Минала битка · 2026-01-03 UTC
AI Agent Development Frameworks Двубой — 3 януари 2026 г.
От категория AI Agent Development Frameworks. 28 гласове поставени сред 10 бойци. Cerebrum: AIOS SDK грабна короната.
Финално класиране
Съставът
Бойците
Профили на всеки инструмент, който се състезава в тази битка, класирани по техния финален резултат.
Cerebrum: AIOS SDK
Платформа за разработване и разпространение на агенти за AI базирани на LLM извънгредната рамка за AIOS.
Cerebrum е SDK за развитието и разпространението на AI-агенти, базирани на модела на лингвистичното разбиране (LLM), в рамките на фреймвърка на AIOS (операционна система за AI-агенти). AIOS се обръща към извадки като програмиране, смаване, управление на паметта и управление на оръжията за LLM-базирани агенти. SDK-то на Cerebrum позволява създателите да създават и извършват приложения на агентите чрез взаимодействие с ядрото на AIOS. Поддръжката е на двете веб интерфейса и терминален интерфейс. SDK-та включва функции за листиране на достъпни LLM, агентите и инструментите, както и сваляне, качване и извършване на агентите и инструментите. Cerebrum е създаден специално за потребителите и създателите на агенти, които могат да създават и разпределяват приложения на AI-агентите.
Разбивка на критериите
- Разработване и разпространение на агенти
- Управление на агенти за AI базирани на LLM
- Поддръжка на уеб-интерфейс и терминален интерфейс
- Управление на агенти и инструменти
- Списък на наличните LLM-а, агенти и инструменти
- Премахване и зареждане на агенти и инструменти
Awesome MCP Servers
Навигирана директория на имплеменации на Model Context Protocol, предназначена за разширение на помощниците на AI с инструменти и данни.
Мрежата Awesome MCP Servers е общачески управлявана листа на сървери на протокола Model Context Protocol (MCP), които свърждат АИ асистентите с външни системи. Тя регистрира изпълнения за различните категории като бази данни, система за файлове, девелопърски инструменти, програми за продуктивност и веб служби, прави я по-лесно да се открие интеграция, която увеличава това, което моделите могат да направят. Това сървърно източник е насочен към разработчици и създатели на AI, които търсят начин да предоставят достъп до реални данни и действия на агенти основани на LLM, без да трябва да създават всички конектори отначало. В тях обикновено се съдържат препратки към разпределителите на източниците, кратки описания и тагове, които помагат потребителите да филтрират по случаи на използване или технологични решения на SaaS. Защото последва отвореният Open Source формат 'awesome list', приносите идват от поширеният MCP еко-система, а листата се развиват заедно с протокола самият
Разбивка на критериите
- Навигиран списък с имплеменации на MCP сърфери
- Категоризиран по домен и намерение за ползване
- Линкове към източниците на репозитории и документация
- Обхваща и официални и общински сърфери
- Офертата е отворена за общински.contributions
- Отчетна точка за изслеждане на екосистемата на MCP
OpenAI Codex SDK
SDK за внедряване и управление на агенти Codex програмирамно чрез TypeScript, CLI или GitHub Actions.
СDK на OpenAI Codex е софтуерна разработъчна китка, която допуска програмиращите да втвърдят и управляват агенти Codex програмно. Поддържа множество интерфейса, включително TypeScript, CLI и GitHub Actions. SDK-а е проектиран да предоставя гъвкав начин за интеграция на агенти Codex в различни приложения и потоци. С SDK на Codex програмиращите могат да създават собствени агенти, определят поведенията на агента и управляват потоците на агента. Това също така предоставя инструменти за оценяване и оптимизиране на изявените от агента постижения. Предназначено е за програмиращи, които искат да създадат приложения, които ползват способностите на агентите Codex. SDK-а предлага рядка функции, включително поддръжка на множество модели и доставчици, заключение на агентите в sandbox, и връзки с разнообразни инструменти и услуги, включително API на Large Language Models (LLM).
Разбивка на критериите
- Thechnosъздаване на текст
- Generation на код
- Generation на изображения
- Generation на аудио и говорещо
- Структурирано изход
- Извикване на функции
BabyBeeAGI
Двойно развитието на BabyAGI със силно развитие на задачно управление и функционалност.
BabyAGI е експериментална рамка за създаване на самобезпоклонни аутономни агенти. Издържава се като еволюция на оригиналния BabyAGI от март 2023 г., който представи плануване на задачи за аутономни агенти. Рамката се конструира около новия функционален framework наричан 'functionz', който съхранява и управлява функции от базата данни. Тя предлага графов структура за следенция на импорти, зависими функции и секрети за аутентификация, също така автоматично зареждане и обхватно логироване възможности. Фramework-ът също така включва панел за управление на функциите, излагане на обновявания и виждане на дебъгирачки лози. Той е проектиран да бъде просто така, за да спре дискусии сред разработчиите, а не за производствено използване. Основната мисъл е създаването на най-лявата неща, които могат да са себе си, което прави интересен начин за развитие на аутоматни агенти.
