AI 에이전트 프레임워크 경쟁: 엘리자, 리그, 데이드림스, 누가 더 뛰어나나?

지난 1년 동안 Decentralised.co는 암호화폐와 AI의 교차점을 탐구해 왔습니다. 우리는 심지어 7만 명 이상이 AI 에이전트와 에이전트 인프라를 추적하는 데 사용하는 제품도 개발했습니다. 최근 몇 주 동안 이 분야를 둘러싼 열풍은 가라앉았지만, AI가 기술과 사회에 미치는 영향은 인터넷 이래로 본 적이 없는 수준입니다. 우리가 예상하는 대로 암호화폐가 미래의 금융의 중심이 되려면 AI와의 융합이 일회성이 아닌 반복적인 주제가 될 것입니다.

이러한 흐름에서 나타난 더욱 흥미로운 프로젝트 중 하나는 암호화 기반 AI 에이전트 프레임워크입니다. 이들은 블록체인의 핵심 원칙인 허가 없는 가치 전송, 투명성, 일치된 인센티브를 AI 개발에 적용하는 흥미로운 실험입니다. 오픈 소스라는 특성 덕분에 우리는 제품의 내부 작동 방식을 들여다보고, 약속뿐만 아니라 실제로 어떻게 작동하는지 분석할 수 있는 희귀한 기회를 얻습니다.

이 글에서는 먼저 프록시 프레임워크가 실제로 무엇이고 왜 중요한지 알아보겠습니다. 그러면 당연한 질문에 답해 보겠습니다. LangChain과 같은 성숙한 옵션이 있는데 왜 암호화 기반 프레임워크가 필요한가요? 이를 위해 우리는 선도적인 암호화 네이티브 프레임워크와 다양한 사용 사례에서의 각각의 강점과 한계를 분석했습니다. 마지막으로, AI 에이전트를 구축하는 경우 귀하의 필요에 맞는 프레임워크가 어떤지 결정하는 데 도움을 드리겠습니다. 아니면 프레임워크를 사용해서 구축해야 할까요?

시작해 볼까요.

추상적인

"문명의 진보는 우리가 반성 없이 수행할 수 있는 중요한 작업의 수를 늘리는 데 있습니다." - 알프레드 노스 화이트헤드

우리 조상들이 어떻게 살았는지 생각해보세요. 각 가족은 스스로 식량을 재배하고, 옷을 만들고, 거처를 짓는 일을 해야 했습니다. 그들은 기본적인 생존 작업에 셀 수 없이 많은 시간을 보내며, 다른 일을 할 시간은 거의 없습니다. 200년 전만 해도 인구의 거의 90%가 농업에 종사했습니다. 오늘날 우리는 슈퍼마켓에서 음식을 사고, 전문가가 지은 집에서 살고, 먼 곳의 공장에서 만든 옷을 입습니다. 한때 여러 세대에 걸쳐 노력해야 했던 것이 이제는 간단한 거래로 바뀌었습니다. 오늘날 전 세계 인구의 단 27%만이 농업에 종사하고 있습니다(선진국에서는 이 수치가 5% 미만으로 떨어집니다).

새로운 기술을 익히기 시작하면 익숙한 패턴이 나타납니다. 우리는 기본 사항을 이해하는 것으로 시작합니다. 즉, 무엇이 효과가 있고, 무엇이 효과가 없으며, 어떤 패턴이 계속 나타나는지 파악하는 것입니다. 이러한 패턴이 명확해지자, 우리는 이를 더 쉽고, 빠르고, 더 안정적인 추상화로 패키징했습니다. 이런 추상화를 통해 더욱 다양하고 의미 있는 과제를 해결하는 데 시간과 자원을 활용할 수 있습니다. 소프트웨어를 만드는 것도 마찬가지입니다.

웹 개발을 예로 들어보겠습니다. 초기에는 개발자가 HTTP 요청 처리, 상태 관리, UI 생성 등 모든 것을 처음부터 작성해야 했는데, 이는 복잡하고 시간이 많이 걸리는 작업이었습니다. 그러다가 React와 같은 프레임워크가 등장했는데, 이는 유용한 추상화를 제공함으로써 이러한 과제를 크게 단순화했습니다. 모바일 개발도 비슷한 경로를 따라갔습니다. 초기에는 개발자들이 심층적이고 플랫폼에 특화된 지식이 필요했지만, React Native와 Flutter와 같은 도구가 등장하면서 한 번만 코드를 작성하면 어디에나 배포할 수 있게 되었습니다.

머신 러닝에서도 유사한 추상화 패턴이 나타납니다. 2000년대 초, 연구자들은 ML 워크로드에 있어서 GPU의 잠재력을 발견했습니다. 처음에는 개발자들이 OpenGL의 GLSL과 같은 그래픽 기본 요소와 언어를 다루어야 했는데, 이러한 도구는 범용 컴퓨팅을 위해 만들어지지 않았습니다. 2006년 NVIDIA가 CUDA를 출시하면서 모든 것이 바뀌었습니다. CUDA를 통해 GPU 프로그래밍이 더 쉬워지고 ML 학습이 더 광범위한 개발자 커뮤니티에 제공되었습니다.

