Войны фреймворков 

Перевод

За последний год Decentralised.co глубоко погрузился в пересечение криптовалют и искусственного интеллекта. Мы даже создали продукт, которым воспользовались более 70 000 человек, отслеживающий ИИ-агентов и инфраструктуру агентов. Хотя эйфория вокруг этого сектора в последние недели пошла на спад, влияние ИИ на технологии и общество является беспрецедентным — такого не было со времён появления интернета. Если криптовалюта действительно станет финансовой основой будущего, как мы прогнозируем, то её интеграция с ИИ станет не разовой вспышкой, а постоянной темой.

Одна из самых интересных категорий проектов, появившихся в результате этой волны, — крипто-нативные фреймворки ИИ-агентов. Это увлекательный эксперимент, направленный на внедрение ключевых принципов блокчейна — разрешённого перемещения ценности, прозрачности и согласованных стимулов — в разработку искусственного интеллекта. Их открытый исходный код даёт нам редкую возможность заглянуть внутрь и проанализировать не только обещания, но и то, как они действительно работают.

В этом материале мы сначала разберём, что такое фреймворки агентов и почему они важны. Затем мы затронем главный вопрос: зачем нужны крипто-нативные фреймворки, если уже существуют устоявшиеся решения, такие как LangChain? В этой связи мы рассмотрим ведущие крипто-нативные фреймворки, их сильные и слабые стороны в различных сценариях использования. Наконец, если вы разрабатываете ИИ-агента, мы поможем вам определить, какой фреймворк может подойти для ваших нужд — или стоит ли вообще использовать фреймворки.

Давайте разбираться.

Абстракции

«Цивилизация развивается, увеличивая количество важных операций, которые мы можем выполнять, не задумываясь о них.» — Альфред Норт Уайтхед

Подумайте о жизни наших предков. Каждая семья была вынуждена выращивать собственную еду, шить одежду и строить себе жильё. Бесконечные часы уходили на выполнение базовых задач выживания, оставляя мало времени на что-либо ещё. Даже два века назад почти 90% людей работали в сельском хозяйстве. Сегодня мы покупаем еду в супермаркетах, живём в домах, построенных специалистами, и носим одежду, произведённую на фабриках за тысячи километров. Задачи, которые когда-то отнимали у человечества поколения усилий, превратились в простые транзакции. Сейчас в сельском хозяйстве занято всего 27% населения Земли (в развитых странах этот показатель упал ниже 5%).

Когда мы осваиваем новую технологию, начинают проявляться знакомые закономерности. Сначала мы изучаем фундаментальные принципы — что работает, что нет и какие паттерны повторяются снова и снова. Когда эти паттерны становятся очевидными, мы упаковываем их в абстракции, которые делают процессы проще, быстрее и надёжнее. Эти абстракции освобождают время и ресурсы, позволяя сосредоточиться на более сложных и значимых задачах. То же самое можно сказать и о создании программного обеспечения.

Возьмём, к примеру, веб-разработку. В её ранние годы разработчики писали всё с нуля — обрабатывали HTTP-запросы, управляли состоянием, создавали пользовательские интерфейсы. Эти задачи были сложными и требовали много времени. Затем появились фреймворки, такие как React, которые значительно упростили эти вызовы, предоставляя полезные абстракции. Мобильная разработка прошла похожий путь: изначально разработчики должны были обладать глубокими знаниями каждой платформы, но с появлением инструментов вроде React Native и Flutter стало возможным писать код один раз и запускать его повсюду.

Та же тенденция к росту уровня абстракции наблюдается и в машинном обучении. В начале 2000-х исследователи заметили потенциал использования графических процессоров (GPU) для ML-задач. Сначала разработчикам приходилось работать с графическими примитивами и языками вроде GLSL от OpenGL — инструментами, не предназначенными для общих вычислений. Всё изменилось в 2006 году, когда NVIDIA выпустила CUDA, сделав программирование GPU более доступным и расширив круг разработчиков, способных обучать ML-модели.

