Prošla bitka · 2024-07-19 UTC
AI Agent Development Frameworks Obračun — 19. srpnja 2024.
Iz kategorije AI Agent Development Frameworks. 22 oznaka postavljeno među 7 boraca. kagent je preuzeo krunu.
Konačni poredak
Postava
Borci
Profili svakog alata koji se natjecao u ovoj bitci, rangirani prema konačnom rezultatu.
kagent
Otvoren-kodni okvir za omogućavanje automatizacije AI agenti za upravljanje operacijama Kubernetesa.
Kagent omogućava izrade inteligentnih agenta koji automatizira operacije Kubernetes. Omogućava agenatima da budu ugrađeni, pregledani i upravljani pomoću poznatih alata za upravljanje Kubernetesom. Kagent pravi agente prvi razrednim radnim opterećenjima u Kubernetes, omogućavajući im da budu verzovani kao definicije kustoma resursa u Kubernetesu (CRDs) i pregledani u prihvatnim zahtjevima za prihvaćanje. Ovaj pristup omogućava upotrebu postojećih alata za Kubernetes za upravljanje agentima. Okvir je otvorenog koda i izrađen od osnivača Istia. Upravlja raznim kombinacijama jezika i okruženja za razvoj programa, uključujući Go i Python, i omogućava uporabu bilo koje velikog modela prirodnog jezika (LLM) pružatelja. kagent pruža robustnu sigurnosnu i nadzornočku platformu, uključujući OpenTelemetry praćenje traga, Prometheus metrike i strukturiranje loga. Također podržava više-vrijeme podršku, komunikaciju agent-a s agentom i mogućnost učitanja znanja iz Git repozitorija. U općenito, kagent pruža moćan i fleksibilan okvir za automatsko izvršavanje Kubernetes operacija uz pomoć agenata AI-a.
Razljepljivanje kriterija
- Materijalni substrat za brze pokretanje i učinkovito korištenje resursa
- Spremo pripremljeno s mTLS i fino-granularnim RBAC-om za izbacivanje izvora sigurnosti.
- Sadržaj trajne memorije podupirane vektorskim podacima za dugoročni skladovanje
- Sistem koji omogućuje čovjeka u kontrolu za odobrava instrumente i pitanja inicirana od agenta
- Delegacija agenta do agenta (A2A) za sastavljanje višegradu agenetskog rada
BabyCatAGI
Lakši autonomni framework za inteligentne agente za učinkovitiju automatizaciju zadataka
BabyCatAGI je pojednostavljena i modificirana verzija BabyAGI dizajnirana za izvršenje složenih zadataka korištenjem samostalnih AI agenata. Razdvaja visoko razvijene ciljeve na upravljaljive podzadaće, izvršava ih u seriji, i prilagođava svoj plan temeljem intermedijarnih rezultata, čime je pogodno za istraživanje, stvaranje sadržaja i rješavanje višestolnih problema. Pogon usredotočuje se na minimum koda i čitljivost, što ga čini dostupnim razvojačima koji žele eksperimentirati s agentno AI bez prekomjerne terete većih orkestracijskih biblioteka. Integrira se s jezičnim modelima i veb pretraživanjem alata za skupljanje konteksta, razmišljanje kroz probleme i proizvodnju struktuiranih izlaznih vrijednosti. Kao otvoreni eksperimentalni projekt, BabyCatAGI odgovoran je za prototipiranje protokola agenta, učenje kako se kozajnstveni sustavi koji vode tasks operiraju, te prilagođavanje tokova za specifične potrebe automatisation.
Razljepljivanje kriterija
- Kreiranje i prioritarisanje zadataka
- Autonomno izvršavanje prethodnih zadataka
- Integracija web pretraživača za kontekst
- Radni tok različite logike
- Lakši implementacijski sustav Python
- Konzistentno korištenje ciljeva i provokacija
MCP‑Use
Otvoreni platform za povezivanje LLM-a s MCP servidorima i izgradnju osobnih AI agenata s pristupom pretposljednice
MCP ‑Use je otvoreni izvor platforme koja omogućava vezanje velikih modela jezika (LLMs) sa MCP serverima i omogućava razvoj prilagođenih agenta za AI koji mogu interagirati s ovim LLMS‑ima. Platforma nudi potpuno integrirani MCP okvir (mcp-use SDK) za gradnju aplikacija za razgovor kao što su ChatGPT, konektora za Clauda i MCP servera. S pomoću mcp-use, programeri mogu iskoristiti jedan kôd bazicu za upravljanje aplikacijama na različite površine koje koriste korisnici i agenti, uključujući ChatGPT, Claude i Gemini. Platforma nuditi širok raspon alata i značajki, poput mogućnosti za oblikovanje aplikacija MCP u jednom komandu, automatske raspodjele na Manufact Cloud, te izgradnjom izgrađene analitike i nadzora. Razvijatelji mogu upotrijebiti SDK za MCP-use kako bi izgradili i razmjestili servere MCP i aplikacije bez potrebe za dodatnim alatima. Platforma također pruža Visual Inspector i mogućnosti za testiranje u Sandbox-u, omogućavajući razvijateljima da testiraju svoje aplikacije bez potrebe za živim LLM-om. mcp-use ima za cilj pojedinim učinkovito pojednostaviti razvoj i implementaciju aplikacija zasnovanih na MCP-u, te time privlači razvojne timove koji nastoje razviti i implementirati osobene agenčke AI aplikacije.
