在本报告中，我们讨论了加密与AI领域中的框架现状。我们将探讨当前的框架类型（ELIZA、GAME、ARC、ZEREPY）及其技术差异。

总结：

我们在过去一周内审查并测试了这四大主流框架，结论如下（包括一个“速查表”）。
我们认为，$AI16Z 将继续占据市场主导地位。Eliza（$ai16z，约60%市场份额，市值9亿美元）的价值体现在其先发优势（Lindy效应）以及开发者中加速的使用趋势，这通过193位贡献者、1.8k次分叉和6000+颗星得以体现，使其成为GitHub上最受欢迎的存储库之一。

$GAME（约20%市场份额，市值3亿美元）目前运行非常流畅，正在迅速被采用。$VIRTUAL 今日宣布的200多个项目、每日15万次请求和每周200%的增长进一步证明了这一点。$GAME 将继续受益于 $VIRTUAL 的崛起，并有望成为其生态系统中的最大赢家之一。

Rig（$ARC，约15%市场份额，市值1.6亿美元）因其模块化设计，操作简单，非常具有吸引力，并且作为 Solana 生态系统（RUST）中的“纯正玩家”，有望占据主导地位。

Zerepy（$ZEREBRO，约5%市场份额，市值3亿美元）是一种更具利基性的特定应用框架，深受其独特社区的欢迎。其最近与 ai16z 社区的合作可能会带来协同效应。

我们的市场份额计算是市值、开发记录和底层操作系统终端市场覆盖范围的综合评估。

我们认为，框架领域将在当前周期中实现最快的增长，约17亿美元的总市值可能会轻松增长到200亿美元，这相比于2021年一级链（L1）估值的峰值（许多项目单独就超过200亿美元）仍然是保守的估计。尽管这四大框架服务于不同的终端市场（链/生态系统），但基于市值的加权方法可能是最审慎的，因为我们认为该领域是一个“水涨船高”的市场。
框架速查表：

在此表格中，我们列出了每个主要框架的关键技术、组成部分和优势。

框架概览速查表
框架介绍

在AI与加密领域的交叉点上，已经出现了多个框架来促进AI的发展。其中包括由$AI16Z推出的ELIZA、由$ARC推出的RIG、由$ZEREBRO推出的ZEREPY，以及由$VIRTUAL推出的$GAME。每个框架都针对智能体开发的不同需求和理念，从开源社区项目到注重性能的企业解决方案。

框架首先介绍了其性质、使用的编程语言、技术架构、算法及其独特功能，以及框架可能应用的潜在用例。然后，我们将从可用性、可扩展性、适应性和性能方面对各框架进行比较，并分析它们的优势和局限性。

ELIZA框架，由@ai16zdao通过@shawmakesmagic开发

Eliza是一个开源的多智能体模拟框架，旨在创建、部署和管理自主AI智能体。该框架采用TypeScript作为编程语言，提供了一个灵活且可扩展的平台，用于构建能够在多个平台上与人类交互的智能体，同时保持一致的个性和知识。

该框架的核心功能包括支持同时部署和管理多个独特AI个性的多智能体架构，以及通过角色文件框架创建多样化智能体的角色系统，以及通过先进的检索增强生成（RAG）系统提供长期记忆和上下文感知的内存管理功能。此外，Eliza框架还提供流畅的平台集成功能，可与Discord、X和其他社交媒体平台可靠连接。

在AI智能体的通信和媒体处理能力方面，Eliza是一个出色的选择。在通信方面，该框架支持与Discord的集成，包括语音频道功能、X功能、Telegram，以及通过API直接访问以支持定制用例。另一方面，该框架的媒体处理功能包括PDF文档阅读和分析、链接内容提取和摘要、音频转录、视频内容处理、图像分析以及对多样化媒体输入和输出的对话总结功能。

Eliza框架通过本地推理支持开源模型、基于云的推理（如OpenAI），以及默认配置（例如Nous Hermes Llama 3.1B），提供灵活的AI模型支持，还支持Claude来处理复杂查询。Eliza采用模块化架构，具有广泛的操作系统、自定义客户端支持和全面的API，确保应用的可扩展性和适应性。