С развитием ML начали появляться специализированные фреймворки, которые абстрагировали сложности программирования GPU. TensorFlow и PyTorch позволили разработчикам сосредоточиться на архитектуре моделей, а не на низкоуровневом коде и деталях реализации. Это ускорило процесс создания моделей и привело к стремительному прогрессу в AI/ML за последние несколько лет.

Сейчас мы наблюдаем аналогичную эволюцию в сфере AI-агентов — программного обеспечения, способного принимать решения и выполнять действия для достижения цели, подобно виртуальному помощнику или сотруднику. В основе агента лежит большая языковая модель, которая выступает в роли его «мозга». Он может использовать различные инструменты, такие как поиск в интернете, вызовы API или доступ к базам данных, для выполнения задач.

Чтобы создать такого агента с нуля, разработчику пришлось бы писать сложный код для обработки каждого аспекта: как агент анализирует задачи, какие инструменты выбирает и когда, как он взаимодействует с этими инструментами, как запоминает контекст предыдущих взаимодействий и как разбивает крупные задачи на более мелкие шаги. Все эти процессы пришлось бы прорабатывать индивидуально, что привело бы к дублированию работы и непоследовательным результатам.

Вот здесь на помощь приходят фреймворки для AI-агентов. Точно так же, как React упростил веб-разработку, беря на себя сложные задачи обновления интерфейса и управления состоянием, эти фреймворки решают основные проблемы, возникающие при создании AI-агентов. Они предоставляют готовые компоненты для уже проверенных рабочих моделей, включая структуру процесса принятия решений, интеграцию с различными инструментами и поддержку контекста в ходе нескольких взаимодействий.

Используя фреймворк, разработчики могут сосредоточиться на уникальных возможностях и конкретных сценариях использования своего агента, а не тратить время на воссоздание базовых элементов. Это позволяет создавать сложные AI-агенты за дни или недели, а не месяцы, экспериментировать с разными подходами и использовать лучшие практики, выявленные другими разработчиками и сообществами.

Чтобы лучше понять значимость фреймворков, представьте разработчика, создающего AI-агента для помощи врачам в анализе медицинских отчетов. Без фреймворка ему пришлось бы вручную писать код для всего: обработки email-вложений, извлечения текста из PDF-файлов, передачи этого текста в LLM в нужном формате, управления историей диалога, отслеживания обсужденных тем и обеспечения корректности ответов агента. Это огромное количество сложного кода для задач, которые не являются уникальными для его конкретного кейса.

Фреймворк для AI-агентов предоставляет многие из этих строительных блоков в готовом виде. Он берет на себя обработку email-сообщений и PDF-файлов, предлагает шаблоны для структурирования медицинских запросов, управляет диалогом и даже помогает отслеживать ключевые детали в ходе взаимодействий. Разработчик может сосредоточиться на особенностях своего агента, например, на тонкой настройке медицинских запросов или добавлении специальных механизмов безопасности при постановке диагнозов, а не изобретать базовые процессы заново. То, на что ушли бы месяцы разработки с нуля, теперь можно создать в виде прототипа за несколько дней.

LangChain зарекомендовал себя как универсальный инструмент для разработки AI-приложений, предлагая гибкий набор инструментов для создания LLM-ориентированных решений. Хотя он не является чисто агентным фреймворком, он предоставляет ключевые строительные блоки, на которых строятся многие агентные системы, — от механизмов организации последовательных LLM-запросов до систем памяти для сохранения контекста. Благодаря широкому набору интеграций и обширной документации LangChain стал основным стартовым инструментом для разработчиков, создающих прикладные AI-решения.

