AI Agent 框架是補全拼圖的最後一角？框架的“波粒二象性”如何解讀？
Eliza, Rig, Swarms, ZerePy 等框架透過 Github Repo 吸引開發者，建立聲望。以“庫”發幣的形式讓這些框架，和光同時具備波和粒子的特質類似，Agent 框架同時具備嚴肅外部性和 Memecoin 的特性。作者: Kevin, the Researcher at BlockBooster
AI Agent 框架作為行業發展的關鍵拼圖，可能蘊藏著推動技術落地與生態成熟的雙重潛力。市場中熱議的框架有：Eliza, Rig, Swarms, ZerePy等等。這些框架通過Github Repo吸引開發者，建立聲望。以"庫"發幣的形式讓這些框架，和光同時具備波和粒子的特質類似，Agent框架同時具備嚴肅外部性和Memecoin的特性。本文將重點解讀框架的"波粒二象性"以及Agent框架為什麼能成為最後一角。
Agent框架帶來的外部性能夠在泡沫消退後留下春芽
從GOAT誕生開始，Agent敘事衝擊市場的力度不斷上升，如同一位功夫大師，左拳"Memecoin"，右掌"行業希望"，你總會在其中一招裡敗下陣來。其實，AI Agent 的應用場景並未嚴格區分，平台、框架與具體應用之間界限模糊，但根據代幣或協議的偏好仍可大致分類。但是，根據代幣或者協議的發展偏好還是可以分為以下幾類：
- Launchpad：資產發型平台。Base 鏈上的 Virtuals Protocol 和 clanker，Solana 鏈的 Dasha。
- AI Agent 應用：游離於Agent和Memecoin之間，在記憶內存的配置上有出彩的地方，比如GOAT，aixbt等。這些應用一般來說是單向輸出的，輸入條件非常有限。
- AI Agent 引擎：Solana 鏈的 griffain 以及 base鏈的 Spectre AI。griffain可以做到從讀寫模式進化到讀、寫、行動的模式；Spectre AI 是RAG引擎，鏈上搜索。
- AI Agent框架：對於框架平台來說，Agent本身就是資產，所以Agent 框架是Agent的資產發行平台，是Agent的Launchpad。目前具有代表性的項目有 ai16，Zerebro ， ARC和這兩天熱議的Swarms。
- 其他小方向：綜合型Agent Simmi；AgentFi協議 Mode；證偽類Agent Seraph；實時 API Agent Creator.Bid。
進一步討論Agent框架，可以看出它具有充分的外部性。不同於各大公鏈和協議的開發者只能在不同開發語言環境中選擇，而行業內總的開發者規模並沒有呈現對應市值增速的增長。Github Repo是Web2和Web3開發者建立共識的之所，在這裡建立開發者社區，比任何一個協議單獨開發出來的"一插即用"包對Web2開發者的吸引力和影響力更強大。
本文提到的4種框架都已開源：ai16z的 Eliza 框架獲得6200顆星；Zerebro的ZerePy框架獲得191顆星；ARC的RIG 框架獲得1700顆星；Swarms的Swarms框架獲得2100顆星。目前，Eliza 框架被廣泛用於各種Agent應用，是覆蓋面最廣的框架。ZerePy的開發程度不算高，發展方向主要在X上，尚且不支持本地LLM和集成內存。 RIG的相對開發難度最高，但是能給開發者最大限度實現性能優化的自由。Swarms除了團隊推出mcs之外還沒有其他用例，但是Swarms可以集成不同框架，有較大想像空間。
此外，上述分類中，把Agent引擎和框架分割開來，或許或造成疑惑。但我認為二者是有區別的。首先，為什麼是引擎？聯想現實生活中的搜索引擎來類比是相對契合的。不同於同質化的Agent應用，Agent引擎的性能在其之上，但同時是完全封裝的，通過api接口來調整的黑盒。用戶可以以fork的形式來體驗Agent引擎的性能，但是又不能像基礎框架那樣掌握全貌和定制自由。每個用戶的引擎就像在調教好的Agent上生成一個鏡像，是對鏡像做交互。而框架本質上是為了適配鏈，因為在Agent做Agent框架，最終目的都是和對應的鏈有整合，怎樣定義數據交互方式，怎樣定義數據驗證方式，怎樣定義區塊大小，怎樣平衡共識和性能，這些是框架需要考慮的事情。而引擎呢？只需要在某一個方向，充分微調模型和設置數據交互還有內存之間的關係就行，性能是唯一評價標準，而框架則不然。
用"波粒二象性"的視角去評價Agent框架或許是確保走在正確方向上的前提
