AI エージェント フレームワークの競争: Eliza、Rig、Daydreams、どれが優れているでしょうか?

過去 1 年間、Decentralised.co は暗号通貨と AI の交差点を詳しく調査してきました。私たちは、AI エージェントとエージェント インフラストラクチャを追跡するために 70,000 人以上が使用する製品も構築しました。この分野を取り巻く熱狂はここ数週間で沈静化しているものの、AI がテクノロジーと社会に与える影響は、インターネット以来見られたものとは似ても似つかないものとなっている。私たちが予測するように、暗号通貨が将来の金融の手段となるのであれば、暗号通貨と AI の絡み合いは、一回限りのテーマではなく、繰り返し起こるテーマとなるでしょう。

この波から生まれたプロジェクトのより興味深いカテゴリの 1 つは、暗号ネイティブ AI エージェント フレームワークです。これらは、許可のない価値の転送、透明性、整合したインセンティブといったブロックチェーンのコア原則を AI 開発に取り入れる魅力的な実験です。オープンソースという性質により、その内部の仕組みを覗き見して、その約束だけでなく実際の動作も分析できる貴重な機会が得られます。

この投稿では、まずプロキシ フレームワークが実際に何であるか、そしてなぜそれが重要であるかを説明します。次に、LangChain のような成熟したオプションが存在するのに、なぜ暗号ネイティブ フレームワークが必要なのかという明白な疑問に答えます。この目的のために、私たちは主要な暗号ネイティブ フレームワークと、さまざまなユースケースにおけるその長所と限界を分析しました。最後に、AI エージェントを構築する場合は、どのフレームワークがニーズに適しているかを判断するお手伝いをします。それとも、フレームワークを使用して構築する必要がありますか?

早速始めましょう。

抽象的な

「文明の進歩とは、熟考せずに実行できる重要な作業の数を増やすことである。」 - アルフレッド・ノース・ホワイトヘッド

私たちの先祖がどのように暮らしていたか考えてみましょう。各家族は自らの食料を育て、自らの衣服を作り、自らの住居を建てなければなりませんでした。彼らは基本的な生存のための作業に数え切れないほどの時間を費やしており、他のことに費やす時間はほとんどありません。 2世紀前でさえ、人口のほぼ90％が農業に従事していました。今日、私たちはスーパーマーケットで食べ物を買い、専門家が建てた家に住み、遠くの工場で作られた服を着ています。かつては数世代の努力を要したものが、単純な取引になりました。現在、世界の人口のわずか 27% が農業に従事しています (先進国では 5% 未満に低下します)。

新しいテクノロジーを習得し始めると、馴染みのあるパターンが現れます。私たちは、何が機能し、何が機能しないのか、そしてどのようなパターンが出現し続けるのかなど、基本を理解することから始めます。これらのパターンが明確になると、私たちはそれをより簡単、より高速、より信頼性の高い抽象化にパッケージ化しました。これらの抽象化により、より多様で意味のある課題に取り組むための時間とリソースが解放されます。ソフトウェアの構築でも同じことが言えます。

Web 開発を例に挙げてみましょう。初期の頃は、開発者は HTTP リクエストの処理、状態の管理、UI の作成など、すべてをゼロから記述する必要があり、複雑で時間のかかるタスクでした。その後、React のようなフレームワークが登場し、便利な抽象化を提供することでこれらの課題を大幅に簡素化しました。モバイル開発も同様の道をたどってきました。当初、開発者はプラットフォーム固有の深い知識を必要としていましたが、React Native や Flutter などのツールが登場し、コードを一度記述すればどこにでもデプロイできるようになりました。

機械学習でも同様の抽象化パターンが現れます。 2000 年代初頭、研究者たちは ML ワークロードにおける GPU の可能性を発見しました。当初、開発者はグラフィックス プリミティブや OpenGL の GLSL などの言語 (汎用コンピューティング向けに構築されていないツール) に取り組まなければなりませんでした。 2006 年に NVIDIA が CUDA を導入し、GPU プログラミングがよりアクセスしやすくなり、ML トレーニングがより広範な開発者コミュニティに提供されるようになったことで、すべてが変わりました。