Помимо него существуют мультиагентные фреймворки, такие как CrewAI и AutoGen, которые позволяют разработчикам строить системы, в которых несколько AI-агентов работают совместно, каждый со своей уникальной ролью и возможностями. Вместо простого выполнения задач поочередно эти фреймворки делают акцент на взаимодействии агентов через диалог, чтобы коллективно решать сложные проблемы.

Например, если AI-агентам поручено подготовить аналитический отчет, один агент может спланировать его структуру, другой — собрать релевантную информацию, а третий — критически оценить и доработать финальный вариант. Это похоже на виртуальную команду, где AI-агенты могут обсуждать, анализировать и совместно улучшать решения. Подобные мультиагентные системы, работающие вместе для достижения единой цели, часто называют "роями" AI-агентов.

Хотя AutoGPT не является традиционным фреймворком, он стал первопроходцем в концепции автономных AI-агентов. Он продемонстрировал, как AI может взять высокоуровневую задачу, разбить ее на подзадачи и последовательно выполнить их с минимальным вмешательством человека. Несмотря на определенные ограничения, AutoGPT запустил волну инноваций в сфере автономных AI-агентов и оказал влияние на развитие более структурированных фреймворков, появившихся позднее.

Но почему крипто?

Вся эта предыстория подводит нас к появлению крипто-ориентированных AI-агентных фреймворков. На этом этапе может возникнуть вопрос: если уже существуют достаточно зрелые фреймворки, такие как LangChain и CrewAI в Web2, зачем Web3 нужны собственные фреймворки? Разве разработчики не могут просто использовать уже существующие инструменты для создания любых AI-агентов? Учитывая склонность индустрии Web3 к искусственному внедрению блокчейна во все возможные сценарии, подобный скептицизм вполне оправдан.

Мы видим три веские причины, оправдывающие существование агентных фреймворков, специально разработанных для Web3.

Финансовые агенты, работающие в ончейне

Мы убеждены, что в будущем большая часть финансовых транзакций будет происходить на блокчейне. Это создает потребность в AI-агентах, которые могут анализировать ончейн-данные, выполнять блокчейн-транзакции и управлять цифровыми активами в различных протоколах и сетях. От автоматизированных торговых ботов, выявляющих арбитражные возможности, до портфельных менеджеров, исполняющих стратегии доходности — все эти агенты требуют глубокой интеграции блокчейн-функциональности в их основные рабочие процессы. (Мы недавно писали об этом в контексте пересечения DeFi и AI.)

Традиционные Web2-фреймворки не предлагают нативных компонентов для таких задач. Разработчикам пришлось бы собирать сторонние библиотеки для взаимодействия со смарт-контрактами, парсить сырые ончейн-события и управлять приватными ключами, что добавляет уровень сложности и потенциальных уязвимостей. Напротив, специализированный Web3-фреймворк предоставляет эти возможности "из коробки", позволяя разработчикам сосредоточиться на логике и стратегии своих агентов, а не на низкоуровневых аспектах работы с блокчейном.

Нативная координация и стимулы

Блокчейны — это не просто цифровые валюты. Они предоставляют глобальную, минимально доверенную систему учета с встроенными финансовыми инструментами, которые могут значительно усилить координацию между AI-агентами. Вместо того чтобы полагаться на офчейн-репутацию или изолированные базы данных, разработчики могут использовать ончейн-примитивы, такие как стейкинг, эскроу и пуловые вознаграждения, для выравнивания интересов множества AI-агентов.

Представьте себе рой агентов, сотрудничающих для выполнения сложной задачи (например, разметки данных для обучения новой модели). Производительность каждого агента могла бы отслеживаться ончейн, а вознаграждения автоматически распределялись бы на основе вклада. Прозрачность и неизменность блокчейн-систем позволяют создавать справедливые механизмы компенсации, более надежные системы учета репутации и стимулы, которые могут динамически адаптироваться в реальном времени.

Крипто-ориентированные фреймворки могут изначально включать такие механизмы, позволяя разработчикам разрабатывать структуры вознаграждений с использованием смарт-контрактов без необходимости каждый раз изобретать их заново для доверенного взаимодействия агентов.

