AI 에이전트 프레임워크 배틀: 누가 더 나은가, Eliza, Rig, Daydreams

저자: 슈록 케마니, 올리버 야로스 출처: Decentralised.co 번역: 굿오바, 골든파이낸스

오늘의 포스트는 에이전트 프레임워크에 대해 설명합니다. 그리고 얼마나 발전했는지에 대한 평가입니다. 또한 인터넷 머니 트랙(암호화폐)과 프록시의 교차점에서 일하는 창업자를 대상으로 한 제안 요청이기도 합니다.

지난 1년 동안 Decentralised.co는 암호화폐와 AI의 교차점을 탐구해왔습니다. 심지어 7만 명이 넘는 사람들이 AI 에이전트와 에이전트 인프라를 추적하는 데 사용하는 제품을 구축하기도 했습니다. 최근 몇 주 동안 이 분야에 대한 열기가 가라앉긴 했지만, AI는 인터넷 이후 볼 수 없었던 방식으로 기술과 사회에 영향을 미치고 있습니다. 우리가 예측하는 것처럼 암호화폐가 미래의 금융 철도가 될 것이라면, 암호화폐와 AI의 결합은 일회성이 아니라 반복되는 주제가 될 것입니다.

이 물결에서 떠오르는 흥미로운 프로젝트 범주 중 하나는 암호화 네이티브 AI 에이전트 프레임워크입니다. 이는 블록체인의 핵심 원칙인 허가 없는 가치 이전, 투명성, 일관된 인센티브를 AI 개발에 적용하는 흥미로운 실험입니다. 오픈소스라는 특성 덕분에 내부를 들여다보고 약속뿐만 아니라 실제로 어떻게 작동하는지 분석할 수 있는 흔치 않은 기회를 제공합니다.

이 글에서는 에이전트 프레임워크가 실제로 무엇을 의미하고 얼마나 중요한지 분석하는 것부터 시작합니다. 그런 다음, LangChain과 같은 검증된 옵션이 존재하는데 왜 암호화 네이티브 프레임워크가 필요한가라는 당연한 질문을 다룹니다. 이를 위해 주요 암호화 네이티브 프레임워크와 다양한 사용 사례에서의 강점과 한계를 분석합니다. 마지막으로, AI 에이전트를 구축하는 경우 어떤 프레임워크가 여러분의 필요에 적합한지 결정할 수 있도록 도와드립니다. 또는 빌드에 프레임워크를 사용해야 하는지 여부도 결정할 수 있습니다.

바로 들어가 보겠습니다.

추상화

우리 조상들이 어떻게 살았는지 생각해 보세요. 각 가정은 식량을 직접 재배하고, 옷을 직접 만들고, 집을 직접 지어야 했습니다. 기본적인 생존을 위한 일에 수많은 시간을 할애했기에 다른 일을 할 시간은 거의 없었습니다. 2세기 전만 해도 인구의 거의 90%가 농업에 종사했습니다. 오늘날 우리는 슈퍼마켓에서 음식을 사고, 전문가가 지은 집에서 살고, 멀리 떨어진 공장에서 생산된 옷을 입습니다. 한때 여러 세대의 노력이 필요했던 작업은 이제 단순한 거래가 되었습니다. 오늘날 전 세계 인구의 27%만이 농업에 종사하고 있습니다(선진국에서는 5% 미만으로 떨어짐).

새로운 기술을 익히기 시작하면 익숙한 패턴이 나타납니다. 우리는 무엇이 효과가 있고 무엇이 효과가 없는지, 어떤 패턴이 계속 나타나는지 등 기본을 이해하는 것부터 시작합니다. 이러한 패턴이 명확해지면 더 쉽고, 더 빠르고, 더 신뢰할 수 있는 추상화로 패키징합니다. 이러한 추상화를 통해 더 다양하고 의미 있는 도전에 시간과 자원을 투자할 수 있습니다. 소프트웨어를 구축할 때도 마찬가지입니다.

웹 개발을 예로 들어 보겠습니다. 초기에는 개발자가 HTTP 요청 처리, 상태 관리, UI 생성 등 복잡하고 시간이 많이 소요되는 모든 작업을 처음부터 다시 작성해야 했습니다. 그러다 유용한 추상화를 제공함으로써 이러한 문제를 크게 간소화한 React와 같은 프레임워크가 등장했습니다. 모바일 개발도 비슷한 길을 걸어왔습니다. 처음에는 개발자가 심도 있는 플랫폼별 지식이 필요했지만, React Native와 Flutter 같은 도구가 등장하면서 코드를 한 번만 작성하면 어디든 배포할 수 있게 되었습니다.