ML 開発が勢いを増すにつれ、GPU プログラミングの複雑さを抽象化するための専用フレームワークが登場しています。 TensorFlow と PyTorch を使用すると、開発者は低レベルの GPU コードや実装の詳細に煩わされることなく、モデル アーキテクチャに集中できます。これにより、モデル アーキテクチャの反復と、過去数年間に見られた AI/ML の急速な進歩が加速されます。

現在、AI エージェントにも同様の進化が見られます。AI エージェントは、人間のアシスタントや従業員と同じように、目標を達成するために意思決定を行い、行動を起こすことができるソフトウェア プログラムです。大規模な言語モデルを「頭脳」として使用し、Web の検索、API 呼び出し、データベースへのアクセスなどのさまざまなツールを活用してタスクを完了できます。

エージェントをゼロから構築するには、開発者は、エージェントが問題についてどう考えるか、どのツールをいつ使用するかをどのように決定するか、それらのツールとどう対話するか、以前の対話のコンテキストをどのように記憶するか、大きなタスクを管理可能なステップに分解する方法など、あらゆる側面を処理する複雑なコードを記述する必要があります。各モードを個別に対処する必要があったため、作業が重複し、結果に一貫性がありませんでした。

ここで AI エージェント フレームワークが登場します。 React が UI の更新と状態管理の難しい部分を処理することで Web 開発を簡素化したのと同様に、これらのフレームワークは AI エージェントの構築における一般的な課題に対処します。これらは、エージェントの意思決定プロセスを構築する方法、さまざまなツールを統合する方法、複数のインタラクションにわたってコンテキストを維持する方法など、私たちが発見した効果的なパターンのための既製のコンポーネントを提供します。

フレームワークを使用すると、開発者はこれらの基本コンポーネントを再構築するのではなく、エージェントを独自にする要素、つまりエージェントの特定の機能とユースケースに集中できます。数か月ではなく数日または数週間で洗練された AI エージェントを作成し、さまざまなアプローチをより簡単に試し、他の開発者やコミュニティによって発見されたベストプラクティスから学ぶことができます。

フレームワークの重要性をより深く理解するために、医師が医療レポートを確認するのに役立つエージェントを構築している開発者について考えてみましょう。フレームワークがなければ、電子メールの添付ファイルの処理、PDF からのテキストの抽出、正しい形式での LLM へのテキストの入力、会話履歴を管理して話し合った内容を追跡すること、エージェントが適切に応答することの保証など、すべてをゼロからコーディングする必要があります。これは、特定のユースケースに固有ではないタスクのための非常に複雑なコードです。

エージェント フレームワークを使用すると、これらのビルディング ブロックの多くが直接利用できるようになります。このフレームワークは、電子メールや PDF の読み取りを処理し、医療知識プロンプトを構築するためのパターンを提供し、会話の流れを管理し、複数のやり取りにわたる重要な詳細を追跡するのにも役立ちます。開発者は、一般的なパターンを再発明するのではなく、医療分析プロンプトの微調整や診断固有の安全性チェックの追加など、エージェントを独自にすることに集中できます。ゼロから構築するには数か月かかっていたものが、今ではわずか数日でプロトタイプ化できるようになりました。

LangChain は AI 開発のスイスアーミーナイフとなり、LLM ベースのアプリケーションを構築するための柔軟なツールキットを提供しています。厳密にはエージェント フレームワークではありませんが、LLM 呼び出しを順序付けるチェーンからコンテキストを維持するためのメモリ システムまで、ほとんどのエージェント フレームワークが構築される基本的な構成要素を提供します。幅広い統合エコシステムと豊富なドキュメントにより、実用的な AI アプリケーションの構築を目指す開発者にとって最適な出発点となります。

さらに、CrewAI や AutoGen などのマルチエージェント フレームワークがあり、開発者はこれらを使用して、それぞれが独自の役割と機能を持つ複数の AI エージェントが連携して動作するシステムを構築できます。これらのフレームワークは、単にタスクを順番に実行するのではなく、対話を通じてエージェント間のコラボレーションを重視し、共同で問題を解決します。

