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 架構是Agent的資產發行平台，是Agent的Launchpad。目前代表性的項目有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，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，但是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
設定環境
來源：@SuhailKakar
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。 這裡的教學是最基礎的RAG Agent的設定流程，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可以承接複雜AI系統的設計。
集成向量存儲：內建對裁體存儲的支持，在RAG Agent等相似的搜尋類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等相似的搜尋類Agent開發時，降低語意理解的難度。
可以看出相較於Eliza，Rig為開發者提供了額外的效能最佳化的空間，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平行串行架構，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正在逐漸浮出水面；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。