머신 러닝에서도 비슷한 추상화 패턴이 나타났습니다. 2000년대 초, 연구자들은 머신 러닝 워크로드에 대한 GPU의 잠재력을 발견했습니다. 처음에는 개발자들이 범용 연산용으로 제작되지 않은 그래픽 프리미티브와 OpenGL의 GLSL과 같은 언어와 씨름해야 했습니다.2006년 NVIDIA는 GPU 프로그래밍에 훨씬 더 쉽게 접근하고 더 광범위한 개발자 커뮤니티에 ML 교육을 제공하는 CUDA를 도입했습니다. 모든 것이 바뀌었습니다.

ML 개발이 탄력을 받으면서 GPU 프로그래밍의 복잡성을 추상화하기 위한 전문 프레임워크가 등장했습니다. TensorFlow와 PyTorch는 개발자가 기본 GPU 코드나 구현 세부사항에 얽매이지 않고 모델 아키텍처에 집중할 수 있게 해 주었습니다. 이는 모델 아키텍처의 반복과 지난 몇 년 동안 우리가 목격했던 AI/ML의 빠른 발전을 가속화했습니다.

인간 비서나 직원처럼 의사 결정을 내리고 목표를 달성하기 위한 조치를 취할 수 있는 소프트웨어 프로그램인 AI 에이전트에서도 비슷한 진화가 일어나고 있습니다. 대규모 언어 모델을 '두뇌'로 사용하며 웹 검색, API 호출, 데이터베이스 액세스 등 다양한 도구를 사용하여 작업을 완료할 수 있습니다.

에이전트를 처음부터 구축하려면 개발자는 에이전트가 문제에 대해 생각하는 방식, 사용할 도구와 사용 시기를 결정하는 방식, 해당 도구와 상호 작용하는 방식, 초기 상호작용의 컨텍스트를 기억하는 방식, 대규모 작업을 관리 가능한 단계로 나누는 방식 등 모든 측면을 다루는 복잡한 코드를 작성해야 합니다. . 이러한 각 패턴을 개별적으로 해결해야 하므로 노력이 중복되고 결과가 일관되지 않습니다.

이것이 바로 AI 에이전트 프레임워크가 필요한 이유입니다. React가 UI 업데이트와 상태 관리의 까다로운 부분을 처리하여 웹 개발을 간소화하는 것처럼, 이러한 프레임워크는 AI 에이전트 구축의 일반적인 문제를 해결합니다. 에이전트 구축 방법에 대한 의사 결정 프로세스, 다양한 도구 통합, 여러 상호작용에서 컨텍스트 유지 등 효과적인 것으로 밝혀진 패턴에 대해 즉시 사용 가능한 구성 요소를 제공합니다.

프레임워크를 사용하면 개발자는 이러한 기본 구성 요소를 재구축하는 대신 에이전트의 고유한 기능 및 사용 사례와 같은 측면에 집중할 수 있습니다. 몇 달이 아니라 며칠 또는 몇 주 만에 복잡한 AI 에이전트를 만들고, 다양한 접근 방식을 더 쉽게 실험하고, 다른 개발자와 커뮤니티에서 발견한 모범 사례를 통해 학습할 수 있습니다.

프레임워크의 중요성을 더 잘 이해하려면 의사가 의료 보고서를 검토하는 데 도움이 되는 에이전트를 구축하는 개발자를 생각해 보세요. 프레임워크가 없다면 이메일 첨부 파일 처리, PDF에서 텍스트 추출, 올바른 형식으로 LLM에 텍스트 입력, 대화 기록을 관리하여 논의된 내용을 추적하고 에이전트가 적절하게 응답하는지 확인하는 등 모든 코드를 처음부터 다시 작성해야 할 것입니다. 이는 특정 사용 사례에 고유하지 않은 작업을 위한 복잡한 코드가 많습니다.

이러한 빌딩 블록 중 다수는 상담원 프레임워크에서 사용하기 쉽습니다. 이 프레임워크는 이메일 및 PDF 읽기를 처리하고, 의료 지식 프롬프트를 구축하기 위한 패턴을 제공하며, 대화의 흐름을 관리하고, 여러 교환에서 중요한 세부 정보를 추적하는 데 도움을 줍니다. 개발자는 일반적인 패턴을 재창조하는 대신 의료 분석 프롬프트를 미세 조정하거나 진단별 안전 확인을 추가하는 등 상담원만의 고유한 측면에 집중할 수 있습니다. 처음부터 제작하는 데 몇 달이 걸리던 콘텐츠를 이제 며칠 만에 프로토타입으로 제작할 수 있습니다.

LangChain은 AI 개발의 스위스 아미 나이프가 되어 LLM 기반 앱 구축을 위한 유연한 툴킷을 제공합니다. 기술적으로 에이전트 프레임워크는 아니지만, LLM 호출을 주문하는 데 사용되는 체인부터 컨텍스트를 유지하는 데 사용되는 인메모리 시스템에 이르기까지 대부분의 에이전트 프레임워크를 구축하기 위한 기본 빌딩 블록을 제공합니다. 광범위한 통합 에코시스템과 풍부한 문서 덕분에 실용적인 AI 애플리케이션을 구축하려는 개발자가 선호하는 시작점입니다.