Razljepljivanje kriterija
- Upravljanje MCP serverima
- Povezivanje i integracija s LLM-om
- Razvoj osobnih AI agenata
- Automatizirana implementacija i skalabilnost
- Vizualni Inspektor i Sandbox testiranje
- Izgrađuje se ugradeno analitičko i nadzorna svojstva
Claude MCP Agents
agenta izračunana na bazi MCP-a za Anthropic-a za sljedbeno uključivanje alata i podataka.
Claude MCP agenci su AI agenci koji koriste protokol model konteksta (MCP) tvrtke Anthropic kako bi se povezali s širokim rasponom vanjskih izvora podataka, API-ja i razvoja vještačkih inteligencije. Standardizirajući kako kontekst teče između Claudea i vanjskih sustava sustava, ovi agenci mogu pročitat datoteke, pretražiti baze podataka, pozivati usluge i raditi u stvarnom vremenu na osnovu informacija bez potrebe za posebnim konfiguracijama integracija za svaki izvor. Cilj je usmjeren prema razvojačima i timovima koji grade automatizaciju, asistente istražitelja i agente rada koji treba pouzdan pristup tvrtkom ili ličnim podacima. Odredbe otvorenog MCP-a znače da isti agent može biti povezan u novo izdanje kao u veze izlaze, što smanjuje usmjereno vezivanje i prethodno prilagođavanje.
Razljepljivanje kriterija
- Integracija protokola MCP-a
- Povezivanje sa datotekama, API-jeve i baze podataka
- Mogućnost proširenja putem konfigurabilnih servera MCP-a
- Podrška agencijijskim, višekorakvim radnim procesima
- Saradljiv sa porodicom modela Claude-a
- Otvoren standard za interoperabilnost
Gemma 3
Otvorenog koda AI model optimiran za pojedinačnu performantu GPU, podržava multimodalne ulazne podatke i više od 140 jezika.
Gemma 3 je kolekcija lakih, najnovijih otvorenih modela dizajniranih za izvršavanje na uređajima, posebno optimiziranih za performanse na uređajima s jednim GPU procesorom. Podržava više ulaza ( multimodalne) i više od 140 jezika. Model je dostupan u različitim veličinama (1B, 4B, 12B, i 27B), što omogućava razvojaocima izbor najboljeg kompromisa između potrebenog hardvera i performansi. Gemma 3 nudi napredne mogućnosti tekstualnog i vizualnog razuma, okvir konteksta od 128k-tokena i pozivanje funkcija za složenije zadatke. Uključuje i kvantizirane verzije za lakše performanse i smanjene računarske zahtjeve. Model je dio Googleove namjere koji omogućava pristup korisnim tehnologijama AI i temelji se na istraživanjima i tehnikama koje upravljaju njihovim Gemini 2.0 modelima. Gemma 3 dizajniran je da omogućava razvojaocima stvaranje aplikacija AI koji se mogu izvršavati direktno na uređajima kao što su telefone, laptopi i radne stanice. Gemma 3 isprijeda savremene performanse za svoju veličinu, pobijedivši druge model u pračuvstvenoj procjeni preferencija kao što su Llama3-405B, DeepSeek-V3 i o3-mini. Omogućava globalne primjene uz prilagođeno podržavanje za više od 35 jezika, te preobrazbe podrške za više od 140 jezika. Model omogućava stvaranje tokova AI-uređenih tokova upisujući funkcije i strukturirani izlaz. Razvoj Gemme 3 uključivao je stroga sigurnosna protokola, kao što su opsežna upravljivanje podacima, učinak sigurnosnih politika pri fine-tuningu, te robustni vrednovanje referentnih standarda. Gemma3 porodica otkrivenih modela ugledala je značajan uspjeh, uz više od 100 milijuna preuzimanja i živahnu zajednicu koja je stvorila više od 60 000 varijanata Gemma. Moći Gemme 3 čine je primjerno za razvijače koji traže stvaranje ugodnih korisničkih iskustava koji se mogu prilagoditi pojedinoj GPU ili TPU domaćin.
Razljepljivanje kriterija
- podrška multimodalnog AI-a
- razvoj fokusiran na odgovornost
- širi proces fine-tuning
- podrška 140 jezika
- poznatija performanca
- features
Agency Swarm
Otворena-source AI agent orchestration framework dizajnirana da automatisira i smanji procese razvoja AI pomoću suradničkih agenata swarm-a.