ML 개발이 가속화되면서 GPU 프로그래밍의 복잡성을 추상화하기 위한 특수 프레임워크가 등장했습니다. TensorFlow와 PyTorch를 사용하면 개발자는 저수준 GPU 코드나 구현 세부 사항에 얽매이지 않고 모델 아키텍처에 집중할 수 있습니다. 이를 통해 모델 아키텍처의 반복이 가속화되고 지난 몇 년 동안 우리가 목격한 AI/ML의 급속한 발전이 가속화됩니다.

우리는 이제 AI 에이전트와 관련하여 유사한 진화를 보고 있습니다. AI 에이전트는 인간 비서나 직원처럼 목표를 달성하기 위해 결정을 내리고 조치를 취할 수 있는 소프트웨어 프로그램입니다. 대규모 언어 모델을 "두뇌"로 사용하고 웹 검색, API 호출, 데이터베이스 액세스와 같은 다양한 도구를 활용하여 작업을 완료할 수 있습니다.

에이전트를 처음부터 만들려면 개발자는 모든 측면을 처리하는 복잡한 코드를 작성해야 합니다. 즉, 에이전트가 문제에 대해 어떻게 생각하는지, 어떤 도구를 언제 사용할지 결정하는 방법, 도구와 상호 작용하는 방법, 이전 상호 작용의 맥락을 기억하는 방법, 대규모 작업을 관리 가능한 단계로 분해하는 방법 등을 처리해야 합니다. 각 모드를 개별적으로 처리해야 했기 때문에 노력이 중복되고 결과가 일관되지 않았습니다.

여기서 AI 에이전트 프레임워크가 등장합니다. React가 UI 업데이트와 상태 관리의 까다로운 부분을 처리하여 웹 개발을 단순화한 것처럼, 이러한 프레임워크는 AI 에이전트를 구축하는 데 있어 흔히 발생하는 과제를 해결합니다. 그들은 우리가 발견한 효과적인 패턴에 대한 기성 구성 요소를 제공합니다. 여기에는 에이전트의 의사결정 프로세스를 구성하는 방법, 다양한 도구를 통합하는 방법, 여러 상호 작용에서 맥락을 유지하는 방법 등이 포함됩니다.

프레임워크를 사용하면 개발자는 이러한 기본 구성 요소를 다시 빌드하는 대신 에이전트의 고유한 특징, 즉 특정 기능과 사용 사례에 집중할 수 있습니다. 개발자들은 몇 달이 걸리는 작업이 아니라 며칠 또는 몇 주 만에 정교한 AI 에이전트를 만들어낼 수 있고, 다양한 접근 방식을 보다 쉽게 시도해 볼 수 있으며, 다른 개발자와 커뮤니티에서 발견한 모범 사례로부터 배울 수 있습니다.

프레임워크의 중요성을 더 잘 이해하려면 의사가 진료 보고서를 검토하는 데 도움이 되는 에이전트를 개발하는 개발자의 예를 생각해 보겠습니다. 프레임워크가 없다면 이메일 첨부 파일 처리, PDF에서 텍스트 추출, 올바른 형식으로 LLM에 텍스트 입력, 논의된 내용을 추적하기 위한 대화 내역 관리, 에이전트가 적절하게 응답하도록 보장하는 등 모든 것을 처음부터 코딩해야 합니다. 이는 특정 사용 사례에만 국한되지 않는 작업에 대한 매우 복잡한 코드입니다.

에이전트 프레임워크를 사용하면 이러한 구성 요소 중 대부분을 직접 사용할 수 있습니다. 이 프레임워크는 이메일과 PDF를 읽고, 의료 지식 프롬프트를 작성하기 위한 패턴을 제공하고, 대화의 흐름을 관리하며, 심지어 여러 교환에서 중요한 세부 정보를 추적하는 데도 도움이 됩니다. 개발자는 일반적인 패턴을 재창조하는 것보다는 의료 분석 프롬프트를 미세 조정하거나 진단에 맞는 안전 검사를 추가하는 등 에이전트를 독특하게 만드는 데 집중할 수 있습니다. 처음부터 만들려면 몇 달이 걸렸을 수도 있었지만, 이제는 며칠 만에 프로토타입을 만들 수 있습니다.

LangChain은 LLM 기반 애플리케이션을 구축하기 위한 유연한 툴킷을 제공하여 AI 개발의 스위스 군용 칼이 되었습니다. 엄밀히 말해 에이전트 프레임워크는 아니지만 LLM 호출을 정렬하기 위한 체인부터 컨텍스트를 유지하기 위한 메모리 시스템까지 대부분의 에이전트 프레임워크가 구축되는 기본 구성 요소를 제공합니다. 광범위한 통합 생태계와 풍부한 문서 덕분에 실용적인 AI 애플리케이션을 구축하려는 개발자에게 가장 적합한 출발점이 됩니다.

