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？

2025-01-04 00:01:15

作者: Kevin, the Researcher at BlockBooster

AI Agent 框架作為行業發展的關鍵拼圖，可能蕴藏着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吸引开發者，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框架為什么能成為最後一角。

Agent框架帶來的外部性能夠在泡沫消退後留下春芽

從GOAT誕生开始，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”，你總會在其中一招裏敗下陣來。其實，AI Agent 的應用場景並未嚴格區分，平臺、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：資產發型平臺。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：對於框架平臺來說，Agent本身就是資產，所以Agent 框架是Agent的資產發行平臺，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；證僞類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开發者只能在不同开發語言環境中選擇，而行業內總的开發者規模並沒有呈現對應市值增速的增長。Github Repo是Web2和Web3开發者建立共識的之所，在這裏建立开發者社區，比任何一個協議單獨开發出來的“一插即用”包對Web2开發者的吸引力和影響力更強大。

本文提到的4種框架都已开源：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的开發程度不算高，發展方向主要在X上，尚且不支持本地LLM和集成內存。 RIG的相對开發難度最高，但是能給开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，有較大想象空間。

此外，上述分類中，把Agent引擎和框架分割开來，或許或造成疑惑。但我認為二者是有區別的。首先，為什么是引擎？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系就行，性能是唯一評價標准，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，代表社區文化和开發者活躍度，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开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 开發者都熟悉的語言。框架簡潔，沒有過度抽象，讓开發者能夠輕松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等平臺，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，可以讓任意習慣的开發者快速部署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准。

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、異常處理等後臺支撐服務。

Rig 要解決的是「調用」問題，以幫助开發者更好選擇 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 是一個开源 Rust 庫，旨在簡化 LLM 驅動的應用（包括 RAG Agent）的开發。因為Rig开放的程度更深，因此對开發者要求更高，對Rust和Agent的理解要求也更高。這裏的教程是最基礎的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：預構建的模塊化組件讓Rig可以承接復雜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开發時，降低語義理解的難度。

可以看出相比Eliza，Rig為开發者提供了額外的性能優化的空間，幫助开發者更好地調試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，這裏介紹其中一小部分。

Sequential Workflow

來源：https://docs.swarms.world

順序 Swarm 架構以线性順序處理任務。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系時非常有用。

用例：

工作流程中的每個步驟都依賴於前一個步驟，例如裝配线或順序數據處理。
需要嚴格按照操作順序的場景。

層次化架構：

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：

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线程上運行。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，以模塊化的思想，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的構思和开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开發，尤其適合社交媒體平臺的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，適合快速开發Web3和社交平臺的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，適用於需要細致控制和優化的开發者。框架較為復雜，需要一定的Rust知識，適合更有經驗的开發者。
Swarms：適合企業級應用，支持多Agent協作和復雜任務管理。框架靈活，支持大規模並行處理，並提供多種架構配置，但由於其復雜性，可能需要更強的技術背景來有效應用。

總體來說，Eliza 和 ZerePy 在易用性和快速开發方面具有優勢，而 Rig 和 Swarms 更適合需要高性能和大規模處理的專業开發者或企業應用。

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开發者社區。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。只有源源不斷湧入开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开發者的前提，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框架有着“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，因此有着強烈的“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覆蓋着模棱兩可的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；盡管 Agent 框架初期存在泡沫與不確定性，但其吸引开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开發者生態的框架，或將成為這一賽道的關鍵支柱。