuat Agen API waktu nyata. Tawar.

Ketika membahas lebih lanjut kerangka kerja Agen, dapat dilihat bahwa ia memiliki eksternalitas yang signifikan. Tidak seperti pengembang pada rantai publik utama dan protokol yang hanya dapat memilih dari lingkungan bahasa pemrograman yang berbeda, ukuran keseluruhan komunitas pengembang di industri belum menunjukkan tingkat pertumbuhan yang sesuai dalam kapitalisasi pasar. Repositori GitHub adalah tempat pengembang Web2 dan Web3 membangun konsensus. Membangun komunitas pengembang di sini jauh lebih menarik dan berpengaruh bagi pengembang Web2 daripada paket "plug-and-play" apa pun yang dikembangkan secara individual oleh protokol.

Keempat kerangka kerja yang disebutkan dalam artikel ini semuanya open-source:

• Kerangka Eliza oleh ai16z telah menerima 6.200 bintang.
• Kerangka kerja ZerePy oleh Zerebro telah menerima 191 bintang.
• Kerangka RIG oleh ARC telah menerima 1.700 bintang.
• Kerangka kerja Swarms oleh Swarms telah menerima 2.100 bintang.

Saat ini, kerangka Eliza banyak digunakan dalam berbagai aplikasi Agen dan merupakan kerangka yang paling banyak digunakan. Pengembangan ZerePy tidak terlalu maju, dan arah pengembangannya terutama terletak pada X. Belum mendukung LLM lokal dan memori terintegrasi. RIG memiliki tingkat kesulitan pengembangan relatif tertinggi tetapi menawarkan kebebasan terbesar kepada pengembang untuk mencapai optimalisasi kinerja. Swarms, selain peluncuran mcs oleh tim, belum memiliki penggunaan lain. Namun, Swarms dapat terintegrasi dengan kerangka kerja yang berbeda, menawarkan potensi yang signifikan.

Selain itu, dalam klasifikasi yang disebutkan sebelumnya, memisahkan mesin Agen dan kerangka kerja mungkin menimbulkan kebingungan. Tapi saya percaya keduanya berbeda. Pertama, mengapa disebut mesin? Analogi dengan mesin pencari dalam kehidupan nyata relatif tepat. Tidak seperti aplikasi Agen yang homogen, kinerja mesin Agen berada pada tingkat yang lebih tinggi, tetapi sepenuhnya terenkapsulasi, dan penyesuaian dilakukan melalui antarmuka API seperti kotak hitam. Pengguna dapat merasakan kinerja mesin Agen dengan menduplikasinya, tetapi mereka tidak dapat mengontrol gambaran lengkap atau kebebasan kustomisasi seperti yang dapat mereka lakukan dengan kerangka dasar. Mesin pengguna masing-masing seperti menghasilkan cermin pada Agen yang terlatih dan berinteraksi dengan cermin tersebut. Di sisi lain, kerangka kerja pada dasarnya dirancang untuk beradaptasi dengan rantai, karena ketika seorang Agen membangun kerangka kerja Agen, tujuan utamanya adalah integrasi dengan rantai yang sesuai. Bagaimana mendefinisikan metode interaksi data, bagaimana mendefinisikan metode validasi data, bagaimana mendefinisikan ukuran blok, dan bagaimana menyeimbangkan konsensus dan kinerja - ini adalah hal-hal yang perlu dipertimbangkan oleh kerangka kerja. Adapun mesin, hanya perlu menyesuaikan model dan menyesuaikan hubungan antara interaksi data dan memori dalam satu arah. Kinerja adalah satu-satunya standar evaluasi, sedangkan kerangka kerja tidak terbatas pada hal ini.

Melihat Kerangka Agen dari Perspektif “Dualitas Gelombang-Partikel” Mungkin Menjadi Prasyarat untuk Tetap Berada di Jalur yang Benar

Siklus input-output Agens memerlukan tiga bagian. Pertama, model dasar menentukan kedalaman dan metode berpikir. Kemudian memori adalah tempat di mana penyesuaian terjadi. Setelah model dasar menghasilkan output, itu dimodifikasi berdasarkan memori. Akhirnya, operasi output diselesaikan pada klien yang berbeda.