たとえば、調査レポートが割り当てられた場合、1 人のエージェントがその構造の概要を説明し、別のエージェントが関連情報を収集し、3 人目のエージェントが最終草稿にコメントして改良する場合があります。これは、AI エージェントが一緒に議論し、討論し、解決策を改善できる仮想チームを形成するようなものです。このように複数のエージェントが連携して高レベルの目標を達成するシステムは、AI エージェントの「群れ」と呼ばれることがよくあります。

たとえば、調査レポートが割り当てられた場合、1 人のエージェントがその構造の概要を説明し、別のエージェントが関連情報を収集し、3 人目のエージェントが最終草稿にコメントして改良する場合があります。これは、AI エージェントが一緒に議論し、討論し、解決策を改善できる仮想チームを形成するようなものです。このように複数のエージェントが連携して高レベルの目標を達成するシステムは、AI エージェントの「群れ」と呼ばれることがよくあります。

AutoGPT は従来のフレームワークではありませんが、自律 AI エージェントの概念の先駆者です。これは、AI が高レベルの目標をサブタスクに分割し、最小限の人間による入力でそれらを独立して完了する方法を示しています。 AutoGPT は限界があるにもかかわらず、自律エージェントにおけるイノベーションの波を引き起こし、その後のより構造化されたフレームワークの設計に影響を与えました。

しかし、なぜ暗号化するのでしょうか?

これらすべての背景により、最終的には暗号ネイティブ AI エージェント フレームワークの台頭がもたらされます。この時点で、Web2 には Langchain や CrewAI のような比較的成熟したフレームワークがあるのに、なぜ Web3 には独自のフレームワークが必要なのか疑問に思うかもしれません。開発者はこれらの既存のフレームワークを使用して、必要なエージェントを構築できるのでしょうか?業界があらゆる物語に Web3 を強制する傾向にあることを考えると、この懐疑論は妥当です。

Web3 固有のプロキシ フレームワークが存在する理由は 3 つあると私たちは考えています。

オンチェーンで稼働する金融エージェント

私たちは、将来的にはほとんどの金融取引がブロックチェーン上で行われるようになると考えています。これにより、オンチェーン データを解析し、ブロックチェーン トランザクションを実行し、複数のプロトコルとネットワークにわたってデジタル資産を管理できる AI エージェントのクラスの必要性が加速しました。裁定取引の機会を検出できる自動取引ボットから利回り戦略を実行するポートフォリオ マネージャーまで、これらのエージェントは、ブロックチェーン機能をコア ワークフローに深く統合することに依存しています。

従来の Web2 フレームワークでは、これらのタスク用のネイティブ コンポーネントは提供されません。スマート コントラクトとやり取りし、生のオンチェーン イベントを解析し、秘密鍵の管理を処理するには、サードパーティのライブラリを組み合わせる必要があり、複雑さと潜在的な脆弱性が生じます。代わりに、専用の Web3 フレームワークがこれらの機能をすぐに処理できるため、開発者は低レベルのブロックチェーンの配管に悩まされることなく、エージェントのロジックとポリシーに集中できます。

ネイティブの調整とインセンティブ

ブロックチェーンはデジタル通貨だけに限りません。これらは、複数のエージェントの調整を強化する組み込みの金融ツールを備えた、信頼を最小限に抑えたグローバルな記録システムを提供します。開発者は、オフチェーンの評判やサイロ化されたデータベースに頼るのではなく、ステーキング、エスクロー、インセンティブ プールなどのオンチェーン プリミティブを使用して、複数の AI エージェントの利益を調整できます。

複雑なタスク (新しいモデルをトレーニングするためのデータのラベル付けなど) を完了するために協力するエージェントのグループを想像してください。各エージェントのパフォーマンスはオンチェーンで追跡でき、貢献度に基づいて報酬が自動的に分配されます。ブロックチェーン ベースのシステムの透明性と不変性により、公正な報酬、より堅牢な評判の追跡、リアルタイムで進化するインセンティブ スキームが可能になります。

暗号ネイティブ フレームワークはこれらの機能を明示的に埋め込むことができるため、開発者はエージェントを信頼したり別のエージェントに支払いをしたりする必要があるたびに車輪の再発明をすることなく、スマート コントラクトを使用してインセンティブ構造を設計できます。

