作者: Kevin, the Researcher at BlockBooster
AI Agent 框架作为行业发展的关键拼图，可能蕴藏着推动技术落地与生态成熟的双重潜力。市场中热议的框架有：Eliza, Rig, Swarms, ZerePy等等。这些框架通过Github Repo吸引开发者，建立声望。以“库”发币的形式让这些框架，和光同时具备波和粒子的特质类似，Agent框架同时具备严肃外部性和Memecoin的特性。本文将重点解读框架的“波粒二象性”以及Agent框架为什么能成为最后一角。
Agent框架带来的外部性能够在泡沫消退后留下春芽
从GOAT诞生开始，Agent叙事冲击市场的力度不断上升，如同一位功夫大师，左拳“Memecoin”，右掌“行业希望”，你总会在其中一招里败下阵来。其实，AI Agent 的应用场景并未严格区分，平台、框架与具体应用之间界限模糊，但根据代币或协议的偏好仍可大致分类。但是，根据代币或者协议的发展偏好还是可以分为以下几类：
-
Launchpad：资产发型平台。Base 链上的 Virtuals Protocol 和 clanker，Solana 链的 Dasha。
-
AI Agent 应用：游离于Agent和Memecoin之间，在记忆内存的配置上有出彩的地方，比如GOAT，aixbt等。这些应用一般来说是单向输出的，输入条件非常有限。
-
AI Agent 引擎：Solana 链的 griffain 以及 base链的 Spectre AI。griffain可以做到从读写模式进化到读、写、行动的模式；Spectre AI 是RAG引擎，链上搜索。
-
AI Agent框架：对于框架平台来说，Agent本身就是资产，所以Agent 框架是Agent的资产发行平台，是Agent的Launchpad。目前具有代表性的项目有 ai16，Zerebro ， ARC和这两天热议的Swarms。
-
其他小方向：综合型Agent Simmi；AgentFi协议 Mode；证伪类Agent Seraph；实时 API Agent Creator.Bid。
进一步讨论Agent框架，可以看出它具有充分的外部性。不同于各大公链和协议的开发者只能在不同开发语言环境中选择，而行业内总的开发者规模并没有呈现对应市值增速的增长。Github Repo是Web2和Web3开发者建立共识的之所，在这里建立开发者社区，比任何一个协议单独开发出来的“一插即用”包对Web2开发者的吸引力和影响力更强大。
本文提到的4种框架都已开源：ai16z的 Eliza 框架获得6200颗星；Zerebro的ZerePy框架获得191颗星；ARC的RIG 框架获得1700颗星；Swarms的Swarms框架获得2100颗星。目前，Eliza 框架被广泛用于各种Agent应用，是覆盖面最广的框架。ZerePy的开发程度不算高，发展方向主要在X上，尚且不支持本地LLM和集成内存。 RIG的相对开发难度最高，但是能给开发者最大限度实现性能优化的自由。Swarms除了团队推出mcs之外还没有其他用例，但是Swarms可以集成不同框架，有较大想象空间。
此外，上述分类中，把Agent引擎和框架分割开来，或许或造成疑惑。但我认为二者是有区别的。首先，为什么是引擎？联想现实生活中的搜索引擎来类比是相对契合的。不同于同质化的Agent应用，Agent引擎的性能在其之上，但同时是完全封装的，通过api接口来调整的黑盒。用户可以以fork的形式来体验Agent引擎的性能，但是又不能像基础框架那样掌握全貌和定制自由。每个用户的引擎就像在调教好的Agent上生成一个镜像，是对镜像做交互。而框架本质上是为了适配链，因为在Agent做Agent框架，最终目的都是和对应的链有整合，怎样定义数据交互方式，怎样定义数据验证方式，怎样定义区块大小，怎样平衡共识和性能，这些是框架需要考虑的事情。而引擎呢？只需要在某一个方向，充分微调模型和设置数据交互还有内存之间的关系就行，性能是唯一评价标准，而框架则不然。
用“波粒二象性”的视角去评价Agent框架或许是确保走在正确方向上的前提
