原文作者: Kevin, the Researcher at BlockBooster
AI Agent 框架作為產業發展的關鍵拼圖，可能蘊藏著推動科技落地與生態成熟的雙重潛力。市場中熱議的架構有：Eliza, Rig, Swarms, ZerePy 等等。這些框架透過 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。本文將重點放在解讀框架的「波粒二象性」以及 Agent 框架為何能成為最後一角。
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線模糊，但根據代幣或協議的偏好仍可大致分類。但是，根據代幣或協議的發展偏好還是可以分為以下幾類：
Launchpad：資產髮型平台。 Base 鏈上的Virtuals Protocol 和clanker，Solana 鏈的Dasha。
AI Agent 應用：遊離於 Agent 和 Memecoin 之間，在記憶記憶體的配置上有出彩的地方，例如 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，鏈上搜尋。
AI Agent 框架：對框架平台來說，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。目前代表性的項目有ai 16 ，Zerebro ， ARC 和這兩天熱議的 Swarms。
其他小方向：綜合型 Agent Simmi；AgentFi 協定Mode；證偽類別 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。有別於各大公鍊和協議的開發者只能在不同開發語言環境中選擇，而產業內總的開發者規模並沒有呈現對應市值增速的成長。 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，是覆蓋範圍最廣的框架。 ZerePy 的開發程度不算高，發展方向主要在 X 上，尚且不支援本地 LLM 和整合記憶體。 RIG 的相對開發難度最高，但能給開發者最大限度地實現效能最佳化的自由。 Swarms 除了團隊推出 mcs 之外還沒有其他用例，但 Swarms 可以整合不同框架，有較大想像空間。
此外，在上述分類中，把 Agent 引擎和框架分割開來，或許或造成懷疑。但我認為二者是有差別的。首先，為什麼是引擎？聯想現實生活中的搜尋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，透過 api 介面來調整的黑盒。使用者可以以 fork 的形式來體驗 Agent 引擎的效能，但又不能像基礎架構那樣掌握全貌和客製化自由。每個使用者的引擎就像在調教好的 Agent 上產生一個鏡像，是對鏡像做互動。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，充分微調模型和設定資料互動還有記憶體之間的關係就行，效能是唯一評價標準，而框架則不然。
用「波粒二象性」的視角去評估 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週期中，需要三個部分。首先是底層模型決定了思考深度和方式，然後記憶體是自訂的地方，在基礎模型有了輸出之後，根據記憶體再修改，最後在不同的客戶端完成輸出操作。
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，代表底層效能、實際用例和技術深度。我會分別從兩個面向結合三個框架的開發教學為例進行說明：
快速拼接式的 Eliza 框架
1.設定環境
來源：@SuhailKakar
2.安裝 Eliza
來源：@SuhailKakar
3.設定檔
來源：@SuhailKakar
4.設定 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，讓開發者輕鬆地加入自己想要的功能。透過步驟 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 支援 DC, TG 和 X 等平台，也支援多種大語言模型，可以透過上述社群媒體實現輸入，LLM 模型來輸出，並且支援內建記憶管理，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介面的豐富性，Eliza 大大降低了存取的門檻，實現了相對統一的介面標準。
一鍵使用式的 ZerePy 框架
1.Fork ZerePy 的庫
資料來源： https://replit.com/@blormdev/ZerePy?v=1
2.配置 X 和 GPT
資料來源： https://replit.com/@blormdev/ZerePy?v=1
3.設定 Agent 性格
資料來源： https://replit.com/@blormdev/ZerePy?v=1
效能優化式的 Rig 框架
以建構 RAG(檢索增強生成) Agent 為例：
1.配置環境和 OpenAI key
資料來源： https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
2.設定OpenAI 客戶端並使用Chunking 進行PDF 處理
資料來源： https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
3.設定文檔結構和嵌入
資料來源： https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
4.創建向量儲存和RAG agent
資料來源： 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 系統建構框架，它要解決更底層的效能最佳化問題，換句話說，ARC 是一個AI 引擎「工具箱」，提供AI 呼叫、效能最佳化、資料儲存、異常處理等後台支撐服務。
Rig 要解決的是「呼叫」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 函式庫，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 透過將 LLM 與外部知識檢索結合來增強 LLM。在官網的其他 DEMO 中，可以看到 Rig 具備以下特徵：
LLM 介面統一：支援不同 LLM provider 的一致 api，簡化整合。
抽象工作流程：預先建構的模組化元件讓 Rig 承接複雜 AI 系統的設計。
整合向量儲存：內建對裁體儲存的支持，在 RAG Agent 等相似的搜尋類 Agent 中提供高效能。
嵌入靈活：提供易於使用的API，用於處理嵌入，在 RAG Agent 等相似的搜尋類 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效能優化的空間，幫助開發者更好地調試 LLM 和 Agent 的呼叫和協作優化。 Rig 以Rust 驅動性的效能、利用Rust 優勢零成本抽象化和記憶體安全、高效能、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，官網提供了數十種 workflow 和 Agent 並行串行架構，這裡介紹其中一小部分。
Sequential Workflow
資料來源： https://docs.swarms.world
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前一個步驟，例如裝配線或順序資料處理。
需要嚴格按照操作順序的場景。
層次化架構：
資料來源： https://docs.swarms.world
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，然後將其結果回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：
資料來源： https://docs.swarms.world
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執行緒上運行。它是監督大規模代理輸出的理想選擇。
Swarms 不僅是 Agent 框架，還可以相容於上述 Eliza, ZerePy 和 Rig 框架，以模組化的思想，在不同工作流程和架構中最大化釋放 Agent 效能，以解決對應問題。 Swarms 的構思和開發者社群進展都沒問題。
Eliza：易用性最強，適合初學者和快速原型開發，特別適合社群媒體平台的 AI 互動。框架簡潔，方便快速整合和修改，適合不需要過度效能優化的場景。
ZerePy：一鍵部署，適合快速開發Web3和社群平台的 AI Agent 應用。適合輕量級 AI 應用，框架簡單，配置靈活，適用於快速建置和迭代。
Rig：專注於效能最佳化，尤其在高並發和高效能任務中表現出色，適用於需要細緻控制和最佳化的開發者。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，支援多 Agent 協作和複雜任務管理。框架靈活，支援大規模並行處理，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 更適合需要高效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「產業希望」特性的原因，上述框架仍處於早期階段，當務之急是搶佔先發優勢並建立活躍的開發者社群。框架本身的效能高低以及相對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產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，框架只是框架，和代幣之間沒有完成有機結合，代幣價格的成長除了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成長。同時，上述的框架本身也顯得比較粗糙，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 覆蓋著模棱兩可的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程式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，或將成為這條賽道的關鍵支柱。
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家的可信賴夥伴。我們透過策略投資與深度孵化，連結Web3專案與現實世界，協助優質創業專案成長。
免責聲明
本文/部落格僅供參考，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、出售或持有數位資產的要約或招攬；或(iii) 財務、會計、法律或稅務建議。持有數位資產，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位資產是否適合您。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。本文提供的資訊（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。