初期段階の市場における新たな機会

LangChain のようなフレームワークはすでにマインドシェアとネットワーク効果を備えていますが、AI エージェントの分野はまだ初期段階にあります。これらのシステムの最終状態がどうなるかは不明であり、市場を固定する方法は一つもありません。

暗号経済のインセンティブは、従来の SaaS や Web2 の経済にうまく当てはまらないフレームワークの構築、管理、収益化の方法に新たな可能性をもたらします。この初期段階での実験により、フレームワーク上に構築されたエージェントだけでなく、フレームワーク自体の新しい収益化戦略が実現される可能性があります。

競争相手

人気のプロジェクト AI16Z に関連する ElizaOS は、AI エージェントを作成、展開、管理するための Typescript ベースのフレームワークです。これは、Web3 対応の AI エージェント オペレーティング システムとして設計されており、開発者は独自の個性を持つエージェント、ブロックチェーン インタラクション用の柔軟なツールを構築し、マルチエージェント システムを通じて簡単に拡張できます。

人気のプロジェクト AI16Z に関連する ElizaOS は、AI エージェントを作成、展開、管理するための Typescript ベースのフレームワークです。これは、Web3 対応の AI エージェント オペレーティング システムとして設計されており、開発者は独自の個性を持つエージェント、ブロックチェーン インタラクション用の柔軟なツールを構築し、マルチエージェント システムを通じて簡単に拡張できます。

Rig は、Playgrounds Analytics Inc. によって開発されたオープンソースの AI エージェント フレームワークであり、モジュール式で拡張可能な AI エージェントを作成するための Rust プログラミング言語を使用して構築されています。これは、AI Rig Complex (ARC) プロジェクトに関連しています。

Daydreams は、もともとオンチェーン ゲーム用の自律エージェントを作成するために作成された生成エージェント フレームワークですが、その後、オンチェーン タスクを実行するように拡張されました。

Pippin は、BabyAGI の創設者である中島洋平氏によって開発された AI エージェント フレームワークであり、開発者がモジュール式の自律型デジタル アシスタントを作成できるように支援します。洋平さんはまずスタンドアロンエージェントを構築し、その後それを一般的なフレームワークに拡張しました。

ZerePy は、クリエイティブ AI とソーシャル メディアの統合に重点を置いて、複数のプラットフォームとブロックチェーンにまたがって自律エージェントを展開するように設計されたオープン ソースの Python フレームワークです。 Pippin と同様に、Zerepy はスタンドアロン エージェント Zerebro として始まり、後にフレームワークに拡張されました。

標準

各フレームワークの強みを評価するために、AI エージェントを構築したい開発者の視点を取り入れました。彼らは何を気にするでしょうか?評価を、コア、機能、開発者エクスペリエンスの 3 つの主要カテゴリに分類すると便利だと考えています。

フレームワークのコアは、他のすべてのエージェントが構築される基盤と考えることができます。コアが弱かったり、遅かったり、進化していなかったりすると、フレームワークを使用して作成されたエージェントも同様に制限されます。コアは次の基準に基づいて評価できます。

コア推論ループ: エージェント フレームワークの頭脳であり、問​​題を解決する方法。強力なフレームワークは、基本的な入力と出力のフローから、思考の連鎖などの複雑なパターンまですべてをサポートします。強力な推論能力がなければ、エージェントは複雑なタスクを効果的に分解したり、複数のオプションを評価したりすることができず、単なる派手なチャットボットになってしまいます。

記憶メカニズム: エージェントは会話を続けるための短期記憶と、永続的な知識を獲得するための長期記憶の両方を必要とします。優れたフレームワークは、単に記憶するだけではなく、さまざまな情報間の関係を理解し​​、保持する価値のあるものと忘れる価値のあるものを優先順位付けできます。

埋め込みと RAG サポート: 最新のエージェントは、ドキュメントや市場データなどの外部知識を使用する必要があります。強力なフレームワークでは、この情報を簡単に埋め込み、RAG を通じてコン​​テキストに応じて取得できるため、応答はベース モデルのトレーニングのみに依存するのではなく、特定の知識に基づいて行われます。