CrewAI와 AutoGen과 같은 다중 에이전트 프레임워크도 있습니다. 이를 통해 개발자는 여러 AI 에이전트가 함께 작동하고 각 에이전트가 고유한 역할과 기능을 갖는 시스템을 구축할 수 있습니다. 이러한 프레임워크는 단순히 순차적으로 작업을 수행하는 것이 아니라, 대화를 통한 에이전트 간의 협업을 강조하여 공동으로 문제를 해결합니다.

예를 들어, 연구 보고서가 할당되면 한 에이전트는 보고서의 구조를 설명하고, 다른 에이전트는 관련 정보를 수집하고, 세 번째 에이전트는 최종 초안에 대해 의견을 제시하고 수정을 담당합니다. 이는 AI 에이전트가 함께 논의하고, 토론하고, 솔루션을 개선할 수 있는 가상 팀을 구성하는 것과 같습니다. 이런 방식으로 높은 수준의 목표를 달성하기 위해 함께 작동하는 여러 에이전트의 시스템은 종종 AI 에이전트의 "군집"이라고 합니다.

AutoGPT는 전통적인 프레임워크는 아니지만 자율 AI 에이전트의 개념을 개척했습니다. 이는 AI가 높은 수준의 목표를 취하고 이를 하위 작업으로 나누고 최소한의 인간 개입으로 이를 독립적으로 완료할 수 있는 방법을 보여줍니다. AutoGPT는 한계가 있음에도 불구하고 자율 에이전트 혁신의 물결을 일으켰고 이후의 보다 구조화된 프레임워크 설계에 영향을 미쳤습니다.

하지만 왜 암호화를 하는가?

이러한 모든 배경은 궁극적으로 암호화 기반 AI 에이전트 프레임워크의 등장으로 이어집니다. 이 시점에서 여러분은 궁금할 것입니다. Web2에는 Langchain과 CrewAI와 같은 비교적 성숙한 프레임워크가 있는데 Web3에는 자체 프레임워크가 왜 필요한가요? 개발자들은 기존 프레임워크를 사용하여 원하는 에이전트를 직접 만들 수 있지 않을까요? 이러한 회의론은 업계가 Web3를 모든 서사에 강제로 포함시키려는 경향을 감안할 때 타당합니다.

우리는 Web3 전용 프록시 프레임워크가 존재해야 할 세 가지 이유가 있다고 믿습니다.

온체인에서 운영되는 금융 에이전트

우리는 미래에 대부분의 금융 거래가 블록체인을 통해 이루어질 것이라고 믿습니다. 이로 인해 여러 프로토콜과 네트워크에서 온체인 데이터를 분석하고, 블록체인 거래를 수행하고, 디지털 자산을 관리할 수 있는 AI 에이전트 클래스에 대한 필요성이 높아졌습니다. 차익거래 기회를 감지할 수 있는 자동 거래 봇부터 수익 전략을 실행하는 포트폴리오 관리자까지, 이러한 에이전트는 블록체인 기능을 핵심 워크플로에 긴밀하게 통합해야 합니다.

기존의 Web2 프레임워크는 이러한 작업에 필요한 기본 구성 요소를 제공하지 않습니다. 스마트 계약과 상호 작용하고, 원시 온체인 이벤트를 구문 분석하고, 개인 키 관리를 처리하려면 타사 라이브러리를 조립해야 합니다. 이는 복잡성과 잠재적인 취약성을 초래합니다. 대신 전용 Web3 프레임워크를 사용하면 이러한 기능을 바로 처리할 수 있으므로, 개발자는 저수준 블록체인 프레임워크와 씨름하는 대신 에이전트의 논리와 정책에 집중할 수 있습니다.

원주민의 협력과 인센티브

블록체인은 단지 디지털 통화에 관한 것이 아닙니다. 그들은 다중 에이전트 조정을 강화하는 내장된 재무 도구를 갖춘 글로벌하고 신뢰가 최소화된 기록 시스템을 제공합니다. 개발자는 오프체인 평판이나 분산된 데이터베이스에 의존하지 않고, 스테이킹, 에스크로, 인센티브 풀과 같은 온체인 기본 요소를 사용하여 여러 AI 에이전트의 이익을 조정할 수 있습니다.

복잡한 작업(예: 새로운 모델을 훈련하기 위한 데이터 레이블 지정)을 완료하기 위해 협업하는 에이전트 그룹을 상상해 보세요. 각 에이전트의 성과는 체인상에서 추적할 수 있으며, 보상은 기여도에 따라 자동으로 분배됩니다. 블록체인 기반 시스템의 투명성과 불변성 덕분에 공정한 보상, 보다 강력한 평판 추적, 실시간으로 진화하는 인센티브 제도가 가능합니다.