그런 다음에는 개발자가 각 에이전트마다 고유한 역할과 기능을 갖춘 여러 AI 인텔리전스가 함께 작동하는 시스템을 구축할 수 있는 CrewAI 및 AutoGen과 같은 다중 인텔리전스 프레임워크가 있습니다. 이러한 프레임워크는 단순히 작업을 순차적으로 수행하는 것이 아니라 대화를 통해 지능이 함께 문제를 해결하는 협업을 강조합니다.

예를 들어 연구 논문 과제를 맡길 때 한 에이전트는 논문 구조의 개요를, 다른 에이전트는 관련 정보를 수집하고 세 번째 에이전트는 최종 원고에 댓글을 달 수 있습니다. 초안에 댓글을 달고 수정할 수 있습니다. 이는 AI 에이전트들이 함께 논의하고 토론하며 솔루션을 개선하기 위해 협력할 수 있는 가상 팀을 구성하는 것과 같습니다. 이러한 방식으로 함께 협력하여 높은 수준의 목표를 달성하는 다중 에이전트 시스템을 흔히 AI 에이전트 '클러스터'라고 합니다.

AutoGPT는 전통적인 프레임워크는 아니지만 자율 AI 에이전트의 개념을 개척했습니다. AI가 어떻게 높은 수준의 목표를 세분화하고, 이를 하위 작업으로 나누고, 최소한의 인간 입력만으로 독립적으로 완료할 수 있는지를 보여줍니다. 한계에도 불구하고 AutoGPT는 자율 에이전트 혁신의 물결을 일으켰고, 이후 보다 구조화된 프레임워크 설계에 영향을 미쳤습니다.

왜 암호화를 사용해야 할까요?

이 모든 배경은 궁극적으로 암호화 네이티브 AI 에이전트 프레임워크의 등장으로 이어집니다. 이쯤 되면 웹2.0에는 Langchain이나 CrewAI와 같은 비교적 성숙한 프레임워크가 있는데 왜 웹3.0에 자체 프레임워크가 필요한지 궁금할 수 있습니다. 개발자는 이러한 기존 프레임워크를 사용하여 원하는 에이전트를 구축할 수 있는 것 아닐까요? 모든 내러티브에 Web3를 강요하는 업계의 성향을 고려할 때, 회의적인 시각을 갖는 것은 당연합니다.

웹3 전용 에이전트 프레임워크가 존재하는 이유는 세 가지가 있습니다.

체인에서 실행되는 금융 에이전트

미래에는 대부분의 금융 거래가 블록체인 트랙에서 이루어질 것으로 예상됩니다. 이에 따라 온체인 데이터를 파싱하고 블록체인 거래를 실행하며 여러 프로토콜과 네트워크에서 디지털 자산을 관리할 수 있는 AI 에이전트의 필요성이 가속화되고 있습니다. 차익거래 기회를 감지하는 자동화된 트레이딩 봇부터 수익 전략을 실행하는 포트폴리오 매니저까지, 이러한 에이전트는 핵심 워크플로우에 블록체인 기능을 심층적으로 통합해야 합니다.

레거시 Web2 프레임워크는 이러한 작업을 위한 기본 구성 요소를 제공하지 않습니다. 스마트 컨트랙트와 상호 작용하고, 원시 온체인 이벤트를 파싱하고, 개인 키 관리를 처리하려면 타사 라이브러리를 조합해야 하므로 복잡성과 잠재적 취약성이 발생합니다. 대신 전용 Web3 프레임워크는 이러한 기능을 즉시 처리하므로 개발자는 저수준 블록체인 배관 공사와 씨름하는 대신 에이전트의 로직과 전략에 집중할 수 있습니다.

네이티브 오케스트레이션과 인센티브

블록체인은 단순한 디지털 화폐 그 이상입니다. 블록체인은 신뢰를 최소화하는 글로벌 기록 시스템을 제공하며, 여러 에이전트의 조정을 강화하는 금융 도구가 내장되어 있습니다. 개발자는 오프체인 평판이나 사일로화된 데이터베이스에 의존하는 대신 서약, 에스크로, 인센티브 풀과 같은 온체인 기본 요소를 사용하여 여러 AI 에이전트의 이해관계를 조율할 수 있습니다.

복잡한 작업(예: 새 모델 학습을 위한 데이터 라벨링)을 위해 협업하는 에이전트 그룹을 상상해 보세요. 각 에이전트의 성과는 체인에서 추적할 수 있으며 기여도에 따라 보상이 자동으로 분배됩니다. 블록체인 기반 시스템의 투명성과 불변성은 공정한 보상, 더 강력한 평판 추적, 실시간으로 진화하는 인센티브 체계를 가능하게 합니다.