パーソナリティ設定: エージェントのコミュニケーション方法 (口調、エチケット、パーソナリティ) を形作る能力は、ユーザー エンゲージメントにとって重要です。優れたフレームワークでは、エージェントの個性がユーザーの信頼に大きな影響を与える可能性があることを認識し、これらの特性を簡単に構成できます。

マルチエージェント調整: 強力なフレームワークは、構造化された会話、タスクの委任、共有メモリ システムなどを通じてエージェントが連携するための組み込みパターンを提供します。これにより、各エージェントが独自の能力を持ち寄って協力し、問題を解決する専門チームを作成できます。

コア機能以外では、フレームワークの実際の有用性は、その機能と統合に大きく依存します。ツールはエージェントの実際の機能を大幅に拡張します。 LLM アクセスのみを持つエージェントは会話に参加できますが、Web ブラウザーへのアクセス権が付与されると、リアルタイムの情報を取得できます。カレンダー API に接続すると、会議をスケジュールできます。新しいツールが追加されるたびに、エージェントの機能が飛躍的に向上します。開発者の観点から見ると、ツールの数が増えるほど、選択肢が増え、実験の範囲も広がります。

私たちは、暗号ネイティブ フレームワークの機能を次の 3 つの側面から評価します。

AI モデルのサポートと機能: 強力なフレームワークは、OpenAI の GPT シリーズから Llama や Mistral などのオープンソースの代替モデルまで、幅広い言語モデルとのネイティブ統合を提供します。しかし、それはLLMだけの問題ではありません。テキスト読み上げ、ブラウザの使用、画像生成、ローカル モデル推論などの追加の AI 機能のサポートにより、エージェントの機能が大幅に拡張されます。強力なモデル サポートは、これらのフレームワークの多くにとって必須のものになりつつあります。

Web3 インフラストラクチャのサポート: 暗号プロキシを構築するには、ブロックチェーン インフラストラクチャとの緊密な統合が必要です。これは、トランザクション署名用のウォレット、チェーン通信用の RPC、データ アクセス用のインデクサーなど、必要な Web3 コンポーネントをサポートすることを意味します。強力なフレームワークは、NFT マーケットプレイスや DeFi プロトコルから ID ソリューションやデータ可用性レイヤーまで、エコシステム全体の重要なツールやサービスと統合される必要があります。

チェーン カバレッジ: Web3 インフラストラクチャ サポートによってプロキシが実行できる内容が決定され、チェーン カバレッジによってプロキシが実行できる場所が決定されます。暗号通貨エコシステムは分散型のマルチチェーンの巨大組織へと進化しており、幅広いチェーンカバレッジの重要性が強調されています。

チェーン カバレッジ: Web3 インフラストラクチャ サポートによってプロキシが実行できる内容が決定され、チェーン カバレッジによってプロキシが実行できる場所が決定されます。暗号通貨エコシステムは分散型のマルチチェーンの巨大組織へと進化しており、幅広いチェーンカバレッジの重要性が強調されています。

結局のところ、最も強力なフレームワークであっても、開発者のエクスペリエンス次第でその良し悪しが決まります。フレームワークがクラ​​ス最高の機能を備えていても、開発者がそれを効果的に使用することが難しい場合、広く採用されることはありません。

フレームワークが記述されている言語は、誰がそれを使用してビルドできるかに直接影響します。 Python は AI とデータ サイエンスの両方の分野で優位に立っているため、AI フレームワークには当然の選択となります。ニッチな言語で書かれたフレームワークには独自の利点があるかもしれませんが、より広範な開発者エコシステムから孤立してしまう可能性があります。

JavaScript は Web 開発において広く普及しているため、特に Web 統合をターゲットとするフレームワークにとっては、もう 1 つの強力な候補となります。

明確で包括的なドキュメントは、新しいフレームワークを採用する開発者にとって生命線です。これは API リファレンスだけに関することではありませんが、API リファレンスも同様に重要です。強力なドキュメントには、中核となる原則を説明する概念的な概要、ステップバイステップのチュートリアル、十分にコメントされたサンプル コード、教育用チュートリアル、トラブルシューティング ガイド、確立された設計パターンが含まれます。