암호화 기반 프레임워크는 이러한 기능을 명시적으로 내장할 수 있으므로 개발자는 에이전트를 신뢰하거나 다른 에이전트에게 비용을 지불해야 할 때마다 바퀴를 다시 만들지 않고도 스마트 계약을 사용하여 인센티브 구조를 설계할 수 있습니다.

초기 시장의 새로운 기회

LangChain과 같은 프레임워크는 이미 마인드셰어와 네트워크 효과를 가지고 있지만, AI 에이전트 분야는 아직 초기 단계에 있습니다. 이러한 시스템의 최종 상태가 어떻게 될지는 불확실하며 시장을 잠그는 단일한 방법은 없습니다.

암호경제적 인센티브는 기존 SaaS 또는 Web2 경제에 깔끔하게 적용되지 않는 프레임워크를 구축, 관리 및 수익화하는 방법에 대한 새로운 가능성을 열어줍니다. 이 초기 단계에서 실험을 하면 프레임워크 자체에 대한 새로운 수익 창출 전략이 생길 수 있으며, 프레임워크 위에 구축된 에이전트에 대한 새로운 수익 창출 전략도 생길 수 있습니다.

경쟁자

인기 있는 프로젝트 AI16Z와 관련된 ElizaOS는 AI 에이전트를 만들고, 배포하고, 관리하기 위한 Typescript 기반 프레임워크입니다. 이는 개발자가 고유한 개성을 지닌 에이전트를 구축하고 블록체인 상호작용을 위한 유연한 도구를 제공하며 다중 에이전트 시스템을 통해 쉽게 확장할 수 있는 Web3 친화적인 AI 에이전트 운영 체제로 설계되었습니다.

Rig는 Playgrounds Analytics Inc.에서 개발한 오픈 소스 AI 에이전트 프레임워크로, 모듈식이고 확장 가능한 AI 에이전트를 만들기 위해 Rust 프로그래밍 언어를 사용하여 구축되었습니다. 이는 AI Rig Complex(ARC) 프로젝트와 연관되어 있습니다.

Daydreams는 원래 온체인 게임을 위한 자율 에이전트를 생성하기 위해 만들어진 생성 에이전트 프레임워크이지만, 이후 온체인 작업을 수행하도록 확장되었습니다.

Pippin은 BabyAGI의 창립자인 요헤이 나카지마가 개발한 AI 에이전트 프레임워크로, 개발자가 모듈식 자율형 디지털 비서를 만드는 데 도움을 줍니다. 요헤이는 먼저 독립형 에이전트를 구축한 다음 이를 일반 프레임워크로 확장했습니다.

ZerePy는 창의적인 AI와 소셜 미디어 통합에 중점을 두고 여러 플랫폼과 블록체인에 자율 에이전트를 배포하도록 설계된 오픈 소스 Python 프레임워크입니다. 피핀과 마찬가지로 제레피도 독립형 에이전트인 제레브로로 시작하여 나중에 프레임워크로 확장되었습니다.

기준

각 프레임워크의 강점을 평가하기 위해 AI 에이전트를 구축하려는 개발자의 관점을 취했습니다. 그들은 무엇에 관심을 가질까? 평가를 핵심, 기능 및 개발자 경험이라는 세 가지 주요 범주로 분류하는 것이 유용하다고 생각합니다.

프레임워크의 핵심은 다른 모든 에이전트의 기초가 되는 것으로 생각할 수 있습니다. 핵심이 약하거나 느리거나 발전하지 않는다면 프레임워크를 사용하여 생성된 에이전트도 마찬가지로 제한될 것입니다. 핵심은 다음 기준에 따라 평가될 수 있습니다.

핵심 추론 루프: 모든 에이전트 프레임워크의 두뇌이며 문제를 해결하는 방법입니다. 이 강력한 프레임워크는 기본적인 입력 및 출력 흐름부터 생각의 연쇄와 같은 복잡한 패턴까지 모든 것을 지원합니다. 강력한 추론 능력이 없다면 에이전트는 복잡한 작업을 효과적으로 분해하거나 여러 옵션을 평가할 수 없으며, 이를 멋진 챗봇으로 전락시킬 수 없습니다.

기억 메커니즘: 에이전트는 대화를 이어가기 위해 단기 기억과, 지속적인 지식을 습득하기 위해 장기 저장이 모두 필요합니다. 좋은 프레임워크는 단순히 기억하는 데 그치지 않습니다. 다양한 정보 간의 관계를 이해하고 무엇이 유지되어야 하고 무엇이 잊을 만한지 우선순위를 정할 수 있습니다.

임베딩 및 RAG 지원: 최신 에이전트는 문서 및 시장 데이터와 같은 외부 지식을 활용해야 합니다. 강력한 프레임워크를 사용하면 이러한 정보를 쉽게 내장하고 RAG를 통해 상황에 맞게 검색할 수 있으므로 기본 모델 학습에만 의존하지 않고 특정 지식에 기반하여 응답을 제공할 수 있습니다.