Eliza的用例涵盖多个领域，例如：作为客户支持、社区管理和个人任务的AI助手；作为社交媒体角色，如自动内容创作者、互动机器人和品牌代表。此外，它还可作为研究助理、内容分析师和文档处理器等知识工作者，以及支持角色扮演机器人、教育导师和娱乐智能体等交互角色。

Eliza的架构围绕智能体运行时构建，与其角色系统（由模型提供商支持）、内存管理器（连接到数据库）以及操作系统（与平台客户端连接）无缝集成。该框架的独特功能包括插件系统，支持模块化功能扩展；支持语音、文本和媒体等多模态交互；兼容Llama、GPT-4和Claude等主流AI模型。凭借其多功能和强大的设计，Eliza在开发多领域AI应用方面表现出色。

G.A.M.E框架，由@virtuals_io通过@everythingempt0开发

生成式自主多模态实体框架（G.A.M.E）旨在为开发者提供API和SDK访问权限，以便实验AI智能体。该框架提供了一种结构化的方法来管理AI智能体的行为、决策和学习过程。

核心组件包括：首先，智能体提示接口作为开发者将GAME集成到智能体中的入口，允许访问智能体行为。感知子系统通过指定参数（如会话ID、智能体ID、用户及其他相关细节）来启动会话。

它将传入的信息合成成适合战略规划引擎的格式，作为AI智能体的感知输入机制，无论是以对话还是反应的形式。对话处理模块是其核心，用于处理来自智能体的消息和回应，并与感知子系统协作，有效地解读并回应输入。

战略规划引擎与对话处理模块和链上钱包操作员协同工作，生成回应和计划。该引擎在两个层次上运作：作为高级规划者，根据上下文或目标制定广泛的战略；作为低级策略，将这些战略转化为可执行的策略，并进一步细分为任务规划者（用于指定任务）和计划执行者（用于执行任务）。

一个独立但关键的组件是世界上下文，它引用环境、世界信息和游戏状态，为智能体的决策提供必要的上下文。此外，智能体库用于存储长期属性，如目标、反思、经验和个性，这些共同塑造了智能体的行为和决策过程。

该框架使用短期工作记忆和长期记忆处理器。短期记忆保留与先前行动、结果和当前计划相关的信息。相比之下，长期记忆处理器根据重要性、时效性和相关性等标准提取关键信息。该记忆存储有关智能体的经验、反思、动态个性、世界上下文和工作记忆的知识，以增强决策过程，并为学习提供基础。

在布局上，学习模块从感知子系统获取数据，生成通用知识，并将其反馈到系统中，以完善未来的互动。开发者可以通过接口输入有关行动、游戏状态和感官数据的反馈，以增强AI智能体的学习能力，改善其规划和决策能力。

工作流程从开发者通过智能体提示接口与系统互动开始。输入通过感知子系统处理并转发到对话处理模块，后者管理交互逻辑。战略规划引擎然后根据这些信息制定并执行计划，利用高级战略和详细的行动规划。

来自世界上下文和智能体库的数据为这些过程提供信息，同时工作记忆跟踪当前任务。与此同时，长期记忆处理器存储和检索知识。学习模块分析结果并将新知识集成到系统中，推动智能体行为和互动的持续改进。

RIG框架，由@arcdotfun通过@Playgrounds0x开发

Rig是一个基于Rust的开源框架，旨在简化大型语言模型（LLM）应用程序的开发。它提供了一个统一的接口，用于与多个LLM提供商（如OpenAI和Anthropic）进行交互，并支持包括MongoDB和Neo4j在内的多种向量存储。该框架的模块化架构具有核心组件，如提供商抽象层、向量存储集成和智能体系统，以促进无缝的LLM交互。

Rig的主要受众包括在Rust中构建AI/ML应用程序的开发者，而其次要受众则是寻求将多个LLM提供商和向量存储集成到Rust应用程序中的组织。该代码库采用基于工作区的结构，使用多个crate，使得项目能够扩展并提高管理效率。关键特性包括提供商抽象层，它标准化了LLM提供商的完成和嵌入API，并具有一致的错误处理机制。向量存储集成组件提供了一个抽象接口，用于多个后端，并支持向量相似度搜索。智能体系统简化了LLM交互，支持检索增强生成（RAG）和工具集成。此外，嵌入框架提供了批处理功能和类型安全的嵌入操作。