結果

次の表は、先ほど定義したパラメータ全体にわたって各フレームワークのパフォーマンス（1 ～ 5 のランク）をまとめたものです。

各データ ポイントの背後にある理由について説明することはこの記事の範囲を超えていますが、ここでは各フレームワークについて私たちが注目した点をいくつか紹介します。

Eliza は、このリストの中では群を抜いて最も成熟したフレームワークです。 Eliza フレームワークは、最近のプロキシの波の中で暗号エコシステムが AI と連携するためのシェリングポイントとなっていることを考えると、その際立った特徴の 1 つは、サポートする機能と統合の膨大な数です。

このフレームワークが生み出した人気により、あらゆるブロックチェーンと開発ツールがフレームワークへの統合に躍起になっています (現在、約 100 の統合が行われています)。同時に、Eliza はほとんどのフレームワークよりも多くの開発者の注目を集めています。少なくとも短期的には、Eliza は非常に明確なネットワーク効果の恩恵を受けています。このフレームワークは、初心者と経験豊富な開発者の両方が使用する成熟した言語である TypeScript で記述されており、その人気をさらに高めています。

Eliza は、フレームワークを使用する開発者向けに提供される豊富な教育コンテンツとチュートリアルでも際立っています。

これまで、Spore、Eliza (エージェント)、Pillzumi など、Eliza フレームワークを使用するさまざまなエージェントを見てきました。 Eliza フレームワークの新しいバージョンは、今後数週間以内にリリースされる予定です。

リグのアプローチはエリザのアプローチとは根本的に異なります。パワフルで軽量、高性能なコアを備えているのが特徴です。ヒント チェーン (ヒントを順番に適用する)、オーケストレーション (複数のエージェントを調整する)、条件付きロジック、並列処理 (操作を同時に実行する) など、さまざまな推論パターンをサポートします。

ただし、Rig 自体はそれほど充実して統合されていません。代わりに、チームは「Arc ハンドシェイク」と呼ぶ異なるアプローチを採用しています。ここで、Arc チームは Web2 および Web3 のさまざまな高品質のチームと協力して、Rig の機能を拡張します。これらのコラボレーションには、エージェントのパーソナリティに関する Soulgraph との連携や、ブロックチェーン機能に関する Listen および Solana Agent Kit との連携が含まれます。

ただし、Rig には 2 つの欠点があります。まず、これは Rust で書かれていますが、Rust は非常にパフォーマンスに優れているものの、比較的少数の開発者にしか馴染みがありません。第二に、実世界で使用されている Rig 搭載エージェントの数は限られているため (AskJimmy は例外)、開発者による実際の採用を評価することが困難です。

Daydreams を立ち上げる前、創設者の lordOfAFew は Eliza フレームワークの主要な貢献者でした。これにより、彼はフレームワークの成長と、さらに重要なことに、そのフレームワークのいくつかの欠点を知ることになりました。 Daydreams は、エージェントが長期的な目標を達成できるようにするために思考連鎖推論に重点を置いている点で、他のフレームワークとは異なります。

つまり、高レベルで複雑な目標が与えられた場合、エージェントは複数段階の推論を実行し、さまざまなアクションを提案し、目標の達成に役立つかどうかに基づいてそれらを受け入れるか破棄し、このプロセスを継続して進行します。これにより、Daydreams を使用して作成されたエージェントは真に自律的になります。

創設者のゲームプロジェクト構築の経験がこのアプローチに影響を与えました。ゲーム、特にオンチェーン ゲームは、エージェントをトレーニングし、その機能をテストするための理想的な環境です。当然のことながら、Daydreams エージェントの初期の使用例には、Pistols、Istarai、PonziLand などのゲームがありました。

このフレームワークには、強力なマルチエージェント コラボレーションとオーケストレーション ワークフロー実装も備わっています。

Daydreams と同様に、Pippin もフレームワーク ゲームに後から参入したゲームです。この記事ではその発売について詳しく説明します。ヨウヘイ氏のビジョンの中心にあるのは、エージェントが適切なツールにアクセスすることで、インテリジェントかつ自律的に動作できる「デジタル存在」になることを可能にすることです。このビジョンは、シンプルでありながらエレガントな Pippin の核心に反映されています。わずか数行のコードで、自律的に実行し、自分自身でコードを記述することもできる高度なエージェントを作成できます。