Новые возможности на раннем рынке

Хотя фреймворки, такие как LangChain, уже завоевали популярность и обладают сетевыми эффектами, пространство AI-агентов все еще находится на ранней стадии развития. Пока не ясно, каким будет конечное состояние этих систем, и ни один из подходов еще не занял доминирующее положение на рынке.

Криптоэкономические стимулы открывают новые возможности для того, как могут разрабатываться, управляться и монетизироваться фреймворки, — возможности, которые не вписываются в традиционные SaaS- или Web2-модели экономики. Эксперименты на этой ранней стадии могут привести к новым стратегиям монетизации не только самих фреймворков, но и агентов, построенных на их основе.

Претенденты

• ElizaOS, связанный с популярным проектом AI16Z, — это фреймворк на TypeScript для создания, развертывания и управления AI-агентами. Он разработан как Web3-дружественная операционная система для AI-агентов, позволяющая разработчикам создавать агентов с уникальными личностями, гибкими инструментами для взаимодействия с блокчейном и возможностью масштабирования в мультиагентных системах.
• Rig — это фреймворк с открытым исходным кодом, разработанный Playgrounds Analytics Inc. и построенный на языке программирования Rust для создания модульных и масштабируемых AI-агентов. Он ассоциируется с проектом AI Rig Complex (ARC).
• Daydreams — это генеративный агентный фреймворк, изначально созданный для разработки автономных агентов в ончейн-играх, но позже расширенный для выполнения задач ончейн.
• Pippin — это фреймворк AI-агентов, разработанный Йохеем Накадзимой (Yohei Nakajima), создателем BabyAGI. Он предназначен для помощи разработчикам в создании модульных и автономных цифровых ассистентов. Йохей начал с создания автономного агента, а затем расширил его до общего фреймворка.
• ZerePy — это Python-фреймворк с открытым исходным кодом, разработанный для развертывания автономных агентов на разных платформах и блокчейнах, с упором на креативный AI и интеграцию с социальными медиа. Как и Pippin, ZerePy начинался как отдельный агент Zerebro, прежде чем эволюционировать в полноценный фреймворк.

Критерии

Чтобы оценить силу каждого из этих фреймворков, мы поставили себя на место разработчика, который хочет создать AI-агента. Что его будет интересовать? Мы считаем полезным разделить оценку на три основные категории: ядро, функциональность и опыт разработчика.

Ядро фреймворка можно рассматривать как фундамент, на котором строятся все агенты. Если ядро слабое, медленное или не развивается, агенты, созданные на его основе, унаследуют эти ограничения. Ядро можно оценить по следующим параметрам:

• Циклы рассуждений: "Мозг" любого агентного фреймворка, определяющий, как агент решает проблемы. Сильные фреймворки поддерживают всё: от базовых потоков ввода-вывода до сложных моделей, таких как "Цепочка мыслей" (Chain of Thoughts). Без мощного механизма рассуждений агенты не смогут эффективно разбивать сложные задачи или оценивать несколько вариантов, превращаясь в обычных чат-ботов.
• Механизмы памяти: Агентам нужна как краткосрочная память для текущих взаимодействий, так и долгосрочное хранилище для накопленных знаний. Хорошие фреймворки не просто запоминают — они понимают взаимосвязи между различными фрагментами информации и умеют определять, что важно сохранить, а что можно забыть.
• Встроенная поддержка встраивания (embedding) и RAG: Современные агенты должны работать с внешними знаниями, такими как документация или рыночные данные. Сильные фреймворки упрощают процесс встраивания информации и её контекстного извлечения через RAG (retrieval-augmented generation), позволяя агентам опираться на конкретные знания, а не только на изначально обученную модель.
• Конфигурация личности: Способность формировать стиль общения агентов — их тон, уровень формальности и характер — критически важна для вовлечённости пользователей. Хорошие фреймворки позволяют легко настраивать эти параметры, так как личность агента значительно влияет на доверие пользователей.
• Координация нескольких агентов: Сильные фреймворки предоставляют встроенные механизмы для взаимодействия агентов — будь то структурированные диалоги, делегирование задач или системы общей памяти. Это позволяет создавать специализированные команды, где каждый агент обладает уникальными возможностями для решения сложных задач коллективно.