Sumber: @SuhailKakar

Untuk mengonfirmasi bahwa kerangka Agen memiliki “dualitas gelombang-partikel,” “gelombang” mewakili karakteristik “Memecoin,” yang melambangkan budaya komunitas dan aktivitas pengembang, menekankan daya tarik dan kemampuan penyebaran Agen. “Partikel” mewakili karakteristik “harapan industri,” yang melambangkan kinerja mendasar, kasus penggunaan aktual, dan kedalaman teknis. Saya akan menjelaskan ini dengan menggabungkan dua aspek, menggunakan tutorial pengembangan dari tiga kerangka sebagai contoh:

Rapid Integration Kerangka Eliza

1. Menyiapkan lingkungan

Sumber: @SuhailKakar

1. Memasang Eliza

Sumber: @SuhailKakar

1. File konfigurasi

Sumber: @SuhailKakar

4. Tetapkan kepribadian Agen

Sumber: @SuhailKakar

Kerangka kerja Eliza relatif mudah untuk memulai. Ini didasarkan pada TypeScript, bahasa yang paling dikenal oleh pengembang Web dan Web3. Kerangka kerja ini sederhana dan menghindari abstraksi berlebihan, memungkinkan pengembang dengan mudah menambahkan fitur yang mereka inginkan. Dari langkah 3, kita dapat melihat bahwa Eliza mendukung integrasi multi-klien, dan dapat dipahami sebagai perakit untuk integrasi multi-klien. Eliza mendukung platform seperti DC, TG, dan X, serta berbagai model bahasa besar. Ini memungkinkan input melalui media sosial yang disebutkan di atas dan menghasilkan output melalui model LLM, dan juga mendukung manajemen memori bawaan, memungkinkan pengembang dengan kebiasaan yang berbeda untuk dengan cepat mendeploy Agen AI.

Karena kesederhanaan kerangka kerja dan kekayaan antarmuka, Eliza secara signifikan menurunkan ambang akses dan mencapai standar antarmuka yang relatif seragam.

Penggunaan Kerangka ZerePy dengan Satu Klik

1. Fork Repositori ZerePy

Sumber:https://replit.com/

1. Konfigurasi X dan GPT

Sumber:https://replit.com/

3. Tetapkan Kepribadian Agen

Sumber:https://replit.com/

Kinerja-Optimalkan Kerangka Rig

Mengambil konstruksi RAG (Retrieval-Augmented Generation) Agen sebagai contoh:

1. Konfigurasikan lingkungan dan kunci OpenAI

sumber:https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422

1. Setel Klien OpenAI dan Gunakan Chunking untuk Memproses PDF

sumber:https://dev.to/0thtachi/membangun-sistem-rag-dengan-rig-dalam-kurang-dari-100-baris-kode-4422

1. Atur Struktur Dokumen dan Menyisipkan

sumber:https://dev.to/0thtachi/membangun-sistem-rag-dengan-rig-dalam-kurang-dari-100-baris-kode-4422

1. Buat Penyimpanan Vektor dan Agen RAG

sumber:https://dev.to/0thtachi/membangun-sistem-kebutuhan-dengan-rig-dalam-kurang-dari-100-baris-kode-4422

Rig (ARC) adalah kerangka konstruksi sistem AI berbasis bahasa Rust untuk mesin alur kerja LLM. Itu memecahkan masalah optimasi kinerja level rendah. Dengan kata lain, ARC adalah 'toolbox' mesin AI yang menyediakan pemanggilan dan optimasi kinerja AI, penyimpanan data, penanganan pengecualian, dan layanan dukungan latar belakang lainnya.

Apa yang Rig ingin selesaikan adalah masalah "panggilan" untuk membantu pengembang memilih LLM dengan lebih baik, mengoptimalkan kata-kata prompt dengan lebih baik, mengelola token dengan lebih efektif, dan bagaimana menangani pemrosesan konkuren, mengelola sumber daya, mengurangi laten, dll. Fokusnya adalah pada model AI LLM Bagaimana "memanfaatkannya" saat berkolaborasi dengan sistem Agen AI.

Rigadalah perpustakaan Rust sumber terbuka yang dirancang untuk menyederhanakan pengembangan aplikasi yang didorong oleh LLM, termasuk Agen RAG. Karena Rig lebih terbuka, ia memiliki persyaratan yang lebih tinggi untuk pengembang dan pemahaman yang lebih tinggi tentang Rust dan Agen. Tutorial di sini adalah proses konfigurasi Agen RAG yang paling dasar. RAG meningkatkan LLM dengan menggabungkan LLM dengan pemulihan pengetahuan eksternal. Dalam DEMO lainnya di situs resmi, Anda dapat melihat bahwa Rig memiliki karakteristik berikut:

• Antarmuka LLM yang Terpadu: mendukung API yang konsisten dari berbagai penyedia LLM, menyederhanakan integrasi.
• Alur kerja abstrak: Komponen modular yang telah dibangun memungkinkan Rig untuk melakukan desain sistem kecerdasan buatan yang kompleks.
• Penyimpanan vektor terintegrasi: dukungan bawaan untuk penyimpanan genre menyediakan kinerja yang efisien dalam agen pencarian serupa seperti Agen RAG.
• Pembenaman yang fleksibel: Menyediakan API yang mudah digunakan untuk memproses pembenaman, mengurangi kesulitan dalam pemahaman semantik saat mengembangkan agen pencarian serupa seperti Agen RAG.