Разбивка на критериите
- Регистрация на функции и управление на метаданни
- Слідствие от заданите задачи и ключови зависимости
- Автоматично зареждане и записване
- ДASHBOARD за управление на функции и гледане на лога
- Има dashboard за просто управление
- Автоматично зареждане и записване възможности
Gemma 3
Отворена AI модел, оптимизиран за ефективно използвания единна GPU, поддържаща многосезонни въведения и над 140 езика.
Гемма 3 е състав от леки, на високо ниво отрасълни отворени модели, проектирани да работят на устройства, при това особено оптимизирани за изпълнение на единия процесор. Поддържа многоформатни въвеждащи данни и повече от 140 езика. Моделът се предлага в различни размери (1B, 4B, 12B и 27B), позволявайки на разработчиците да изберат най-добрият вариант в зависимост от съоръженията си и от потребностите за скорост. Гемма 3 предлага съществено поддръжка за текстови и визуални умения за решаване на проблеми, окръгла 128-дневна контекстно прозорче и функционален повикване за сложни задачи. Той също така включва квантизирани версии с по-добра извършителна ефективност и намалена обща компютърено изискваемост. Моделът е част от планите на Google да прави полезни технологии за умствена интелектуалност достъпни за много хора, както и изграден върху същата изследователска работа и технология, които използват при своите модели от тип Gemini 2.0. Гемма 3 е проектирана да позволява разработчиците да създават АИ приложения, които могат да се използват непрекъснато в устройства като телефони, лаптопи и работни станции. Гемма 3 обещава изключителен перфоманс по отношение на размера си също така надгради други модели като Llama3-405B, DeepSeek-V3 и o3-mini в първични експериментални изследвания на човешки преференция. Разработена с вградено обслужване и поддръжка за над 35 езика и с предтренирани модел с подкрепа за над 140 езика. Модулът позволява създаването на потоци на обработка изцяло на база AI, използвайки функциониране на връзки и структурирана работа с изход. Развършването на Gemma 3 включвало строго изискани протоколи за сигурност, като широка управа на данните, съответствие на политиките за сигурност чрез финализиране и съсобствено използване на бенчмарк оценки. Тялото на Gemma състоят от отворени модели с големина, които са били приети с голяма популярност с над 100 милиона сваляната версия и към която е създадена голяма, енергична общност от над 60 000 варианти на Gemma. В съставките на Gemma 3 се отразява изгодността на разработчиките, които търсят създаване на привлекателни за потребителите expérience, които могат да бъдат изпълнени на един процесор на видеокарта (GPU) или процесор на логици и математически устройства (TPU).
Разбивка на критериите
- Поддържане на многосезонни AI
- Развитие с отговорност върху фокуса
- Естествен fine-tuning
- Поддръжка за 140 езика
- Успешен перфомен
ScreenAgent
Отворен код VLM агент за управление на компютърния GUI чрез планиране и изпълнение на мишка/клавиатура.
СкринЕджънт е отворен кодов Visual Language Model (VLM) агент, проектиран да контролира компютърните GUI чрез операции на мишка и клавиатура. Намиращ е взаимодействие с реални компютърни екрани чрез наблюдение на скриншоти и изпълнение на действия. Проектът се състои от процес на планиране-изпълнение-анализ, който ръководи агента да завърши многостепенни задачи. Предназначен е да адресира задачата за ученето на агенти да използват компютри, което изисква способности като планиране на задачи, разбиране на изображения и визуално позициониране. Датасетът на СкринЕджънт, който покрива различни дневни компютърни задачи, е ръчно анотиран за поддръжка на ученето на агента. Проектът се състои от клиент за контролиране на десктопа, със съответния датасет, модулите за извличане на данни за инферира, и код за обучение. Поддържа базовите операции на мишка и клавиатура и може да се приложи към различните операционни системи и приложения за десктоп. Подходът на СкринЕджънт е универсален и не съществуващо в зависимост от конкретни API, което го прави многофункционален.
Разбивка на критериите
- Изпълнение на мишка и клавиатура операции
- Планиране-изпълнение-отразяване процес за завършване на задача
- Поддръжка за различни десктоп операционни системи и приложения
- Ръчна анотация на набора от данни ScreenAgent за разнообразна покритост на задачи
- VLM агент за взаимодействие с GUI
AIWaves Agents
Отворено-източна адаптивна рамка за LLM за строеж, трениране и разпространение автономен ълъмов манипулатор.