Помимо базовых возможностей, практическая ценность фреймворка во многом зависит от его инструментов и интеграций. Они существенно расширяют функционал агентов. Агент, у которого есть доступ только к LLM, может просто вести диалог, но если у него есть веб-браузер, он может искать актуальную информацию в реальном времени. Если он подключён к API календаря, он может планировать встречи. Каждое новое подключение экспоненциально увеличивает возможности агента. С точки зрения разработчика, чем больше доступных инструментов, тем больше возможностей для экспериментов.

Мы оцениваем функциональность крипто-нативных фреймворков по трём ключевым параметрам:

• Поддержка AI-моделей и их функции: Сильные фреймворки обеспечивают нативную интеграцию с различными языковыми моделями — от GPT-серии OpenAI до опенсорсных альтернатив, таких как Llama и Mistral. Однако дело не только в LLM. Поддержка других AI-функций, таких как синтез речи, браузерный доступ, генерация изображений и локальный вывод моделей, может существенно расширить возможности агента. Надёжная поддержка моделей становится базовым требованием для большинства подобных фреймворков.
• Поддержка Web3-инфраструктуры: Создание агентов для криптоэкосистемы требует глубокой интеграции с блокчейн-инфраструктурой. Это включает поддержку ключевых Web3-компонентов, таких как кошельки для подписания транзакций, RPC-узлы для взаимодействия с блокчейнами и индексаторы для получения данных. Надёжный фреймворк должен интегрироваться с фундаментальными инструментами и сервисами экосистемы — от NFT-маркетплейсов и DeFi-протоколов до решений для цифровой идентификации и уровней доступности данных.
• Охват блокчейнов: Если поддержка Web3-инфраструктуры определяет, что могут делать агенты, то охват блокчейнов определяет, где они могут это делать. Криптоэкосистема стремительно превращается в фрагментированного многосетевого гиганта, поэтому широкий охват различных блокчейнов становится критически важным фактором.

Наконец, даже самый мощный фреймворк бесполезен, если у него плохой опыт разработчика. Фреймворк может обладать выдающимися возможностями, но если разработчикам сложно его использовать, он никогда не получит массового распространения.

• Язык программирования: Выбор языка напрямую влияет на доступность фреймворка для разработчиков. Python доминирует в областях AI и анализа данных, что делает его естественным выбором для AI-фреймворков. Фреймворки, написанные на нишевых языках, могут обладать уникальными преимуществами, но рискуют оторваться от широкой экосистемы разработчиков. JavaScript, благодаря своей популярности в веб-разработке, также является сильным кандидатом, особенно для фреймворков, ориентированных на интеграцию с веб-приложениями.
• Документация: Подробная и понятная документация — это жизненно важный элемент для разработчиков, осваивающих новый фреймворк. Важно не только наличие API-справочников, хотя они и являются необходимостью. Качественная документация должна включать концептуальные обзоры, объясняющие основные принципы работы, пошаговые руководства, примеры кода с комментариями, обучающие материалы, гайды по устранению неполадок и готовые шаблоны проектирования.

Результаты

В таблице ниже представлено сводное сравнение каждого фреймворка по вышеописанным параметрам (ранжирование от 1 до 5).

Хотя детальное обсуждение каждого показателя выходит за рамки этой статьи, вот несколько ключевых наблюдений о каждом фреймворке.