Agent执行一次输入输出的生命周期中，需要三个部分。首先是底层模型决定了思考深度和方式，然后内存是自定义的地方，在基础模型有了输出之后，根据内存再修改，最后在不同的客户端上完成输出操作。
来源：@SuhailKakar
为了证实Agent框架具有“波粒二象性”，“波”具有“Memecoin”的特征，代表社区文化和开发者活跃度，强调 Agent 的吸引力和传播能力；“粒”代表“行业预期”的特征，代表底层性能、实际用例和技术深度。我会分别从两个方面结合三个框架的开发教程为例进行说明：
快速拼接式的Eliza框架
-
设置环境
来源：@SuhailKakar
-
安装Eliza
来源：@SuhailKakar
3.配置文件
来源：@SuhailKakar
4.设置Agent性格
来源：@SuhailKakar
Eliza的框架相对来说，易于上手。它是基于TypeScript，这是大多数 Web 和 Web3 开发者都熟悉的语言。框架简洁，没有过度抽象，让开发者能够轻松地添加自己想要的功能。通过步骤3，看到Eliza可以多客户端集成，可以将其理解为多客户端集成的组装器。Eliza支持DC, TG和X等平台，还支持多种大语言模型，可以通过上述社交媒体实现输入，LLM模型来输出，并且支持内置记忆管理，可以让任意习惯的开发者快速部署AI Agent。
由于框架的简洁性和接口的丰富性，Eliza大大降低了接入的门槛，实现了相对统一的接口标准。
一键使用式的ZerePy框架
1.Fork ZerePy的库
来源： https://replit.com/@blormdev/ZerePy?v=1
2.配置X和GPT
来源： https://replit.com/@blormdev/ZerePy?v=1
3.设置Agent性格
来源： https://replit.com/@blormdev/ZerePy?v=1
性能优化式的Rig框架
以构建RAG(检索增强生成) Agent为例：
1.配置环境和OpenAI key
来源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
2.设置 OpenAI 客户端并使用 Chunking 进行 PDF 处理
来源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
3.设置文档结构和嵌入
来源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
4.创建向量存储和 RAG agent
来源：https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
Rig（ARC）是一个基于 Rust 语言面向 LLM 工作流引擎的 AI 系统构建框架，它要解决更底层的性能优化问题，换句话说，ARC 是一个 AI 引擎「工具箱」，提供 AI 调用、性能优化、数据存储、异常处理等后台支撑服务。
Rig 要解决的是「调用」问题，以帮助开发者更好选择 LLM，更好优化提示词，更有效管理 token，以及如何处理并发处理、管理资源、降低延迟等，其侧重点在于 AI LLM 模型和 AI Agent 系统协作过程中如何「用好它」。
Rig是一个开源 Rust 库，旨在简化 LLM 驱动的应用（包括 RAG Agent）的开发。因为Rig开放的程度更深，因此对开发者要求更高，对Rust和Agent的理解要求也更高。 这里的教程是最基础的RAG Agent的配置流程，RAG通过将LLM 与外部知识检索相结合来增强LLM。在官网的其他DEMO中，可以看到Rig具备以下特征：
-
LLM接口统一：支持不同LLM provider的一致api，简化集成。
-
抽象工作流：预构建的模块化组件让Rig可以承接复杂AI系统的设计。
-
集成向量存储：内置对裁体存储的支持，在RAG Agent等相似的搜索类Agent中提供高效性能。
-
嵌入灵活：提供易于使用的 API，用于处理嵌入，在RAG Agent等相似的搜索类Agent开发时，降低语义理解的难度。