このフレームワークの欠点は、サポートベクター埋め込みや RAG ワークフローなどの基本的な機能さえ欠けていることです。また、ほとんどの統合では、開発者がサードパーティのライブラリ Composio を使用することを推奨しています。これまで説明してきた他のフレームワークほど成熟していないだけです。

Pippin を使用して構築されたプロキシには、Ditto や Telemafia などがあります。

Zerepy のコア実装は比較的シンプルです。構成されたタスクのセットからタスクを効果的に選択し、必要なときに実行します。ただし、目標主導型や思考連鎖型の計画などの複雑な推論パターンが欠けています。

複数の LLM への推論呼び出しをサポートしていますが、埋め込みや RAG の実装はありません。また、メモリやマルチエージェント調整のためのプリミティブも欠けています。

このコア機能と統合の欠如は、Zerepy の採用に反映されています。このフレームワークを使用して実際にエージェントがオンラインになるのはまだ見られません。

フレームワークを使った構築

フレームワークを使った構築

これらすべてが技術的かつ理論的に聞こえるとしても、それは責められません。もっと単純な質問は、「自分で大量のコードを書かなくても、これらのフレームワークを使用してどのようなエージェントを構築できるか」です。

これらのフレームワークを実際に評価するために、開発者が構築したいことが多い 5 つの一般的なエージェントの種類を特定しました。これらはさまざまなレベルの複雑さを表し、各フレームワークの機能のさまざまな側面をテストします。

ドキュメント チャット エージェント: ドキュメント処理、コンテキスト維持、参照精度、メモリ管理などのコア RAG 機能をテストします。このテストでは、真のドキュメント理解と単純なパターン マッチングの間のギャップを乗り越えるフレームワークの能力が明らかになります。

チャットボット: 記憶システムと行動の一貫性を評価します。フレームワークは、一貫した性格特性を維持し、会話全体にわたって重要な情報を記憶し、性格構成を可能にして、本質的にステートレスなチャットボットを永続的なデジタルエンティティに変換する必要があります。

オンチェーン取引ボット: リアルタイムの市場データを処理し、クロスチェーン取引を実行し、社会的感情を分析し、取引戦略を実装することで、外部統合をストレステストします。これにより、フレームワークが複雑なブロックチェーン インフラストラクチャと API 接続をどのように処理するかが明らかになります。

ゲーム NPC: 世界がエージェントに注目し始めたのはここ 1 年ほどですが、エージェントは数十年にわたってゲーム内のノンプレイヤーキャラクター (NPC) として重要な役割を果たしてきました。ゲームエージェントは、ルールベースのエージェントから LLM によって駆動されるインテリジェントエージェントへと移行しており、フレームワークの主な使用例となっています。ここでは、エージェントが環境を理解し、シナリオを自律的に推論し、長期的な目標を達成する能力をテストします。

音声アシスタント: 音声処理、高速応答時間、メッセージング プラットフォームの統合を通じて、リアルタイム処理とユーザー エクスペリエンスを評価します。これは、フレームワークが単純な要求応答モデルではなく、真にインタラクティブなアプリケーションをサポートできるかどうかをテストします。

各エージェント タイプごとに、各フレームワークに 5 点満点のスコアを付けました。パフォーマンスは以下のとおりです:

オープンソースメトリクス

これらのフレームワークを評価する場合、ほとんどの分析ではスターやフォークなどの GitHub メトリックに重点が置かれます。ここでは、これらのメトリックが何であるか、そしてそれらがフレームワークの品質をどの程度示すかについて簡単に説明します。

星は最も明白な人気のシグナルとして機能します。本質的には、開発者が興味深いと思ったり追跡したい項目に付けるブックマークです。星の数が多いと認知度と関心が高まっていることを示しますが、誤解を招く可能性があります。プロジェクトでは、技術的な価値ではなくマーケティングを通じて星を獲得することがあります。星は品質の尺度ではなく、社会的証明として考えてください。