Eliza — безусловно, самый зрелый фреймворк в этом списке. Его главным преимуществом является огромное количество функций и интеграций. Именно Eliza стал точкой притяжения для криптоэкосистемы, желающей получить доступ к AI в рамках недавней волны агентных систем.

Каждый блокчейн и инструмент для разработчиков стремился интегрироваться с этим фреймворком из-за огромного охвата и влияния, которое он приобрел (на данный момент он поддерживает почти 100 интеграций!). Одновременно с этим Eliza привлекла больше активности со стороны разработчиков, чем большинство других фреймворков. По крайней мере в краткосрочной перспективе, Eliza получила значительные преимущества за счет сетевых эффектов. Дополнительно этому способствовало то, что фреймворк написан на Typescript — зрелом языке, подходящем как для начинающих, так и для опытных разработчиков.

Eliza также выделяется наличием обширной образовательной базы и обучающих материалов, которые помогают разработчикам осваивать фреймворк.

Мы видели множество агентов, использующих Eliza, включая Spore, Eliza (сам агент) и Pillzumi. Ожидается, что в ближайшие недели выйдет новая версия фреймворка Eliza.

Подход Rig принципиально отличается от Eliza. Его ключевое преимущество — мощное, легковесное и производительное ядро. Он поддерживает различные модели логики, включая последовательную обработку запросов (prompt chaining), оркестрацию (координацию работы нескольких агентов), условную логику и параллельное выполнение операций.

Однако у Rig меньше интеграций. Вместо этого он использует другой подход, который команда называет "Arc Handshake". Здесь команда Arc сотрудничает с различными высококачественными Web2 и Web3 проектами, чтобы расширить функциональность Rig. Среди таких партнерств — Soulgraph (для персонализации агентов), Listen и Solana Agent Kit (для интеграции с блокчейнами).

Тем не менее у Rig есть два недостатка. Во-первых, он написан на Rust, который, несмотря на высокую производительность, знаком далеко не всем разработчикам. Во-вторых, в экосистеме пока существует ограниченное количество агентов, работающих на Rig (исключение — AskJimmy), что затрудняет оценку его реального уровня внедрения.

Перед созданием Daydreams его основатель lordOfAFew был ведущим контрибьютором фреймворка Eliza. Это дало ему понимание не только роста проекта, но и его слабых мест.

Главное отличие Daydreams от других фреймворков — фокус на "цепочке размышлений" (chain-of-thought reasoning) для достижения долгосрочных целей. Это означает, что при получении сложного задания агент выполняет многократное пошаговое рассуждение: он генерирует возможные действия, отбирает или отбрасывает их в зависимости от их полезности для достижения цели и продолжает процесс, пока не выполнит задачу. Это делает агентов на базе Daydreams действительно автономными.

Такой подход обусловлен тем, что основатель Daydreams разрабатывал игровые проекты. Игры, особенно ончейн-игры, являются идеальной средой для тестирования возможностей агентов. Неудивительно, что одними из первых сценариев использования агентов Daydreams стали игровые проекты Pistols, Istarai и PonziLand.

Фреймворк также предлагает мощные механизмы для координации и взаимодействия нескольких агентов.

Как и Daydreams, Pippin появился на рынке относительно недавно. Мы подробно освещали его запуск в этой статье. Основная идея, заложенная Yohei в Pippin, заключается в том, что агент должен быть "цифровым существом", способным автономно работать при наличии доступа к нужным инструментам. Эта концепция отражена в простом и элегантном ядре Pippin: всего за несколько строк кода можно создать продвинутого агента, который сможет работать самостоятельно и даже писать код для самого себя.

Недостатком фреймворка является отсутствие даже базовых функций, таких как поддержка векторных эмбеддингов и RAG-воркфлоу. Кроме того, он поощряет разработчиков использовать стороннюю библиотеку Composio для большинства интеграций. В целом, по сравнению с другими рассмотренными фреймворками, он менее зрелый.

Некоторые агенты, построенные с использованием Pippin, включают Ditto и Telemafia.