성격 구성: 에이전트의 의사소통 방식(톤, 에티켓, 성격)을 형성하는 능력은 사용자 참여에 매우 중요합니다. 좋은 프레임워크는 에이전트의 성격이 사용자 신뢰에 상당한 영향을 미칠 수 있다는 점을 인식하고 이러한 특성을 쉽게 구성할 수 있습니다.

다중 에이전트 조정: 강력한 프레임워크는 구조화된 대화, 작업 위임 또는 공유 메모리 시스템을 통해 에이전트가 협업할 수 있는 기본 제공 패턴을 제공합니다. 이를 통해 각 담당자가 고유한 역량을 발휘하여 함께 일하며 문제를 해결하는 전문팀을 만들 수 있습니다.

핵심 기능을 넘어 프레임워크의 실제 유용성은 주로 기능과 통합에 따라 달라집니다. 도구는 에이전트의 실제 기능을 크게 확장합니다. LLM 권한만 있는 에이전트도 대화에 참여할 수 있지만, 웹 브라우저에 액세스할 수 있으면 실시간 정보를 검색할 수 있습니다. 캘린더 API에 연결하면 회의 일정을 잡을 수 있습니다. 새로운 도구가 나올 때마다 에이전트의 역량이 기하급수적으로 커집니다. 개발자 관점에서 볼 때, 도구의 수가 많을수록 선택의 폭과 실험의 범위도 커집니다.

우리는 세 가지 차원에서 암호화 네이티브 프레임워크의 기능을 평가합니다.

AI 모델 지원 및 기능: 강력한 프레임워크는 OpenAI의 GPT 시리즈부터 Llama 및 Mistral과 같은 오픈 소스 대안에 이르기까지 광범위한 언어 모델과 기본 통합을 제공합니다. 하지만 LLM에 대한 것만은 아닙니다. 텍스트 음성 변환, 브라우저 사용, 이미지 생성, 로컬 모델 추론과 같은 추가적인 AI 기능을 지원하면 에이전트의 기능을 크게 확장할 수 있습니다. 이러한 프레임워크 대부분에서 강력한 모델 지원이 필수가 되고 있습니다.

Web3 인프라 지원: 암호화 프록시를 구축하려면 블록체인 인프라와의 긴밀한 통합이 필요합니다. 즉, 거래 서명을 위한 지갑, 체인 통신을 위한 RPC, 데이터 액세스를 위한 인덱서 등 필수적인 Web3 구성 요소를 지원한다는 의미입니다. 강력한 프레임워크는 NFT 마켓플레이스, DeFi 프로토콜부터 ID 솔루션, 데이터 가용성 계층까지 생태계 전반의 필수 도구 및 서비스와 통합되어야 합니다.

체인 커버리지: Web3 인프라 지원은 프록시가 수행할 수 있는 작업을 결정하고, 체인 커버리지는 프록시가 해당 작업을 수행할 수 있는 위치를 결정합니다. 암호화폐 생태계는 분산형 멀티체인 거대 시스템으로 진화하고 있으며, 광범위한 체인 적용 범위의 중요성이 부각되고 있습니다.

결국, 가장 강력한 프레임워크조차도 개발자 경험만큼만 좋습니다. 프레임워크는 동급 최고의 기능을 갖출 수 있지만, 개발자가 효과적으로 사용하기 어렵다면 널리 채택될 수 없습니다.

프레임워크가 작성된 언어는 해당 프레임워크를 사용하여 누가 빌드할 수 있는지에 직접적인 영향을 미칩니다. Python은 AI와 데이터 과학 분야를 모두 장악하고 있어 AI 프레임워크에 적합한 언어로 자연스럽게 선택되었습니다. 틈새 언어로 작성된 프레임워크는 고유한 장점을 가질 수 있지만, 더 넓은 개발자 생태계에서 고립될 수도 있습니다.

웹 개발에서 JavaScript가 널리 사용되면서 특히 웹 통합을 목표로 하는 프레임워크에서는 JavaScript가 강력한 경쟁자가 되었습니다.

명확하고 포괄적인 문서는 새로운 프레임워크를 도입하는 개발자에게 생명선입니다. 이는 API 참조에 대한 내용만은 아니지만, 그 역시 중요합니다. 견고한 설명서에는 핵심 원칙을 설명하는 개념적 개요, 단계별 튜토리얼, 잘 주석 처리된 샘플 코드, 교육 튜토리얼, 문제 해결 가이드, 확립된 디자인 패턴이 포함되어 있습니다.

결과

다음 표는 방금 정의한 매개변수에 대해 각 프레임워크의 성능을 1~5순위로 요약한 것입니다.

각 데이터 포인트의 이유에 대한 논의는 이 글의 범위를 벗어나지만, 각 프레임워크에서 눈에 띄는 몇 가지 사항은 다음과 같습니다.