암호화 네이티브 프레임워크는 이러한 기능을 명시적으로 포함할 수 있으므로 개발자는 에이전트가 다른 에이전트를 신뢰하거나 지불해야 할 때마다 다시 설계할 필요 없이 스마트 컨트랙트를 사용하여 인센티브 구조를 설계할 수 있습니다.

초기 시장의 새로운 기회

랭체인과 같은 프레임워크는 이미 아이디어 공유와 네트워크 효과를 가지고 있지만, AI 에이전트 분야는 아직 초기 단계에 머물러 있습니다. 이러한 시스템의 최종 상태가 어떤 모습일지 명확하지 않으며, 시장을 폐쇄할 수 있는 방법도 없습니다.

암호경제학 인센티브는 기존의 SaaS나 웹2.0 경제학에 완전히 매핑되지 않는 프레임워크를 구축, 관리, 수익화하는 방법에 대한 새로운 가능성을 열어줍니다. 이 초기 단계의 실험을 통해 프레임워크 위에 구축된 에이전트뿐만 아니라 프레임워크 자체에 대한 새로운 수익화 전략을 모색할 수 있습니다.

경쟁업체

1. 인기 있는 AI16Z 프로젝트와 연관된 ElizaOS는 AI 에이전트를 생성, 배포 및 관리하기 위한 타입스크립트 프레임워크입니다. 개발자가 고유한 개성을 가진 에이전트, 블록체인 상호작용을 위한 유연한 도구, 다중 에이전트 시스템을 통한 손쉬운 확장성을 갖춘 에이전트를 구축할 수 있는 웹3 친화적인 AI 에이전트 운영체제로 설계되었습니다.

2. Rig는 플레이그라운드 애널리틱스에서 개발한 오픈 소스 AI 에이전트 프레임워크로, 모듈식 확장 가능한 AI 에이전트를 만들기 위해 Rust 프로그래밍 언어를 사용하여 구축되었습니다. 이는 ARC(AI Rig Complex) 프로젝트와 연관되어 있습니다.

3. 데이드림즈는 원래 온체인 게임용 자율 에이전트를 만들기 위해 만들어진 제너레이티브 에이전트 프레임워크이지만, 나중에 온체인 작업 수행을 위해 확장되었습니다.

4. Pippin은 개발자가 모듈식 자율 디지털 비서를 만들 수 있도록 BabyAGI의 설립자 요헤이 나카지마가 개발한 AI 에이전트 프레임워크로, 요헤이는 독립형 에이전트 구축으로 시작한 후 범용 프레임워크로 확장했습니다. 프레임워크로 확장했습니다.

5. ZerePy는 여러 플랫폼과 블록체인에 걸쳐 자율 에이전트를 배포하도록 설계된 오픈 소스 Python 프레임워크로, 창의적인 AI와 소셜 미디어 통합에 중점을 두고 있습니다. Pippin과 마찬가지로 Zerepy는 독립형 에이전트인 Zerebro로 시작했으며, 이후 프레임워크로 확장되었습니다.

표준

각 프레임워크의 강점을 평가하기 위해 AI 에이전트를 구축하고자 하는 개발자의 입장이 되어 보았습니다. 개발자는 무엇에 관심을 가질까요? 핵심, 기능, 개발자 경험의 세 가지 주요 범주로 나누어 평가하는 것이 유용할 것이라고 생각했습니다.

프레임워크의 핵심은 다른 모든 에이전트가 구축되는 토대라고 생각할 수 있습니다. 코어가 약하거나 느리거나 진화하지 않는다면 프레임워크를 사용하여 만든 에이전트도 똑같이 제한될 것입니다. 코어는 다음 기준에 따라 평가할 수 있습니다.

1. 핵심 추론 루프: 모든 에이전트 프레임워크의 두뇌로서 문제를 해결하는 방식입니다. 강력한 프레임워크는 기본적인 입출력 흐름부터 사고 사슬과 같은 복잡한 패턴까지 모든 것을 지원합니다. 강력한 추론이 없으면 에이전트는 복잡한 작업을 효과적으로 분해하거나 여러 옵션을 평가하여 화려한 챗봇으로 축소할 수 없습니다.

2. 메모리 메커니즘: 상담원은 지속적인 대화를 위한 단기 메모리와 지속적인 지식을 위한 장기 저장소가 모두 필요합니다. 좋은 프레임워크는 단순히 기억하는 데 그치지 않고 서로 다른 정보 간의 관계를 이해하고 어떤 정보를 기억할 가치가 있고 어떤 정보를 잊어버릴 가치가 있는지 우선순위를 정할 수 있습니다.

3. 임베딩 및 RAG 지원: 현대의 상담원은 문서 및 시장 데이터와 같은 외부 지식을 가지고 작업해야 합니다. 강력한 프레임워크를 사용하면 이러한 정보를 쉽게 임베드하고 RAG를 통해 맥락에 맞게 검색할 수 있으므로 기본 모델 학습에만 의존하지 않고 특정 지식을 기반으로 응답할 수 있습니다.