Dapat dilihat bahwa dibandingkan dengan Eliza, Rig memberikan ruang tambahan bagi pengembang untuk mengoptimalkan kinerja, membantu pengembang dalam debugging panggilan dan optimisasi kolaborasi yang lebih baik dari LLM dan Agen. Rig memberikan kinerja yang didorong oleh Rust, memanfaatkan abstraksi biaya nol dan operasi LLM yang aman dalam memori, kinerja tinggi, dan rendah-latensi. Ini dapat memberikan tingkat kebebasan yang lebih kaya pada tingkat yang lebih mendasar.

Kerangka Modular Komposisi Sistem

Swarms bertujuan untuk menyediakan kerangka orkestrasi multi-Agen tingkat produksi yang berstandar perusahaan. Situs web resmi menawarkan puluhan alur kerja dan arsitektur paralel/serial untuk tugas Agen. Berikut adalah pengantar singkat untuk sebagian kecil dari mereka.

Alur Kerja Berurutan

Sumber: https://docs.swarms.world

Arsitektur Sequential Swarm memproses tugas secara berurutan. Setiap Agen menyelesaikan tugasnya sebelum meneruskan hasil ke Agen berikutnya dalam rantai. Arsitektur ini memastikan pemrosesan yang teratur dan berguna saat tugas memiliki ketergantungan.

Penggunaan kasus:

• Setiap langkah dalam alur kerja bergantung pada langkah sebelumnya, seperti dalam garis perakitan atau pemrosesan data sekuensial.
• Skenario yang memerlukan ketaatan ketat terhadap urutan operasi.

Arsitektur Hirarkis:

Sumber: https://docs.swarms.world

Arsitektur ini mengimplementasikan kontrol dari atas ke bawah, di mana Agen tingkat yang lebih tinggi mengkoordinasikan tugas antara Agen tingkat yang lebih rendah. Agen menjalankan tugas secara bersamaan dan mengembalikan hasil mereka ke dalam lingkaran untuk penggabungan akhir. Hal ini sangat berguna untuk tugas-tugas yang sangat dapat diparalelkan.

Sumber: https://docs.swarms.world

Arsitektur ini dirancang untuk mengelola kelompok Agen dalam skala besar yang bekerja secara simultan. Ini dapat mengelola ribuan Agen, masing-masing berjalan pada threadnya sendiri. Ini ideal untuk mengawasi hasil operasi Agen dalam skala besar.

Swarms bukan hanya kerangka Agennya tetapi juga kompatibel dengan kerangka Eliza, ZerePy, dan Rig yang disebutkan sebelumnya. Dengan pendekatan modular, Swarms memaksimalkan kinerja Agen di berbagai alur kerja dan arsitektur untuk memecahkan masalah yang sesuai. Konsepsi dan pengembangan Swarms, bersama dengan komunitas pengembangnya, berjalan dengan baik.

• Eliza: Menawarkan kemudahan penggunaan terbaik, membuatnya cocok untuk pemula dan pengembangan prototipe yang cepat, terutama untuk interaksi kecerdasan buatan di platform media sosial. Kerangka kerja ini sederhana dan mudah diintegrasikan dan dimodifikasi, cocok untuk skenario yang tidak memerlukan optimisasi kinerja yang ekstensif.
• ZerePy: Penyebaran satu klik, ideal untuk mengembangkan aplikasi AI Agent dengan cepat di Web3 dan platform sosial. Cocok untuk aplikasi AI ringan, dengan kerangka kerja sederhana dan konfigurasi fleksibel untuk penyiapan dan iterasi yang cepat.
• Rig: Berfokus pada optimisasi kinerja, terutama dalam menonjolkan tugas-tugas dengan tingkat konkurensi dan kinerja tinggi. Ini ideal bagi pengembang yang membutuhkan kontrol dan optimisasi yang detail. Kerangka kerja ini lebih kompleks dan memerlukan pengetahuan tentang Rust, sehingga cocok untuk pengembang yang lebih berpengalaman.
• Swarms: Cocok untuk aplikasi tingkat perusahaan, mendukung kolaborasi multi-Agent dan manajemen tugas yang kompleks. Kerangka kerja ini fleksibel, mendukung pemrosesan paralel skala besar, dan menawarkan berbagai konfigurasi arsitektur. Namun, karena kompleksitasnya, mungkin memerlukan latar belakang teknis yang lebih kuat untuk penggunaan yang efektif.