이 목록에서 가장 성숙한 프레임워크는 엘리자입니다. Eliza 프레임워크가 최근 프록시 웨이브에서 AI와 상호 작용하기 위한 암호화 생태계의 셸링 포인트가 되었다는 점을 감안할 때, 가장 두드러지는 특징 중 하나는 지원하는 기능과 통합의 수가 엄청나다는 것입니다.

인기가 높아짐에 따라, 모든 블록체인과 개발 도구가 이 프레임워크에 통합하기 위해 노력하고 있습니다(현재 통합된 프레임워크는 100개에 가깝습니다!). 동시에 Eliza는 대부분의 프레임워크보다 더 많은 개발자 활동을 유치합니다. 엘리자는 적어도 단기적으로는 매우 명확한 네트워크 효과의 혜택을 누리고 있습니다. 이 프레임워크는 초보자와 숙련된 개발자 모두가 사용하는 성숙한 언어인 TypeScript로 작성되었기 때문에 인기가 더욱 높아졌습니다.

Eliza는 프레임워크를 사용하는 개발자에게 제공하는 풍부한 교육 콘텐츠와 튜토리얼로도 유명합니다.

우리는 Spore, Eliza(에이전트), Pillzumi를 포함하여 Eliza 프레임워크를 사용하는 다양한 에이전트를 살펴보았습니다. Eliza 프레임워크의 새로운 버전은 앞으로 몇 주 안에 출시될 예정입니다.

리그의 접근 방식은 엘리자의 접근 방식과 근본적으로 다릅니다. 강력하고 가벼우며 성능이 뛰어난 코어를 탑재한 것이 특징입니다. 힌트 체이닝(힌트를 순차적으로 적용), 오케스트레이션(여러 에이전트 조정), 조건 논리, 병렬성(동시에 작업 실행)을 포함한 다양한 추론 패턴을 지원합니다.

하지만 Rig 자체는 그다지 풍부하게 통합되어 있지 않습니다. 대신, 팀은 "Arc 핸드셰이크"라고 부르는 다른 접근 방식을 취합니다. Arc팀은 Web2 및 Web3의 다양한 고품질 팀과 협업하여 Rig의 기능을 확장하고 있습니다. 이러한 협업에는 Soulgraph와 협력하여 에이전트 개성을 개발하고, Listen 및 Solana Agent Kit과 협력하여 블록체인 기능을 개발하는 것이 포함됩니다.

그럼에도 불구하고, 이 장비에는 두 가지 단점이 있습니다. 첫째, 이 언어는 Rust로 작성되었는데, 성능은 매우 뛰어나지만 익숙한 개발자는 비교적 적습니다. 두 번째로, 실제 사용에서 Rig 기반 에이전트의 수가 제한되어 있기 때문에(AskJimmy는 예외) 개발자의 실제 도입을 평가하기 어렵습니다.

Daydreams를 시작하기 전에, 창립자인 lordOfAFew는 Eliza 프레임워크의 주요 기여자였습니다. 이를 통해 그는 프레임워크의 성장과 더 중요하게도 몇 가지 단점을 알게 되었습니다. Daydreams는 에이전트가 장기 목표를 달성할 수 있도록 돕기 위해 사고 사슬 추론에 초점을 맞춘다는 점에서 다른 프레임워크와 다릅니다.

즉, 높은 수준의 복잡한 목표가 주어졌을 때 에이전트는 다단계 추론을 수행하고, 다양한 행동을 제안하고, 목표 달성에 도움이 되는지 여부에 따라 행동을 수용하거나 거부하며, 이러한 과정을 계속하여 진행합니다. 이를 통해 Daydreams를 사용하여 생성된 에이전트는 진정한 자율성을 갖게 됩니다.

창업자들의 게임 프로젝트 구축 경험이 이러한 접근 방식에 영향을 미쳤습니다. 게임, 특히 온체인 게임은 에이전트를 훈련하고 역량을 테스트하는 데 이상적인 배양장입니다. 놀랍지 않게도 Daydreams 에이전트의 초기 사용 사례 중 일부는 Pistols, Istarai, PonziLand와 같은 게임에서 발견되었습니다.

이 프레임워크는 또한 강력한 다중 에이전트 협업 및 오케스트레이션 워크플로 구현 기능을 제공합니다.

Daydreams와 유사하게 Pippin 역시 프레임워크 게임에 늦게 참여했습니다. 이 기사에서는 출시에 대한 자세한 내용을 다룹니다. Yohei의 비전의 핵심은 에이전트가 적절한 도구에 접근하여 지능적이고 자율적으로 작동할 수 있는 "디지털 존재"가 되도록 하는 것입니다. 이러한 비전은 피핀의 단순하면서도 우아한 핵심에 반영되어 있습니다. 몇 줄의 코드만 있으면 자율적으로 실행되고 스스로 코드를 작성할 수 있는 정교한 에이전트를 만들 수 있습니다.