Rig利用多个技术优势来确保可靠性和性能。异步操作利用Rust的异步运行时高效处理大量并发请求。框架内建的错误处理机制增强了对AI提供商或数据库操作失败的弹性。类型安全防止了编译时错误，提升了代码的可维护性。高效的序列化和反序列化过程促进了如JSON等格式的数据处理，这对AI服务的通信和存储至关重要。详细的日志记录和监控工具进一步帮助调试和应用程序监控。

Rig的工作流程始于客户端发起请求，该请求通过提供商抽象层与适当的LLM模型进行交互。数据随后由核心层处理，智能体可以使用工具或访问向量存储以获取上下文。回应通过复杂的工作流（如RAG，涉及文档检索和上下文理解）生成并优化后返回给客户端。系统集成了多个LLM提供商和向量存储，允许根据模型的可用性或性能变化进行适应。

Rig的多种用例包括：检索相关文档以提供准确回应的问答系统；用于高效内容发现的文档搜索与检索；提供上下文感知互动的聊天机器人或虚拟助手，用于客户服务或教育。它还支持内容生成，基于学习到的模式创建文本和其他材料，使其成为开发者和组织的多功能工具

Zerepy框架，由@0xzerebro和@blorm_通过@jyu_eth开发

ZerePy是一个开源框架，用Python编写，旨在利用OpenAI或Anthropic LLM在X平台上部署智能体。ZerePy来源于Zerebro后端的模块化版本，允许开发者启动具有类似于Zerebro核心功能的智能体。尽管该框架为智能体部署提供了基础，但需要对模型进行微调以生成创意输出。ZerePy简化了个性化AI智能体的开发和部署，特别是在社交平台上的内容创作，推动了一个面向艺术和去中心化应用的AI驱动创意生态系统。

该框架以Python构建，强调智能体自主性，重点生成创意输出，与ELIZA的架构和合作伙伴关系相符。其模块化设计支持记忆系统集成，并促进智能体在社交平台上的部署。关键功能包括用于智能体管理的命令行界面、与Twitter的集成、支持OpenAI和Anthropic LLM，以及一个模块化连接系统，以增强功能性。

ZerePy的应用场景涵盖社交媒体自动化，用户可以部署AI智能体进行发布、回复、点赞和转发，从而提升平台互动。此外，它还适用于音乐、表情包和NFT等领域的内容创作，使其成为数字艺术和基于区块链的内容平台的宝贵工具。

四个框架的比较
在我们看来，每个框架都提供了独特的AI开发方法，满足特定需求和环境，这使得它们不再是竞争对手，而是各自提供了独特的提案。

ELIZA以其用户友好的界面脱颖而出，特别适合熟悉JavaScript和Node.js环境的开发者。其全面的文档帮助开发者在各种平台上设置AI智能体，尽管其广泛的功能集可能带来一定的学习曲线。作为TypeScript开发的框架，Eliza非常适合构建嵌入网页的智能体，因为大多数前端Web基础设施都采用TypeScript。该框架以其多智能体架构为优势，能够在Discord、X和Telegram等平台上部署不同的AI个性。其先进的RAG系统用于记忆管理，使其在客户支持或社交媒体应用中的AI助手方面尤其有效。尽管它提供了灵活性、强大的社区支持和一致的跨平台性能，但由于仍处于早期阶段，对于开发者来说，可能存在一定的学习曲线。

GAME专为游戏开发者设计，通过API提供低代码或无代码接口，使得游戏行业内的非技术用户也能轻松使用。然而，游戏开发和区块链集成的专业化聚焦可能会对没有相关经验的用户造成较高的学习曲线。它在程序化内容生成和NPC行为方面表现突出，但由于其聚焦于特定领域，且区块链集成带来的复杂性，限制了其应用的广度。

Rig由于使用Rust，可能因为语言本身的复杂性而不太友好，带来了显著的学习挑战，但对于熟悉系统编程的开发者而言，Rust提供了直观的交互方式。Rust语言本身在性能和内存安全方面优于TypeScript。它具有严格的编译时检查和零成本抽象，这是运行复杂AI算法所必需的。Rust语言高效且低级控制使其非常适合资源密集型的AI应用。该框架提供高性能解决方案，模块化和可扩展的设计使其非常适合企业级应用。然而，Rust的使用为不熟悉该语言的开发者带来了较高的学习曲线。