Agent執行一次輸入輸出的生命周期中，需要三個部分。首先是底層模型決定了思考深度和方式，然後內存是自定義的地方，在基礎模型有了輸出之後，根據內存再修改，最後在不同的客戶端上完成輸出操作。
來源：@SuhailKakar
為了證實Agent框架具有"波粒二象性"，"波"具有"Memecoin"的特徵，代表社區文化和開發者活躍度，強調 Agent 的吸引力和傳播能力；"粒"代表"行業預期"的特徵，代表底層性能、實際用例和技術深度。我會分別從兩個方面結合三個框架的開發教程為例進行說明：
快速拼接式的Eliza框架
- 設置環境
來源：@SuhailKakar
- 安裝Eliza
來源：@SuhailKakar
3.配置文件
來源：@SuhailKakar
4.設置Agent性格
來源：@SuhailKakar
Eliza的框架相對來說，易於上手。它是基於TypeScript，這是大多數 Web 和 Web3 開發者都熟悉的語言。框架簡潔，沒有過度抽象，讓開發者能夠輕鬆地添加自己想要的功能。通過步驟3，看到Eliza可以多客戶端集成，可以將其理解為多客戶端集成的組裝器。Eliza支持DC, TG和X等平台，還支持多種大語言模型，可以通過上述社交媒體實現輸入，LLM模型來輸出，並且支持內置記憶管理，可以讓任意習慣的開發者快速部署AI Agent。
由於框架的簡潔性和接口的豐富性，Eliza大大降低了接入的門檻，實現了相對統一的接口標準。
一鍵使用式的ZerePy框架
1.Fork ZerePy的庫
來源： https://replit.com/@blormdev/ZerePy?v=1
2.配置X和GPT
來源： https://replit.com/@blormdev/ZerePy?v=1
3.設置Agent性格
來源： https://replit.com/@blormdev/ZerePy?v=1
性能優化式的Rig框架
以構建RAG(檢索增強生成) Agent為例：
1.配置環境和OpenAI key
來源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
2.設置 OpenAI 客戶端並使用 Chunking 進行 PDF 處理
來源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
3.設置文檔結構和嵌入
來源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
4.創建向量存儲和 RAG agent
來源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
Rig（ARC）是一個基於 Rust 語言面向 LLM 工作流引擎的 AI 系統構建框架，它要解決更底層的性能優化問題，換句話說，ARC 是一個 AI 引擎「工具箱」，提供 AI 調用、性能優化、數據存儲、異常處理等後台支撐服務。
Rig 要解決的是「調用」問題，以幫助開發者更好選擇 LLM，更好優化提示詞，更有效管理 token，以及如何處理並發處理、管理資源、降低延遲等，其側重點在於 AI LLM 模型和 AI Agent 系統協作過程中如何「用好它」。
++Rig++是一個開源 Rust 庫，旨在簡化 LLM 驅動的應用（包括 RAG Agent）的開發。因為Rig開放的程度更深，因此對開發者要求更高，對Rust和Agent的理解要求也更高。 這裡的教程是最基礎的RAG Agent的配置流程，RAG通過將LLM 與外部知識檢索相結合來增強LLM。在官網的其他DEMO中，可以看到Rig具備以下特徵：
- LLM接口統一：支持不同LLM provider的一致api，簡化集成。
- 抽象工作流：預構建的模組化組件讓Rig可以承接複雜AI系統的設計。
- 集成向量存儲：內置對裁體存儲的支持，在RAG Agent等相似的搜索類Agent中提供高效性能。
- 嵌入靈活：提供易於使用的 API，用於處理嵌入，在RAG Agent等相似的搜索類Agent開發時，降低語義理解的難度。
可以看出相比Eliza，Rig為開發者提供了額外的性能優化的空間，幫助開發者更好地調試LLM和Agent的調用和協作優化。Rig以 Rust 驅動性的性能、利用 Rust 優勢零成本抽象和內存安全、高性能、低延遲的 LLM 操作。能夠在底層層面上，提供更豐富的自由度。
分解組合式的Swarms框架
Swarms旨在提供企業級生產級多Agent編排框架，官網提供了幾十種workflow和Agent並行串行架構，這裡介紹其中一小部分。