이 프레임워크의 단점은 지원 벡터 임베딩과 RAG 워크플로와 같은 기본 기능조차 부족하다는 것입니다. 또한 개발자에게는 대부분의 통합에 타사 라이브러리인 Composio를 사용하도록 권장합니다. 이 프레임워크는 지금까지 논의된 다른 프레임워크만큼 성숙하지 않았습니다.

Pippin을 사용하여 만든 프록시로는 Ditto와 Telemafia가 있습니다.

Zerepy의 핵심 구현은 비교적 간단합니다. 구성된 작업 집합에서 작업을 효과적으로 선택하여 필요할 때 실행합니다. 하지만 목표 중심적 계획이나 사고 사슬 계획과 같은 복잡한 추론 패턴이 부족합니다.

여러 LLM에 대한 추론 호출을 지원하지만 임베딩이나 RAG 구현이 부족합니다. 또한 메모리나 다중 에이전트 조정을 위한 기본 요소가 부족합니다.

Zerepy 도입에는 핵심 기능과 통합이 부족하다는 점이 반영되었습니다. 아직 이 프레임워크를 사용하여 온라인에 접속하는 실제 에이전트를 본 적은 없습니다.

프레임워크를 사용하여 빌드하기

이 모든 것이 기술적이고 이론적으로 들린다면 우리는 당신을 비난하지 않습니다. 더 간단한 질문은 "직접 코드를 많이 작성하지 않고도 이러한 프레임워크를 사용하여 어떤 종류의 에이전트를 만들 수 있는가?"입니다.

이러한 프레임워크를 실제로 평가하기 위해 개발자가 자주 만들고 싶어하는 다섯 가지 일반적인 에이전트 유형을 파악했습니다. 이들은 다양한 수준의 복잡성을 나타내며 각 프레임워크 기능의 다양한 측면을 테스트합니다.

문서 채팅 에이전트: 문서 처리, 컨텍스트 유지 관리, 참조 정확도, 메모리 관리를 포함한 핵심 RAG 기능을 테스트합니다. 이 테스트는 프레임워크가 진정한 문서 이해와 간단한 패턴 일치 간의 차이를 극복할 수 있는 능력을 보여줍니다.

챗봇: 메모리 시스템과 행동 일관성 평가. 프레임워크는 일관된 성격 특성을 유지하고, 대화 전체에서 주요 정보를 기억하며, 성격 구성을 허용해야 하며, 본질적으로 상태 없는 챗봇을 지속적인 디지털 엔터티로 전환해야 합니다.

온체인 트레이딩 봇: 실시간 시장 데이터 처리, 크로스체인 거래 실행, 소셜 감정 분석, 트레이딩 전략 구현을 통해 외부 통합에 대한 스트레스 테스트를 실시합니다. 이는 프레임워크가 복잡한 블록체인 인프라와 API 연결을 어떻게 처리하는지 보여줍니다.

게임 NPC: 세상이 에이전트에 주목하기 시작한 건 작년이지만, 에이전트는 수십 년 동안 게임에서 NPC(비플레이어 캐릭터)로서 중요한 역할을 해왔습니다. 게임 에이전트는 규칙 기반 에이전트에서 LLM으로 구동되는 지능형 에이전트로 변화하고 있으며, 이 프레임워크의 주요 사용 사례로 남아 있습니다. 여기에서는 에이전트가 환경을 이해하고, 시나리오에 대해 자율적으로 추론하고, 장기적인 목표를 달성하는 능력을 테스트합니다.

음성 지원: 음성 처리, 빠른 응답 시간, 메시징 플랫폼 통합을 통해 실시간 처리 및 사용자 경험을 평가합니다. 이는 프레임워크가 단순한 요청-응답 모델이 아닌, 진정한 대화형 애플리케이션을 지원할 수 있는지 여부를 테스트합니다.

우리는 각 에이전트 유형에 대해 각 프레임워크에 5점 만점의 점수를 부여했습니다. 다음은 그들의 성과입니다:

오픈소스 메트릭

이러한 프레임워크를 평가할 때 대부분의 분석은 스타와 포크와 같은 GitHub 지표에 큰 중점을 둡니다. 여기에서는 이러한 측정 항목이 무엇이고 프레임워크의 품질을 어느 정도 나타내는지 간략하게 살펴보겠습니다.

스타는 인기를 나타내는 가장 확실한 신호입니다. 이것은 본질적으로 개발자가 흥미롭게 생각하거나 추적하고 싶은 항목에 지정하는 북마크입니다. 별점이 높다는 것은 널리 알려지고 관심이 있다는 것을 나타내지만, 오해의 소지가 있습니다. 프로젝트에서는 기술적 장점보다는 마케팅을 통해 별을 모으는 경우가 있습니다. 스타를 품질의 척도가 아닌 사회적 증거로 생각하세요.