4. 개성 구성: 고객 서비스 상담원의 커뮤니케이션 방식(목소리 톤, 에티켓, 성격)을 형성하는 능력은 사용자 참여에 매우 중요합니다. 좋은 프레임워크는 고객 서비스 상담원의 개성이 사용자 신뢰에 큰 영향을 미칠 수 있음을 인식하여 이러한 특성을 쉽게 구성할 수 있게 해줍니다.

5. 다중 상담원 조정: 강력한 프레임워크는 구조화된 대화, 작업 위임, 공유 메모리 시스템 등 상담원 협업을 위한 기본 제공 모드를 제공합니다. 이를 통해 각 에이전트가 고유한 기능을 활용하여 함께 문제를 해결하는 전문가 팀을 구성할 수 있습니다.

핵심 기능 외에도 프레임워크의 실제 활용도는 그 기능과 통합에 따라 크게 달라집니다. 툴은 에이전트의 실제 기능을 크게 확장합니다. LLM 액세스 권한만 있는 상담원은 대화에 참여할 수 있지만 웹 브라우저에 대한 액세스 권한을 부여하면 실시간 정보를 검색할 수 있습니다. 캘린더 API에 연결하면 미팅을 예약할 수 있습니다. 새로운 도구가 추가될 때마다 에이전트의 기능이 기하급수적으로 향상됩니다. 개발자의 입장에서는 도구의 수가 많을수록 옵션과 실험의 폭이 넓어집니다.

크립토 네이티브 프레임워크의 기능을 3차원적으로 평가합니다:

1. AI 모델 지원 및 기능: 이 강력한 프레임워크는 OpenAI의 GPT 제품군부터 Llama 및 Mistral과 같은 오픈 소스 대안에 이르기까지 여러 언어로 된 모델과의 기본 통합을 제공합니다. 텍스트 음성 변환, 브라우저 사용, 이미지 생성 및 기본 모델 추론과 같은 다른 AI 기능에 대한 지원은 에이전트의 기능을 크게 확장할 수 있습니다. 이러한 많은 프레임워크에서 강력한 모델 지원은 필수 요소가 되고 있습니다.

2. Web3 인프라 지원: 암호화 프록시를 구축하려면 블록체인 인프라와 긴밀한 통합이 필요합니다. 즉, 트랜잭션 서명을 위한 지갑, 체인 통신을 위한 RPC, 데이터 액세스를 위한 인덱서 등 필요한 Web3 구성 요소를 지원해야 합니다. 강력한 프레임워크는 NFT 마켓플레이스와 탈중앙 금융 프로토콜부터 신원 솔루션과 데이터 가용성 계층에 이르기까지 생태계 전반의 필수 도구 및 서비스와 통합되어야 합니다.

3. 체인 오버레이: Web3 인프라 지원이 에이전트가 할 수 있는 일을 결정한다면, 체인 오버레이는 그 일을 할 수 있는 위치를 결정합니다. 암호화폐 생태계는 탈중앙화된 멀티체인 거물로 진화하고 있으며, 광범위한 체인 커버리지의 중요성이 강조되고 있습니다.

결국, 가장 강력한 프레임워크도 개발자 경험만큼만 우수할 뿐입니다. 프레임워크가 동급 최고의 기능을 갖추고 있어도 개발자가 이를 효과적으로 사용하는 데 어려움을 겪으면 널리 채택될 수 없습니다.

1. 프레임워크에서 사용하는 언어는 누가 프레임워크로 빌드할 수 있는지에 직접적인 영향을 미치며, Python은 AI와 데이터 과학 모두를 지배하고 있어 AI 프레임워크로는 자연스러운 선택이 될 수 있습니다. 틈새 언어로 작성된 프레임워크는 고유한 장점이 있을 수 있지만 광범위한 개발자 생태계에서 고립될 수 있으며, 웹 개발에서 자바스크립트가 보편화되어 있기 때문에 특히 웹 통합을 목표로 하는 프레임워크의 경우 강력한 경쟁자가 될 수 있습니다.

2. 명확하고 포괄적인 문서는 새로운 프레임워크를 채택하는 개발자의 생명줄입니다. API 참조만 중요한 것이 아닙니다. 강력한 문서에는 핵심 원칙을 설명하는 개념 개요, 단계별 자습서, 잘 주석 처리된 샘플 코드, 교육용 자습서, 문제 해결 가이드, 확립된 디자인 패턴이 포함됩니다.

결과

다음 표에는 방금 정의한 매개변수에 대해 각 프레임워크가 얼마나 잘 수행되는지(1~5순위)가 요약되어 있습니다.

이 문서에서 각 데이터 포인트에 대한 추론을 논의하는 것은 이 문서의 범위를 벗어나지만, 각 프레임워크에서 눈에 띄는 몇 가지 사항은 다음과 같습니다.