Zerepy имеет относительно простую реализацию ядра. Он фактически выбирает одну задачу из набора предустановленных задач и выполняет её при необходимости. Однако ему не хватает продвинутых моделей логики, таких как управление целями (goal-driven) или планирование с использованием цепочки размышлений (chain-of-thought planning).

Хотя он поддерживает вызовы для работы с несколькими языковыми моделями (LLM), у него отсутствует реализация встраивания данных (embedding) и RAG. Также отсутствуют базовые механизмы памяти и координации нескольких агентов.

Этот дефицит ключевых функций и интеграций отражается на уровне его адаптации. На данный момент нам не удалось обнаружить работающих агентов, использующих этот фреймворк.

Создание с использованием фреймворков

Если всё это звучит слишком технически и теоретически, мы вас понимаем. Проще спросить: «Какие типы агентов я могу создать с помощью этих фреймворков без необходимости писать кучу кода самостоятельно?».

Чтобы оценить эти фреймворки на практике, мы выделили пять распространённых типов агентов, которых разработчики чаще всего хотят создать. Они представляют разные уровни сложности и проверяют различные аспекты возможностей каждого фреймворка.

Агент для общения с документами: проверяет основные возможности RAG, включая обработку документов, поддержание контекста, точность цитирования и управление памятью. Этот тест показывает, насколько хорошо фреймворки справляются с реальным пониманием документов, а не просто с шаблонным сопоставлением.

• Чат-бот: оценивает системы памяти и последовательность поведения. Фреймворк должен обеспечивать согласованность личности, запоминать ключевую информацию между сессиями и позволять настраивать личностные характеристики, превращая статичные чат-боты в постоянных цифровых сущностей.
• Торговые боты для ончейна: проверяет интеграцию с внешними источниками данных, обрабатывая рыночную информацию в реальном времени, выполняя кросс-чейн транзакции, анализируя социальные настроения и реализуя торговые стратегии. Это показывает, насколько хорошо фреймворки справляются со сложной инфраструктурой блокчейна и API.
• Игровые NPC: хотя агенты стали популярными за последний год, в играх они играли важную роль в качестве неписуемых персонажей (NPC) в течение десятилетий. Игровые агенты переходят от правил-ориентированных моделей к интеллектуальным, основанным на LLM. Здесь мы тестируем способность агентов понимать окружающую среду, самостоятельно анализировать сценарии и достигать долгосрочных целей.
• Голосовой ассистент: оценивает обработку речи в реальном времени и взаимодействие с пользователем через голосовые команды, скорость ответа и интеграцию с мессенджерами. Это проверяет, могут ли фреймворки поддерживать действительно интерактивные приложения, выходящие за рамки простых запросов и ответов.

Мы присвоили каждому фреймворку оценку по пятибалльной шкале для каждого из этих типов агентов. Вот как они показали себя:

Большинство анализов при оценке этих фреймворков придают большое значение метрикам GitHub, таким как звёзды и форки. Здесь мы кратко рассмотрим, что представляют собой эти метрики и насколько они показательные для качества фреймворка.

Звёзды являются наиболее заметным показателем популярности. По сути, это закладки, которые разработчики ставят на проекты, которые им интересны или которые они хотят отслеживать. Хотя большое количество звёзд может свидетельствовать о широкой известности и интересе к проекту, оно может вводить в заблуждение. Проекты иногда накапливают звёзды благодаря маркетингу, а не техническим достоинствам. Звёзды следует рассматривать скорее как социальное доказательство, чем как показатель качества.

Количество форков показывает, сколько разработчиков создали собственную копию кодовой базы для дальнейшей работы с ней. Большее количество форков обычно указывает на то, что разработчики активно используют и развивают проект. Однако многие форки в итоге оказываются заброшенными, поэтому сырые цифры без контекста могут быть бесполезны.