포크의 숫자는 얼마나 많은 개발자가 코드베이스의 복사본을 만들어서 그 위에 개발을 했는지를 알려줍니다. 포크의 수가 많다는 것은 일반적으로 개발자가 프로젝트를 적극적으로 사용하고 확장하고 있음을 나타냅니다. 즉, 많은 포크가 결국 버려지므로 원시 포크 수를 파악하려면 맥락이 필요합니다.

기여자 수는 프로젝트에 실제로 코드를 커밋한 개발자의 수를 나타냅니다. 이것은 보통 별이나 포크보다 더 의미가 있습니다. 정기적으로 기여하는 사람이 많다는 것은 프로젝트를 유지 관리하고 개선하는 활발한 커뮤니티가 있다는 것을 나타냅니다.

우리는 한 걸음 더 나아가 우리만의 지표인 기여자 점수를 설계했습니다. 우리는 각 개발자의 공개 이력을 평가하여 다른 프로젝트에 대한 기여도, 활동 빈도, 계정 인기 등을 포함하여 각 기여자에게 점수를 매깁니다. 그런 다음 우리는 프로젝트에 기여한 모든 사람의 평균을 내고 기여한 횟수에 따라 가중치를 두었습니다.

이 숫자는 우리의 프레임워크에서 무엇을 의미할까요?

대부분의 경우 별의 수는 무시할 수 있을 만큼 적습니다. 이는 채택의 의미 있는 지표가 아닙니다. 여기서 예외는 Eliza입니다. Eliza는 한때 GitHub의 모든 프로젝트에서 가장 인기 있는 저장소가 되었으며, 모든 암호화 AI의 셸링 포인트가 된 것과 일맥상통합니다. 또한 0xCygaar와 같은 유명 개발자가 이 프로젝트에 기여했습니다. 이는 또한 Eliza가 유치하는 기여자 수(다른 프로젝트보다 10배 더 많음)에도 반영되어 있습니다.

그 외에도 Daydreams이 우리에게 흥미로운 이유는 바로 뛰어난 개발자들을 끌어들이기 때문입니다. 과대광고의 정점 이후에 출시한 후발 주자로서 Eliza의 네트워크 효과의 혜택을 받지 못했습니다.

다음은 무엇인가요?

개발자라면, 필요한 경우 어떤 프레임워크를 기반으로 빌드할지 선택하는 데 있어 적어도 시작점을 제공했기를 바랍니다. 그 외에도 각 프레임워크의 핵심 추론 및 통합이 귀하의 사용 사례에 적합한지 테스트하기 위한 노력이 필요합니다. 이는 불가피한 일입니다.

관찰자의 관점에서 볼 때, 이 모든 AI 에이전트 프레임워크가 3개월도 안 되었다는 점을 기억하는 것이 중요합니다. (네, 더 길게 느껴집니다.) 그동안 그들은 극도로 과장된 것에서 공중의 성이라고 불리는 수준으로 발전했습니다. 그것이 바로 기술의 본질이죠. 이러한 변동성에도 불구하고, 우리는 이 분야가 암호화폐 분야에서 흥미롭고 지속 가능한 새로운 실험이라고 믿습니다.

이제 중요한 것은 이러한 프레임워크가 기술적으로나 화폐적으로 얼마나 성숙해지는가입니다.

기술 측면에서 프레임워크가 스스로 만들어낼 수 있는 가장 큰 장점은 에이전트가 체인상에서 원활하게 상호작용할 수 있게 한다는 것입니다. 이는 개발자가 일반 프레임워크 대신 암호화 기본 프레임워크를 선택하는 가장 큰 이유입니다. 더욱이, 에이전트와 에이전트 구축 기술은 전 세계적으로 최첨단 기술 문제이며, 매일 새로운 기술이 개발되고 있습니다. 프레임워크 역시 이러한 발전에 맞춰 계속 발전하고 적응해야 합니다.

프레임워크가 어떻게 수익을 창출하는지가 더 흥미롭습니다. 초기에는 Virtuals에서 영감을 받은 런치패드를 만드는 것이 프로젝트에서 쉬운 목표였습니다. 하지만 우리는 여기에는 많은 실험의 여지가 있다고 생각합니다. 우리는 상상할 수 있는 모든 틈새 시장을 전문으로 하는 수백만 명의 에이전트가 있는 미래로 나아가고 있습니다. 이들이 효율적으로 협력하는 데 도움이 되는 도구는 거래 수수료에서 엄청난 가치를 창출할 수 있습니다. 빌더를 위한 포털로서 프레임워크는 확실히 이러한 가치를 포착하는 데 가장 적합합니다.

동시에 프레임워크의 수익화는 오픈 소스 프로젝트의 수익화와 역사적으로 무료로 보답받지 못하는 일을 해온 기여자들에게 보상하는 문제로 위장되기도 합니다. 만약 어떤 팀이 본질적인 정신을 유지하면서도 지속 가능한 오픈소스 경제를 만드는 방법에 대한 코드를 해독할 수 있다면, 그 영향은 기관 프레임워크를 훨씬 넘어 확대될 것입니다.