ZerePy利用Python，提供了较高的可用性，特别适用于创意型AI任务，对于Python开发者，尤其是具有AI/ML背景的开发者，学习曲线较低，并且受益于Zerebro在加密社区中的强大支持。ZerePy在创意AI应用方面表现突出，如NFT等，使其成为数字媒体和艺术领域的强大工具。尽管在创意方面表现优秀，但与其他框架相比，它的应用范围相对较窄。

在可扩展性方面，ELIZA通过V2更新取得了进展，引入了统一的消息总线和可扩展的核心框架，使得跨多个平台的管理更加高效。然而，若未进行优化，管理多平台交互可能会带来可扩展性挑战。

GAME在实时处理方面表现出色，适用于游戏领域，其可扩展性通过高效的算法和可能的区块链分布式系统进行管理，尽管可能会受到特定游戏引擎或区块链网络限制的约束。

Rig框架利用Rust的性能来实现可扩展性，本身设计适用于高吞吐量应用，特别适合企业级部署，尽管这可能意味着需要复杂的配置来实现真正的可扩展性。

ZerePy的可扩展性侧重于创意输出，并得到社区贡献的支持，但其聚焦于创意领域可能限制了其在更广泛AI应用中的应用，且可扩展性可能会受到创意任务多样性的考验，而非用户数量的影响。

在适应性方面，ELIZA凭借其插件系统和跨平台兼容性领先，其次是GAME在游戏环境中的适应性，再是Rig在处理复杂AI任务时的适应性。ZerePy在创意领域展现出高适应性，但对于更广泛的AI应用则不太适用。

在性能方面，ELIZA经过优化，适合快速的社交媒体互动，其响应时间至关重要，但在处理更复杂的计算任务时，其性能可能有所波动。

Virtual Protocol的GAME专注于游戏场景中的高性能实时交互，利用高效的决策过程，并可能结合区块链技术实现去中心化的AI操作。

Rig框架凭借其Rust基础，为高性能计算任务提供了卓越的性能，适用于对计算效率要求极高的企业级应用。

Zerepy的性能主要面向创意内容的生成，其性能指标集中在内容生成的效率和质量，可能在创意领域外的应用场景中适应性较差。

考虑到各自的优势，ELIZA提供了灵活性和可扩展性，通过插件系统和角色配置使其高度适应各种平台上的社交AI互动。

GAME在游戏中提供了独特的实时互动能力，通过区块链集成增强了AI参与感，带来了创新的AI体验。

Rig的优势在于其在企业级AI任务中的性能和可扩展性，注重干净、模块化的代码结构，确保长期项目的健康。

Zerepy在促进创意方面表现突出，领先于数字艺术领域的AI应用，且由充满活力的社区驱动的开发模式支持。

每个框架都有其局限性，ELIZA仍处于初期阶段，可能存在稳定性问题，并且对新开发者有一定的学习曲线；GAME的专注领域可能限制了其在更广泛应用中的适用性，且区块链增加了复杂性；Rig由于Rust的陡峭学习曲线可能会让一些开发者却步；Zerepy过于专注于创意输出，可能限制其在其他AI领域的应用。

框架比较关键要点：
Rig ($ARC):
语言：Rust，注重安全性和性能。
使用场景：由于注重效率和可扩展性，最适合企业级AI应用。
社区：以技术开发者为主，社区驱动较少。

Eliza ($AI16Z):
语言：TypeScript，强调Web3的灵活性和社区参与。
使用场景：设计用于社交互动、DAO和交易，特别注重多智能体系统。
社区：高度社区驱动，GitHub参与度广泛。

ZerePy ($ZEREBRO):
语言：Python，使其对更广泛的AI开发者群体更具可访问性。
使用场景：适用于社交媒体自动化和简单的AI智能体任务。
社区：相对较新，但由于Python的流行以及AI16Z贡献者的支持，具备增长潜力。