Eliza는 이 목록에서 가장 성숙한 프레임워크입니다. 최근 프록시 물결 속에서 Eliza 프레임워크가 암호화폐 생태계가 AI에 노출되는 기준점이 되었다는 점을 고려할 때, 이 프레임워크에서 눈에 띄는 점 중 하나는 지원하는 기능과 통합의 수가 매우 많다는 것입니다.

이 프레임워크의 인기로 인해 모든 블록체인 및 개발 도구가 프레임워크에 통합하기 위해 경쟁하고 있습니다(현재 거의 100개의 통합을 자랑합니다!). . 동시에, 엘리자는 대부분의 프레임워크보다 더 많은 개발자 활동을 끌어들이고 있으며, 적어도 단기적으로는 매우 명확한 네트워크 효과의 혜택을 누리고 있습니다. 이 프레임워크는 초보자와 숙련된 개발자 모두가 사용하는 잘 정립된 언어인 TypeScript로 작성되어 그 성장에 더욱 박차를 가하고 있습니다.

엘리자는 프레임워크를 사용하는 개발자를 위한 풍부한 교육 콘텐츠와 튜토리얼도 돋보입니다.

이미 Spore, Eliza(에이전트), Pillzumi 등 다양한 에이전트가 Eliza 프레임워크를 사용하고 있으며, 몇 주 내에 새로운 버전의 Eliza 프레임워크가 출시될 예정입니다.

Rig의 접근 방식은 Eliza와 근본적으로 다릅니다. 강력하고 가벼운 고성능 코어를 갖춘 것이 특징입니다. 큐 체인(큐를 순차적으로 적용), 오케스트레이션(여러 에이전트 조정), 조건부 논리, 병렬 처리(동시에 연산 실행)를 비롯한 다양한 추론 패턴을 지원합니다.

그러나 Rig 자체는 그다지 풍부하게 통합되어 있지 않습니다. 대신 "Arc 핸드셰이크"라고 부르는 다른 접근 방식을 취합니다. 여기서 Arc 팀은 웹2.0 및 웹3.0의 다양한 고품질 팀과 협업하여 Rig의 기능을 확장했습니다. 이러한 협업에는 에이전트 개성을 개발하기 위해 Soulgraph와 협력하고 블록체인 기능을 개발하기 위해 Listen 및 Solana 에이전트 키트와 협력한 것이 포함됩니다.

그럼에도 불구하고 Rig에는 두 가지 단점이 있습니다. 첫째, Rust로 작성되어 성능이 매우 뛰어나지만 이에 익숙한 개발자는 상대적으로 적습니다. 둘째, 실제 애플리케이션에서 Rig 기반 에이전트를 사용하는 사례는 제한적이기 때문에(AskJimmy는 예외) 실제 개발자의 채택률을 평가하기 어렵습니다.

Daydreams를 시작하기 전, 설립자 lordOfAFew는 Eliza 프레임워크의 주요 공헌자였습니다. 이를 통해 그는 프레임워크의 성장과 더불어 프레임워크의 단점도 알게 되었습니다. 데이드림은 에이전트가 장기적인 목표를 달성할 수 있도록 연쇄 추론에 초점을 맞춘다는 점에서 다른 프레임워크와 다릅니다. 즉, 높은 수준의 복잡한 목표가 주어지면 에이전트는 다단계 추론을 수행하여 다양한 작업을 제안하고, 목표 달성에 도움이 되는지 여부에 따라 이를 수용하거나 폐기하며 프로세스를 계속 진행합니다. 따라서 데이드림으로 생성된 에이전트는 진정한 자율성을 갖게 됩니다.

게임 프로젝트를 구축한 창립자의 배경이 이러한 접근 방식에 영향을 미쳤습니다. 게임, 특히 온체인 게임은 에이전트를 훈련하고 역량을 테스트하기에 이상적인 환경입니다. 당연히 데이드림즈 에이전트의 초기 사용 사례 중 일부는 피스톨즈, 이스타라이, 폰지랜드와 같은 게임에서 사용되었습니다.

이 프레임워크는 강력한 멀티 에이전트 협업 및 오케스트레이션 워크플로 구현 기능도 제공합니다.

데이드림즈와 마찬가지로 Pippin은 프레임워크 게임 후발주자입니다. 이 게시물에서 출시에 대해 자세히 다뤘으며, 요헤이의 비전의 핵심은 에이전트를 올바른 툴에 액세스하여 지능적이고 자율적으로 운영할 수 있는 '디지털 존재'로 만들겠다는 아이디어입니다. 이 비전은 단순하고 우아한 Pippin의 핵심에 구현되어 있습니다. 단 몇 줄의 코드만으로 자율적으로 실행되고 스스로 코딩할 수 있는 정교한 에이전트를 만들 수 있습니다.