フォークの数は、コードベースのコピーを作成してその上に構築した開発者の数を示します。フォークの数が多いということは、通常、開発者がプロ​​ジェクトを積極的に使用し、拡張していることを示します。つまり、多くのフォークは最終的に放棄されるため、生のフォーク数にはコンテキストが必要です。

貢献者の数は、実際にプロジェクトにコードをコミットした開発者の数を示します。これは通常、星やフォークよりも意味があります。定期的に貢献する人がかなりの数いるということは、プロジェクトを維持および改善するアクティブなコミュニティがあることを示しています。

貢献者の数は、実際にプロジェクトにコードをコミットした開発者の数を示します。これは通常、星やフォークよりも意味があります。定期的に貢献する人がかなりの数いるということは、プロジェクトを維持および改善するアクティブなコミュニティがあることを示しています。

私たちはさらに一歩進んで、独自の指標である「貢献者スコア」を設計しました。私たちは、他のプロジェクトへの過去の貢献、活動頻度、アカウントの人気度など、各開発者の公開履歴を評価して、各貢献者にスコアを割り当てます。次に、プロジェクトへの貢献者全員の平均を計算し、貢献数に応じて重み付けしました。

これらの数字は私たちのフレームワークにとって何を意味するのでしょうか?

ほとんどの場合、星の数はごくわずかです。それらは採用の有意義な指標ではありません。ここでの例外は Eliza です。これは、一時期 GitHub 上のすべてのプロジェクトの中で 1 位のトレンド リポジトリになり、すべての暗号 AI のシェリング ポイントであることと一致しています。さらに、0xCygaar のような有名な開発者もこのプロジェクトに貢献しています。これは、Eliza が集める貢献者の数（他のプロジェクトの 10 倍）にも反映されています。

それだけでなく、Daydreams が私たちにとって興味深いのは、それが惹きつける質の高い開発者たちの存在です。同社は、誇大宣伝がピークに達した後に立ち上げられた後発企業であったため、Eliza のネットワーク効果の恩恵を受けることができませんでした。

次は何ですか？

開発者の方には、少なくとも、どのフレームワークに基づいて構築するかを選択するための出発点を提供できたことを願っています (必要な場合)。それに加えて、各フレームワークの核となる考え方と統合がユースケースに適しているかどうかをテストする努力も必要です。これは避けられないことだ。

観察者の観点からすると、これらの AI エージェント フレームワークはすべて 3 か月以内にリリースされたものであるということを覚えておくことが重要です。 （はい、もっと長く感じます。）その間に、彼らは大いに期待されていた状態から、空中楼閣と呼ばれる状態へと変化しました。それがテクノロジーの本質です。この不安定さにもかかわらず、私たちはこの分野が暗号通貨における興味深く永続的な新しい実験であると信じています。

次に重要になるのは、これらのフレームワークが技術的にも金銭的にもどのように成熟するかです。

技術面では、フレームワーク自体が生み出すことができる最大の利点は、エージェントがチェーン上でシームレスに対話できるようになることです。これが、開発者が汎用フレームワークではなく暗号ネイティブ フレームワークを選択する最大の理由です。さらに、エージェントおよびエージェント構築技術は世界中で最先端の技術的課題であり、日々新たな開発が行われています。フレームワークも進化し続け、これらの進歩に適応する必要があります。

フレームワークがどのように収益化されるかの方が興味深いです。初期の段階では、Virtuals にインスパイアされたランチパッドを作成することは、プロジェクトにとって簡単なことでした。しかし、ここでは実験の余地がたくさんあると考えています。私たちは、想像できるあらゆるニッチ分野に特化した何百万ものエージェントが存在する未来に向かっています。効率的な調整を支援するツールは、取引手数料から莫大な価値を獲得できる可能性があります。ビルダー向けのポータルとして、フレームワークはこれらの価値を捉えるのに最適です。

同時に、フレームワークの収益化は、オープンソース プロジェクトを収益化し、これまで無償で報われない仕事をしてきた貢献者に報酬を与えるという問題にも見せかけられています。チームが、オープンソース経済の本質的な精神を維持しながら持続可能なオープンソース経済を構築する方法を解明できれば、その影響は機関の枠組みをはるかに超えるものとなるでしょう。