AIWaves Agenti е отвореностроен адаптивен рамкове за LLM за изграждане, обучение и разпространение на самостоятелни езикови агенти. Беше обновено до версия 2.0, която добавя поддръжка за обучение и оценка на агентове чрез символична обучение, систематичен рамкове вдъхновени от обучение на нейронни мрежи. Този рамкове позволява обучение на езикови агенти с тънежество създаване на аналогия между агентни шлейфове и компютърни графи на нейронните мрежи. Фреймворк работи, изпълнявайки един агент и съхранявайки пътя му, включително входените данни, изходните данни, промптите и използваното на инструментите. След това то оценява резултата с помощта на функция за загуба с основав на езиците, повръща загубата за да рассчита език-градиентите, и актуализира символичните компоненти на агента според това. Този процес позволява агентите да учат и да адаптират с времето. Агенциите 2.0 също така поддържат оптимизацията на системи с множество агенти отговаряйки на бройката на нодите или позволявайки на множество агенти да се извършват от една нод. Frameworkът е замислен да бъде мек и разширяем, поддържащо различни приложения и изследователски насоки. Проектът предоставя ръководство за инсталиране, което включва възможности за инсталиране от Git репозитария или за локална разработка. Също така включва цитати за свързани изследователски статии. Силите на рамката са в неин иновативен подход към обучението на агентите и в потенциала си за подобряване на разпространените изследвания на автономни ъгенти за език. С други думи, обаче, нейната сложност и релативност на добре проектирани пайплайн за промптове се състоят в предизвикателства за потребителите.
Разбивка на критериите
- Поддръжка за автономни ълъмов манипулатори
- Трениране на ълъмови манипулатори
- Разпространение на ълъмови манипулатори
- Само-умножаващи се манипулатори
- API
Claude MCP Agents
Агентите AI изградени на Anthropic's MCP за безскаламвки интеграция на инструменти и данни.
Клод МСП агенти са изкуствени агенти, които използват протокола за съдържание на модели (MCP) на Anthropic, за да комуникират с широк спектър от външни сървъри за данни, API-та и инструментите на разработчиките. Чрез стандартизация на.flow на съдържанието между Клод и външните системи, тези агенти могат да чета файлове, запитват бази данных, извикват служби и да действат върху информацията в реално време, без специално проектирани интеграции за всяко източник. Навярният подход се насочва към разработчици и екипи, които създават автоматизация, помощници за изследване и агенти за потока на работа, които имат надежден достъп до предприемачески или лични данни. Отворената спецификация на MCP означава, че същият агент може да се присъедини към нови инструменти като започват да се появяват връзките, намалявайки възходящата зависимост и натоварване за интеграция.
Разбивка на критериите
- Интегриране на Моделът на контекста на Антропик
- Връзка със файлове, APИ и данни на базата
- Продължителност с чужд MCP-сервер
- Поддръжка на агенциални, множествени-шагови процеси
- Съвместимост със семейството на модела Claude
- Отворен стандарт за взаимодействие
BabyCatAGI
Лекотон автономен АИ агент за фреймворк за структурирано автоматизация на задания.
BabyCatAGI е облекчената, модифицирана версия на BabyAGI, проектирана да изпълнява сложни задачи чрез самостоятелни AGI агенти. Тя преобразува високо-уровневите цели в упълномощили подзадачи, ги изпълнява последователно и адаптира плана си според промеждните резултати, което я прави подходяща за изследвания, създаване на съдържание и решаване на многостепенни проблеми. Фреймворкът отдава приоритет на минимален код и четимост, което го прави достъпен за разработчици, които искат да експериментират с агентенят ИИ без надзорния товар на по-големите библиотеки за оркестриране. Интегрира се с модели на език и уеб-трутове да събира контекст, да разсъждава по проблеми и да произвежда структурирани изходи. Като отворен експериментален проект, BabyCatAGI се подбира за прототипиране на потоци за агенти, усвоенето на начините на работата на автономните системи с конкретна цел, и личените конфигурации на потоци за конкретноautomationни потребности.
Разбивка на критериите
- Създаване и приоритизиране на списък с задачи
- Автономна изпълнение на подзадачи
- Вградено съответствие с веб-търсещите резултати
- Последователен поток за логическо мислене
- Лекотон имплементация в Python
- Коригуеми цели и стимули за извличане
BabyDeerAGI
Повърхностно интегрирана рамка на агент на AI, позволяваща паралелна изпълнение на задачи за повишена ефективност.
BabyDeerAGI е ергономична рамка за агент на AI, дизайнирана за да позволява паралелен изпълнение на задължения за подобряване ефективността. Тя е насочена към програмисти и изследователи, стремящи се да оптимизират AI-те си протоколи. Със силата на изпълнение на множество задължения едновременно, BabyDeerAGI може значително да свали общо изисквания време за изпълнение. Рамката е създадена с мисъл за лекота, поддържайки интеграция с различни модели и инструменти на AI. Съответно обаче, конкретни детайли за нейните възможности и ограничения не са разширено документирани в използвани източници.
Разбивка на критериите
- Паралелна изпълнение на задачи
- Гнездено интегриране със сърцевината на AI
- Повърхностно интегрирана рамка на агент на AI
- Поддръжка за конкуренция през обработката