Secara umum, Eliza dan ZerePy memiliki keunggulan dalam kemudahan penggunaan dan pengembangan yang cepat, sedangkan Rig dan Swarms lebih cocok untuk pengembang profesional atau aplikasi perusahaan yang membutuhkan kinerja tinggi dan pemrosesan dalam skala besar.

Inilah mengapa kerangka kerja Agen memiliki karakteristik "harapan industri". Kerangka kerja yang disebutkan di atas masih berada dalam tahap awal, dan prioritas utamanya adalah mendapatkan keuntungan sebagai yang pertama dan membangun komunitas pengembang yang aktif. Performa kerangka kerja dan apakah tertinggal dari aplikasi populer Web2 bukanlah perhatian utama. Hanya kerangka kerja yang akhirnya akan berhasil adalah mereka yang dapat terus menarik minat pengembang karena industri Web3 selalu perlu menarik perhatian pasar. Tidak peduli seberapa kuat performa kerangka kerja atau seberapa solid dasarnya, jika sulit digunakan dan gagal menarik pengguna, itu akan menjadi kontraproduktif. Asalkan kerangka kerja itu sendiri dapat menarik pengembang, mereka dengan model ekonomi token yang lebih matang dan lengkap akan menonjol.

Karakteristik "Memecoin" dari kerangka kerja Agen cukup mudah dipahami. Token dari kerangka kerja yang disebutkan di atas tidak memiliki desain ekonomi token yang masuk akal, tidak memiliki kasus penggunaan atau memiliki yang sangat terbatas, dan belum memvalidasi model bisnis. Tidak ada roda gila token yang efektif. Kerangka kerja hanyalah kerangka kerja, dan belum ada integrasi organik antara kerangka kerja dan token. Pertumbuhan harga token, selain dari FOMO, memiliki sedikit dukungan dari fundamental dan tidak memiliki parit yang kuat untuk memastikan pertumbuhan nilai yang stabil dan jangka panjang. Pada saat yang sama, kerangka kerja itu sendiri masih agak kasar, dan nilai sebenarnya tidak selaras dengan nilai pasar mereka saat ini, sehingga menunjukkan karakteristik "Memecoin" yang kuat.

Perlu dicatat bahwa "dualitas gelombang-partikel" dari kerangka Agen bukanlah kerugian dan tidak boleh secara kasar ditafsirkan sebagai kerangka kerja yang bukan merupakan Memecoin murni atau solusi setengah jalan tanpa kasus penggunaan token. Seperti yang saya sebutkan di artikel sebelumnya, Agen ringan ditutupi oleh kerudung Memecoin yang ambigu. Budaya dan fundamental komunitas tidak akan lagi menjadi kontradiksi, dan jalur pengembangan aset baru secara bertahap muncul. Terlepas dari gelembung awal dan ketidakpastian seputar kerangka kerja Agen, potensi mereka untuk menarik pengembang dan mendorong adopsi aplikasi tidak boleh diabaikan. Di masa depan, kerangka kerja dengan model ekonomi token yang berkembang dengan baik dan ekosistem pengembang yang kuat dapat menjadi pilar utama sektor ini.

Disclaimer:

1. Artikel ini direproduksi dari [odaily]. Teruskan judul aslinya: Apakah kerangka kerja agen AI adalah bagian terakhir dari teka-teki? Bagaimana Menafsirkan "Dualitas Gelombang-Partikel" dari Kerangka Kerja? Hak cipta milik penulis asli [Kevin, Peneliti di BlockBooster]. Jika Anda keberatan dengan cetak ulang, silakan hubungi Tim Pembelajaran Gate, tim akan menanganinya secepat mungkin sesuai dengan prosedur yang relevan.
2. Penafian Tanggung Jawab: Pandangan dan opini yang terkandung dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi.
3. Tim Belajar Gate menerjemahkan artikel ke dalam bahasa lain. Menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang kecuali disebutkan.