이 프레임워크의 단점은 벡터 임베딩 및 RAG 워크플로 지원 같은 기본적인 기능조차 부족하다는 것입니다. 또한 개발자가 대부분의 통합을 위해 서드파티 라이브러리인 Composio를 사용하도록 권장합니다. 지금까지 살펴본 다른 프레임워크와 비교하면 충분히 성숙하지 못합니다.

Pippin으로 구축된 일부 에이전트에는 Ditto와 Telemafia가 있습니다.

Zerepy는 비교적 간단한 핵심 구현을 가지고 있습니다. 구성된 작업 집합에서 작업을 효과적으로 선택하고 필요할 때 실행합니다. 하지만 목표 중심 또는 사고 사슬 계획과 같은 복잡한 추론 패턴이 부족합니다.

여러 LLM에 대한 추론 호출을 지원하지만 임베딩이나 RAG 구현이 부족합니다. 또한 메모리 또는 멀티 에이전트 조정을 위한 프리미티브도 없습니다.

이러한 핵심 기능 및 통합 부족은 제레피의 채택에 반영되어 있습니다. 이 프레임워크를 사용하는 실제 에이전트가 가동되는 것을 보지 못했습니다.

프레임워크로 구축

이 모든 것이 매우 기술적이고 이론적으로 들리더라도 탓하지 않습니다. 더 간단한 질문은 "코드를 직접 작성하지 않고도 이러한 프레임워크를 사용하여 어떤 종류의 에이전트를 구축할 수 있는가?"입니다.

.

실제로 이러한 프레임워크를 평가하기 위해 개발자가 자주 구축하고자 하는 5가지 일반적인 유형의 에이전트를 확인했습니다. 각 프레임워크 기능의 복잡성 수준과 테스트 측면이 서로 다릅니다.

1. 문서 채팅 에이전트: 문서 처리, 컨텍스트 유지 관리, 참조 정확도 및 메모리 관리를 포함한 핵심 RAG 기능을 테스트합니다. 이 테스트는 진정한 문서 이해와 단순한 패턴 일치 사이에서 프레임워크의 탐색 능력을 보여줍니다.

2. 챗봇: 메모리 시스템 및 행동 일관성 평가. 프레임워크는 일관된 성격 특성을 유지하고, 세션의 주요 정보를 기억하며, 성격 구성을 허용하여 상태 비저장 챗봇을 영구적인 디지털 엔티티로 전환할 수 있어야 합니다.

3. 온체인 트레이딩 봇: 실시간 시장 데이터 처리, 교차 체인 거래 실행, 사회적 정서 분석, 트레이딩 전략 구현을 통해 외부 통합을 스트레스 테스트합니다. 이를 통해 프레임워크가 복잡한 블록체인 인프라와 API 연결을 어떻게 처리하는지 확인할 수 있습니다.

4. 게임 NPC: 세계가 프록시에 주목하기 시작한 것은 작년에 불과하지만, 에이전트는 수십 년 동안 게임에서 NPC(비플레이어 캐릭터)로서 중요한 역할을 해왔습니다. 게임 에이전트는 규칙 기반 에이전트에서 LLM에 의해 구동되는 지능형 에이전트로 전환되고 있으며, 여전히 프레임워크의 주요 사용 사례로 남아 있습니다. 여기서는 에이전트가 환경을 이해하고, 시나리오에 대해 자율적으로 추론하며, 장기적인 목표를 달성하는 능력을 테스트합니다.

5. 음성 어시스턴트: 음성 처리, 빠른 응답 시간, 메시징 플랫폼 통합을 통해 실시간 처리 및 사용자 경험을 평가합니다. 단순한 요청-응답 모델이 아닌 진정한 대화형 애플리케이션을 지원할 수 있는 프레임워크의 능력을 테스트합니다.

각 프레임워크에 에이전트 유형별로 5점 만점을 부여했습니다. 결과는 다음과 같습니다.

오픈 소스 지표

프레임워크를 평가할 때 대부분의 분석에서는 별과 포크와 같은 GitHub 메트릭에 중점을 두는데, 여기서는 이러한 메트릭이 무엇이며 프레임워크의 품질을 어느 정도 나타내는지 간략하게 살펴봅니다.

별은 인기의 가장 확실한 신호 역할을 합니다. 별은 기본적으로 개발자가 흥미롭거나 팔로우하고 싶은 프로젝트에 부여하는 북마크입니다. 별표가 많다는 것은 널리 알려져 있고 관심이 많다는 것을 의미하지만, 오해의 소지가 있을 수 있습니다. 프로젝트는 때때로 기술적 가치보다는 마케팅을 통해 스타마크를 쌓기도 합니다. 별표는 품질의 척도라기보다는 사회적 증거라고 생각하세요.