GAME ($VIRTUAL):
专注：自主适应的AI智能体，可以根据虚拟环境中的交互不断演化。
使用场景：最适用于需要学习和适应的场景，如游戏或虚拟世界。
社区：创新性强，但仍在竞争中定义自己的细分市场。

GitHub星星历史

GitHub 星历史
上面的插图展示了自框架发布以来，它们在GitHub上的星标历史。值得注意的是，GitHub的星标数量是社区兴趣、项目流行度和项目价值感知的一个重要指标。

ELIZA - 红线：
显示了一个显著且稳定的星标增长，从七月起基数较低，但自十一月下旬开始，星标数大幅上涨，达到了6.1k颗星。这表明ELIZA吸引了开发者的高度关注，并且由于其特性、更新和社区互动，迅速获得了大量兴趣。其指数增长表明，ELIZA由于其功能、更新和社区参与，已经获得了显著的吸引力，其流行度远超其他框架，显示出强大的社区支持和在AI社区中更广泛的适用性或兴趣。

RIG - 蓝线：
Rig是四个框架中最早发布的，星标增长相对温和，但一直保持稳定增长，近期有了明显的上升。它已达到了1.7k颗星，但仍处于上升轨道。持续的开发、更新和用户基础的增长促进了兴趣的积累。这可能反映出一个小众的受众群体，或是一个仍在建立声誉的框架。

ZEREPY - 黄线：
ZerePy刚刚发布了几天，星标数增长至181颗。可以看出，ZerePy需要更多的开发工作来提高其可见性和采纳度。与$AI16Z的合作可能会吸引更多的贡献者加入代码库。

GAME - 绿线：
该项目的星标数量较少，注意到这个框架可以通过API直接应用于虚拟生态系统中的代理，从而不需要在GitHub上获取更多的可见性。然而，这个框架仅在一个多月前向构建者公开发布，目前已有200多个项目正在使用GAME进行开发。

框架的看涨论点
Eliza的版本2将包括与Coinbase代理工具包的集成。所有使用Eliza的项目将未来支持本地TEE，使代理能够在安全的环境中运行。Eliza的一个即将推出的功能是插件注册表，允许开发者无缝地注册和集成插件。

此外，Eliza V2将支持自动化、匿名的跨平台消息传递。定于2025年1月1日发布的Tokenomics白皮书预计将对支撑Eliza框架的AI16Z代币产生积极影响。AI16Z计划继续增强框架的实用性，依托其首席贡献者的努力，吸引高质量的人才加入。

GAME框架提供无代码集成，支持在单一项目中同时使用GAME和ELIZA，每个框架分别承担不同的功能。预计这种方法将吸引专注于业务逻辑而非技术复杂性的构建者。尽管该框架仅公开发布超过30天，但已经取得了显著进展，得到了团队努力招募更多贡献者的支持。预计每个在$VIRTUAL上启动的项目都将采用GAME。

Rig由$ARC代币代表，具有显著潜力，尽管该框架的增长处于早期阶段。用于引导使用Rig的项目的握手程序已经上线几天。尽管如此，预计很快会有高质量的项目与ARC配对，类似于Virtual飞轮，但更专注于Solana。团队对与Solana的合作伙伴关系持乐观态度，并将ARC定位于Solana，正如Virtual是Base一样。值得注意的是，团队不仅激励使用Rig启动的新项目，还鼓励开发者提升Rig框架本身。

Zerepy是一个新发布的框架，凭借与$AI16Z（Eliza）的合作伙伴关系，正在获得越来越多的关注。该框架吸引了Eliza的贡献者，他们正在积极改进Zerepy。它受到$ZEREBRO粉丝的热烈追捧，并为Python开发者打开了新的机会，填补了在AI基础设施竞争领域中的空白。预计该框架将在AI的创意领域发挥重要作用。

免责声明：

1. 本文转载自【X】。所有版权归原作者所有【@DV_Memetics】。若对本次转载有异议，请联系 Gate Learn 团队，他们会及时处理。
2. 免责声明：本文表达的观点和意见仅代表作者个人观点，不构成投资建议。
3. Gate Learn 团队将该文章翻译成其他语言。除非另有说明，否则禁止复制、分发或抄袭翻译文章。