可以看出相比Eliza，Rig为开发者提供了额外的性能优化的空间，帮助开发者更好地调试LLM和Agent的调用和协作优化。Rig以 Rust 驱动性的性能、利用 Rust 优势零成本抽象和内存安全、高性能、低延迟的 LLM 操作。能够在底层层面上，提供更丰富的自由度。
分解组合式的Swarms框架
Swarms旨在提供企业级生产级多Agent编排框架，官网提供了几十种workflow和Agent并行串行架构，这里介绍其中一小部分。
Sequential Workflow
来源：https://docs.swarms.world
顺序 Swarm 架构以线性顺序处理任务。每个Agent在将结果传递给链中的下一个Agent之前完成其任务。此架构可确保有序处理，并且在任务具有依赖关系时非常有用。
用例：
-
工作流程中的每个步骤都依赖于前一个步骤，例如装配线或顺序数据处理。
-
需要严格按照操作顺序的场景。
层次化架构：
来源：https://docs.swarms.world
实现自上而下的控制，由上级Agent协调各下级Agent之间的任务。其中Agent同时执行任务，然后将其结果反馈到循环中进行最终聚合。这对于高度可并行化的任务非常有用。
电子表格式架构：
来源：https://docs.swarms.world
用于管理同时工作的多个代理的大规模群体架构。可同时管理数千个代理，每个代理都在自己的线程上运行。它是监督大规模代理输出的理想选择。
Swarms不仅是Agent框架，还可以兼容上述Eliza, ZerePy和Rig框架，以模块化的思想，在不同工作流和架构中最大化释放Agent性能，以解决对应问题。Swarms的构思和开发者社区进展都没问题。
-
Eliza：易用性最强，适合初学者和快速原型开发，尤其适合社交媒体平台的AI交互。框架简洁，便于快速集成和修改，适合不需要过度性能优化的场景。
-
ZerePy：一键式部署，适合快速开发Web3和社交平台的AI Agent应用。适合轻量级AI应用，框架简单，配置灵活，适用于快速搭建和迭代。
-
Rig：侧重性能优化，尤其在高并发和高性能任务中表现出色，适用于需要细致控制和优化的开发者。框架较为复杂，需要一定的Rust知识，适合更有经验的开发者。
-
Swarms：适合企业级应用，支持多Agent协作和复杂任务管理。框架灵活，支持大规模并行处理，并提供多种架构配置，但由于其复杂性，可能需要更强的技术背景来有效应用。
总体来说，Eliza 和 ZerePy 在易用性和快速开发方面具有优势，而 Rig 和 Swarms 更适合需要高性能和大规模处理的专业开发者或企业应用。
这就是Agent框架具有“行业希望”特性的原因，上述框架还处于早期阶段，当务之急是抢占先发优势并建立活跃的开发者社区。框架本身的性能高低以及相对Web2流行应用来说是否落后都不是主要矛盾。只有源源不断涌入开发者的框架才能最终胜出，因为Web3行业始终需要吸引市场的注意力，框架性能再强，基本面再雄厚，如果难以上手导致无人问津，则本末倒置。在能够框架自身能够吸引开发者的前提，具有更成熟和更完整的代币经济模型的框架会脱颖而出。
而Agent框架有着“Memecoin”特性这一点，则非常好理解。上述框架代币都没有合理的代币经济设计，代币没有用例或者用例非常单一，没有经过验证的商业模式，也没有行之有效的代币飞轮，框架仅仅是框架，和代币之间没有完成有机结合，代币价格的增长除了FOMO之外，难以获得基本面上的助力，没有足够的护城河来确保稳定且持久的价值增长。同时，上述的框架自身也显得比较粗糙，其实际价值和当前市值并不匹配，因此有着强烈的“Memecoin”的特性。
值得注意的是，Agent框架的“波粒二象性”并不是缺点，不能将其粗暴的理解为既不是纯粹的Memecoin，又没有代币用例的半罐水。正如我在上一篇文章中提到的观点：轻量化的Agent覆盖着模棱两可的Memecoin面纱，社区文化和基本面不会再成为矛盾，一种新的资产发展路径在逐渐浮出水面；尽管 Agent 框架初期存在泡沫与不确定性，但其吸引开发者和推动应用落地的潜力不容忽视。未来，具备完善代币经济模型和强大开发者生态的框架，或将成为这一赛道的关键支柱。