Sequential Workflow
順序 Swarm 架構以線性順序處理任務。每個Agent在將結果傳遞給鏈中的下一個Agent之前完成其任務。此架構可確保有序處理，並且在任務具有依賴關係時非常有用。
用例：
- 工作流程中的每個步驟都依賴於前一個步驟，例如裝配線或順序數據處理。
- 需要嚴格按照操作順序的場景。
層次化架構：
實現自上而下的控制，由上級Agent協調各下級Agent之間的任務。其中Agent同時執行任務，然後將其結果反饋到循環中進行最終聚合。這對於高度可並行化的任務非常有用。
電子表格式架構：
用於管理同時工作的多個代理的大規模群體架構。可同時管理數千個代理，每個代理都在自己的線程上運行。它是監督大規模代理輸出的理想選擇。
Swarms不僅是Agent框架，還可以兼容上述Eliza, ZerePy和Rig框架，以模組化的思想，在不同工作流和架構中最大化釋放Agent性能，以解決對應問題。Swarms的構思和開發者社區進展都沒問題。
- Eliza：易用性最強，適合初學者和快速原型開發，尤其適合社交媒體平台的AI交互。框架簡潔，便於快速集成和修改，適合不需要過度性能優化的場景。
- ZerePy：一鍵式部署，適合快速開發Web3和社交平台的AI Agent應用。適合輕量級AI應用，框架簡單，配置靈活，適用於快速搭建和迭代。
- Rig：側重性能優化，尤其在高並發和高性能任務中表現出色，適合需要細致控制和優化的開發者。框架較為複雜，需要一定的Rust知識，適合更有經驗的開發者。
- Swarms：適合企業級應用，支持多Agent協作和複雜任務管理。框架靈活，支持大規模並行處理，並提供多種架構配置，但由於其複雜性，可能需要更強的技術背景來有效應用。
總體來說，Eliza 和 ZerePy 在易用性和快速開發方面具有優勢，而 Rig 和 Swarms 更適合需要高性能和大規模處理的專業開發者或企業應用。
這就是Agent框架具有"行業希望"特性的原因，上述框架還處於早期階段，當務之急是搶佔先發優勢並建立活躍的開發者社區。框架本身的性能高低以及相對Web2流行應用來說是否落後都不是主要矛盾。只有源源不斷湧入開發者的框架才能最終勝出，因為Web3行業始終需要吸引市場的注意力，框架性能再強，基本面再雄厚，如果難以上手導致無人問津，則本末倒置。在能夠框架自身能夠吸引開發者的前提，具有更成熟和更完整的代幣經濟模型的框架會脫穎而出。
而Agent框架有著"Memecoin"特性這一點，則非常好理解。上述框架代幣都沒有合理的代幣經濟設計，代幣沒有用例或者用例非常單一，沒有經過驗證的商業模式，也沒有行之有效的代幣飛輪，框架僅僅是框架，和代幣之間沒有完成有機結合，代幣價格的增長除了FOMO之外，難以獲得基本面上的助力，沒有足夠的護城河來確保穩定且持久的價值增長。同時，上述的框架自身也顯得比較粗糙，其實際價值和當前市值並不匹配，因此有著強烈的"Memecoin"的特性。
值得注意的是，Agent框架的"波粒二象性"並不是缺點，不能將其粗暴的理解為既不是純粹的Memecoin，又沒有代幣用例的半罐水。正如我在上一篇文章中提到的觀點：輕量化的Agent覆蓋著模稜兩可的Memecoin面紗，社區文化和基本面不會再成為矛盾，一種新的資產發展路徑在逐漸浮出水面；儘管 Agent 框架初期存在泡沫與不確定性，但其吸引開發者和推動應用落地的潛力不容忽視。未來，具備完善代幣經濟模型和強大開發者生態的框架，或將成為這一賽道的關鍵支柱。
關於BlockBooster: BlockBooster是一家由OKX Ventures及其他頂級機構支持的亞洲Web3創投工作室，致力於成為優秀創業者的可信賴夥伴。我們通過戰略投資和深度孵化，連接Web3項目與現實世界，助力優質創業項目成長。
免責聲明：本文/博客僅供參考，代表作者的個人觀點，並不代表BlockBooster的立場。本文無意提供：(i) 投資建議或投資推薦；(ii) 購買、出售或持有數字資產的要約或招攬；或 (iii) 財務、會計、法律或稅務建議。持有數字資產，包括穩定幣和NFT，風險極高，價格波動較大，甚至可能變得一文不值。您應根據自身的財務狀況，仔細考慮交易或持有數字資產是否適合您。如有具體情況方面的問題，請諮詢您的法律、稅務或投資顧問。本文中提供的信息（包括市場數據和統計信息，若有）僅供一般參考。在編寫這些數據和圖表時已盡合理注意，但對其中所表達的任何事實性錯誤或遺漏概不負責。
風險提示
風險提示