Agency Swarm je otvoreni framework temeljen na OpenAI Agents SDK-u i Responses API-u. Nudi strukturirani i proizvodni spremni okvir za kreatiranje višeagenetskih aplikacija. Glavne značajke uključuju prilagodljive uloge agenta, sposobnost rukovanja različitim modelima backend-a (primjerice OpenAI-in GPT-poričilo, Anthropic, Googleov Gemini, Azureov OpenRouter i samostvoren LiteLLM alati koji su omogučeni sa @function_tool dekoratorom (preporučeno) ili pristupom kroz Povlačenje BaseTool objekta. Glavna prednost Agency Swarm-a je stabilnost u oba okoliša Python i Linux. Instalacija je jednostavna upotrebom standardnog pip kommanda pip install agency-swarm. Opis: Agency Swarm je otvoren izvor, alat koji se temelji na SDK agenta OpenAI-ja i API za odgovore. Agency Swarm je otvoreni AI toolkit koji pomaže razvojačima da kreiraju multimeteorološke aplikacije za stvaranje AI sustava u realnome svijetu. Potencijalne Vlastite Karikate: - Automatski generirana CLI alata: Otkrijte REST API vašeg aplikacija koji omogućava laku pristup osnovnim uslugama kako bi povećali produktivnost. - Prilagodljivi agenti: Lako određujete specifične funkcije i razini dopuštenja za svaki agent, što osigurava širu kompatibilnost vaše aplikacije. - Polni Stack Izvorni Kod: Firma Swarm je polni stack za Python samo. Ako ste na Linux, mislite na njega kao na polni stack bez barijera uzrokovanih Python standardne biblioteke. Prednosti: 1. Stabilnost u Python/Linux okolinama 2. Lagan integracija u vašu aplikaciju 3. Sastavljive i lako upotrebljive naredbenice za CLI 4. Prilagođene uloge Agenta Cons: 1. Limitacije kompatibilnosti jezika Modela (Personalni chatbots: GPT-3, itd.) N/A 2. Zahtjevi razvojnog okruženja N/A 3. Limite podrške pozadinske arhitekture Modela N/A 4. Podstawna korisnička sučelja N/A 5. Mogućnosti učenja N/A 6. Integracija karakteristika N/A 7. Proces dokumentiranja N/A 8. Mogućnosti ugrađene inteligencije AI: N/A 9. Avansirana upravljanje dijaloškim tokom N/A 10. Višeslojne primjene N/A 11. Ssimultan izvršavanje N/A 12. Pristup stanju aplikacije N/A 13. Automatsko razmještanje N/A 14. Avanirane izvršavanje zadataka N/A 15. Dodatni tipovi agenata N/A 16. Podrška velikim modelima jezika N/A 17. Radi u Pythonu ↻ N/A 18. Puno nadzor N/A 19. Mjeravanje performansi N/A 20. Pristup lokalnoj radnom prostoru N/A 21. Integriranje s OpenALink: Web razvojno okruženje za aplikacije Python 22. Suradnikovanje s AI agenatima na projektu 23. Tumačenje 24. Nadzor N/A 25. Puno integriranjje kodova izvora N/A 26. Skalabilnost N/A 27. Nizko performansi N/A Protivničine stranice: - Visoke troškove implementacije zbog potrebe za nadogradnjom i integracijom različite količine podataka te različitog softvera. - Moguće komplikacije pri razvoju i održavanju integracija različitih komponenta LLM-a unutar našeg sustava.
Razljepljivanje kriterija
- Prilagodljive Uloge Agenata
- Puno Kontrola Preko Promptova/Instrukcija
- Tip-Safe Vjezde za Razvoj
- Organizirana Komunikacija Agenata
- Prilagodljiva Oprema za Sustav
- Multi-Agent Orkestracija
Mosaic AI Agent Framework
Sukob sastava alatstva namijenjen za izradu, deployiranje i evaluiranje visoko kvalitetnih AI agenta i aplikacija s RAG-om koje je Databricks razvio.
Databricksovo okvir za agenta (AAF) je skup alata pružio Databricksom za gradnju, upravljanje i vlaženje AI agenata. Ovi agenti mogu povezati se s bilo kojim alatom, bazom podataka ili SaaS aplikacijom kroz jedan, upravljani protokol (Model Context Protocol, MCP). Okvir uključuje integrirane razvoj AI aplikacija, eksperimentiranje i implementaciju u računarstvu bez servera koristeći Databricksove aplikacije bez upravljanja infrastrukturom. Agent Bricks i Unity Catalog su bitni za vladu i sigurnost; oni primjenjuju preddefinisane politike na modele, alate i konekcije dok nadzireju ograničavaju upotrebu, padne, fallbacks i druge sigurnosne mjere potrebne za spriječenje brzog zahtjeva, detekciju osjetljivih podataka i filtiranje sadržaja.
Razljepljivanje kriterija
- Agent Bricks
- Ujedinjeni katalog
- Databricks aplikacije
- Model Context Protocol (MCP)
- Centralizirana vladavina
- Kontrola korisniku po korisniku