포크 수는 얼마나 많은 개발자가 자체 코드베이스의 복사본을 만들어 빌드했는지 알려줍니다. 포크 수가 많을수록 개발자가 프로젝트를 적극적으로 사용하고 확장하고 있다는 뜻입니다. 하지만 많은 포크가 결국에는 중단되므로 원시 포크 수에는 맥락이 필요합니다.

기여자 수는 실제로 얼마나 많은 개발자가 프로젝트에 코드를 제출했는지를 보여줍니다. 이는 일반적으로 별이나 포크보다 더 의미 있는 수치입니다. 정기적인 기여자 수가 많다는 것은 프로젝트를 유지하고 개선하는 활발한 커뮤니티가 있다는 것을 의미합니다.

우리는 한 걸음 더 나아가 기여자 점수라는 자체 지표를 고안했습니다. 다른 프로젝트에 대한 과거 기여도, 활동 빈도, 계정의 인기도 등 각 개발자의 공개 이력을 평가하여 각 기여자에게 점수를 부여합니다. 그런 다음 프로젝트에 참여한 모든 기여자의 평균을 구하고 기여한 횟수에 따라 가중치를 부여합니다.

이 숫자는 프레임워크에 어떤 의미가 있을까요?

대부분의 경우 별표의 수는 무시할 수 있는 수준입니다. 별표는 채택을 나타내는 의미 있는 지표가 아닙니다. 예외적으로 Eliza는 한때 모든 크립토 AI의 셸링 포인트에 걸맞게 깃허브의 모든 프로젝트 중 인기 저장소 1위를 차지한 바 있습니다. 또한 0xCygaar와 같은 유명 개발자들이 이 프로젝트에 기여했습니다. 이는 다른 어떤 프로젝트보다 10배나 많은 기여자 수에도 반영되어 있으며, 엘리자는 기여자들을 끌어모으고 있습니다.

그 외에도 Daydreams가 흥미로운 이유는 우수한 개발자들을 끌어들이고 있기 때문입니다. 엘리자의 네트워크 효과를 누리지 못한 후발주자로, 한창 뜨고 난 후에 출시되었기 때문입니다.

다음 단계는 무엇인가요?

개발자라면 최소한 어떤 프레임워크가 필요한지 선택할 수 있는 출발점이 되었기를 바랍니다. 그 이후에도 각 프레임워크의 핵심 추론과 통합이 사용 사례에 적합한지 테스트하는 노력을 기울여야 합니다. 이는 피할 수 없는 일입니다.

관찰자의 관점에서 볼 때 이러한 모든 AI 에이전트 프레임워크는 출시된 지 3개월이 채 되지 않았다는 점을 기억하는 것이 중요합니다. (네, 더 길게 느껴집니다.) 그 사이에 극단적인 과대 광고에서 '공중에 떠 있는 성'으로 불리게 되었습니다. 이것이 바로 기술의 본질입니다. 이러한 변동성에도 불구하고 저희는 이 분야가 흥미롭고 지속적인 암호화폐의 새로운 실험이라고 믿습니다.

다음으로 중요한 것은 이러한 프레임워크가 기술과 수익화 측면에서 어떻게 발전할 것인가입니다.

기술적인 측면에서 프레임워크가 스스로 만들어낼 수 있는 가장 큰 장점은 에이전트가 체인에서 원활하게 상호작용할 수 있다는 것입니다. 이것이 개발자들이 일반 프레임워크 대신 크립토 네이티브 프레임워크를 선택하는 가장 큰 이유입니다. 또한 프록시와 프록시 구성 기술은 전 세계적으로 최첨단 기술 이슈이며, 매일 새로운 개발이 이루어지고 있습니다. 프레임워크 역시 이러한 발전에 발맞춰 진화하고 적응해야 합니다.

프레임워크의 수익화 방식은 더욱 흥미롭습니다. 초창기에는 버추얼에서 영감을 받은 런치패드를 만든 것이 프로젝트의 결실이라고 할 수 있습니다. 하지만 아직 실험의 여지가 많다고 생각합니다. 우리는 상상할 수 있는 모든 틈새 시장을 전문으로 하는 수백만 명의 에이전트가 있는 미래를 향해 나아가고 있습니다. 이들이 효과적으로 협력할 수 있도록 도와주는 도구는 거래 비용에서 엄청난 가치를 창출할 수 있습니다. 빌더를 위한 관문으로서 프레임워크는 이러한 가치를 포착하는 데 가장 적합합니다.

그러나 프레임워크의 수익화는 오픈소스 프로젝트의 수익화 문제와 그동안 대가 없이 무료 작업을 해온 기여자에게 보상을 주는 문제로 둔갑하기도 합니다. 팀이 코드의 기본 정신을 유지하면서 지속 가능한 오픈소스 경제를 만드는 방법을 해독할 수 있다면 그 영향은 프록시 프레임워크를 훨씬 뛰어넘을 것입니다.

이것은 앞으로 몇 달 동안 살펴보고자 하는 주제입니다.