Количество контрибьюторов отражает, сколько различных разработчиков фактически вносили код в проект. Это часто более значимый показатель, чем звёзды или форки. Большое количество активных контрибьюторов говорит о том, что у проекта есть поддерживающее его сообщество, занимающееся его развитием и улучшением.

Мы пошли дальше и разработали собственную метрику — рейтинг контрибьюторов. Мы оцениваем публичную историю каждого разработчика, включая его прошлые вклады в другие проекты, частоту активности и популярность его аккаунта, чтобы присвоить каждому контрибьютору оценку. Затем мы усредняем эти показатели по всем контрибьюторам проекта, взвешивая их по количеству сделанных ими вкладов.

Что означают эти числа для наших фреймворков?

В большинстве случаев количество звёзд можно игнорировать. Оно не является значимым показателем уровня принятия. Исключение составляет Eliza, которая некоторое время была репозиторием №1 по трендам во всём GitHub, что совпало с её превращением в координационный центр для всей крипто-AI экосистемы. Кроме того, в проект внесли свой вклад известные разработчики, такие как 0xCygaar. Это также отражается в количестве контрибьюторов — Eliza привлекла их в 10 раз больше, чем другие проекты.

Помимо этого, Daydreams интересен нам из-за высокого уровня разработчиков, которых он привлекает. Будучи поздним участником, запущенным после пика хайпа, он не смог воспользоваться сетевыми эффектами, которые помогли Eliza.

Что дальше?

Если вы разработчик, мы надеемся, что смогли дать вам хотя бы отправную точку для выбора фреймворка, с которым стоит работать (если он вам вообще нужен). Однако дальше вам всё равно предстоит проделать сложную работу по тестированию ядра логики и интеграций каждого фреймворка применительно к вашему конкретному кейсу. Избежать этого невозможно.

С точки зрения стороннего наблюдателя, важно помнить, что все эти фреймворки для AI-агентов существуют менее трёх месяцев. (Да, кажется, что прошло больше времени.) За этот период они прошли путь от хайповой волны до обвинений в том, что это всего лишь «воздух». Такова природа технологий. Несмотря на эту волатильность, мы считаем, что данный сектор представляет собой новый эксперимент в криптоиндустрии, который интересен и, скорее всего, останется надолго.

Следующий важный этап — это то, как эти фреймворки будут развиваться с технологической и монетизационной точек зрения.

С технологической точки зрения, самое большое конкурентное преимущество для фреймворка — это обеспечение бесшовного взаимодействия агентов с блокчейном. Это главная причина, по которой разработчики выбрали бы крипто-нативный фреймворк, а не общий. Кроме того, технологии агентов и методы их создания остаются передовой областью исследований, где ежедневно появляются новые достижения. Фреймворки должны постоянно эволюционировать и адаптироваться к этим изменениям.

Вопрос монетизации фреймворков ещё более интересен. На ранних стадиях создания проектов очевидным решением является создание лаунчпада по примеру Virtuals. Однако здесь остаётся огромное поле для экспериментов. Мы движемся в будущее, где миллионы агентов будут специализироваться в самых разных нишах. Инструменты, которые помогут эффективно координировать их взаимодействие, смогут захватить значительную долю ценности через комиссии за транзакции. Поскольку именно фреймворки служат точкой входа для разработчиков, они лучше всего позиционированы для этого.

Параллельно с этим вопрос монетизации фреймворков также связан с проблемой монетизации open-source проектов и вознаграждения контрибьюторов за работу, которая исторически была бесплатной и не получала должного признания. Если кому-то удастся найти способ создания устойчивой экономики для open-source, сохранив при этом её фундаментальные принципы, последствия этого выхода за пределы экосистемы фреймворков будут огромными.

Это темы, которые мы надеемся исследовать в ближайшие месяцы.

Вайб-кодинг между писательскими сессиями,

Шлок Кхемани

Подпишись на канал: https://t.me/cryptomokakke