Korábbi csata · 2026-01-03 UTC
AI Agent Development Frameworks Leszámolás — 2026. január 3.
A(z) AI Agent Development Frameworks kategóriából. 28 jelölés elhelyezve 10 versenyző között. Cerebrum: AIOS SDK szerezte meg a koronát.
Végeredmény
A felállás
A versenyzők
Minden eszköz profilja, amely ebben a csatában versenyzett, a végső pontszámuk szerint rangsorolva.
Cerebrum: AIOS SDK
Egy fejlesztésre és üzembe helyezésre szolgáló SDK a LLM-alapú agykéntek kifejlesztéséhez és üzembe helyezéséhez az AIOS keretrendszerben.
A Cerebrum egy SDK a LLM-alapú agykéntek fejlesztéséhez és üzembe helyezéséhez az AIOS (AI Agent Operating System) keretrendszerben. Az AIOS megoldja a LLM-alapú agykéntekkel kapcsolatos kihívásokat, ilyen például a tervezés, a kontextus átlépés, az emlékezet- és eszközkezelés. A Cerebrum SDK lehetővé teszi a fejlesztőknek, hogy együttműködés révén fejlesztenek és üzemeltessenek agent alkalmazásokat a AIOS-kernel segítségével. Támogatja mind a webes UI-t, mind a terminálkezelő UI-t. Az SDK tartalmaz olyan szolgáltatásokat, mint az elérhető LLM-k listázása, az agentek és az eszközök listája, valamint az agentek és eszközök letöltése, feltöltése és futtatása. A Cerebrum által kifejlesztett agentekre és fejlesztőkre tervezték, lehetővé téve számukra az intelligens agentek alkalmazásaiban és üzembe helyezésében.
Kritériumok szétosztása
- Agentfejlesztés és üzembe helyezés
- LLM-alapú agykéntkelemzés
- Webes UI és terminálkezelő UI-támogatás
- Agent- és eszközkezelés
- Elérhető LLM-ek, agentek és eszközök listája
- Agentek és eszközök letöltése és feltöltése
Awesome MCP Servers
Gondosan összeállított adatbázis a Model Context Protocol (MCP) szervereiről, amelyek kiterjesztik az AI asszisztenseket eszközökkel és adatokkal.
Awesome MCP Servers egy közösség által karbantartott lista a Model Context Protocol (MCP) szervereiről, amelyek összekapcsolják az AI asszisztenseket külső rendszerekkel. Kategóriák szerint gyűjti az implementációkat, mint adatbázisok, fájlrendszerek, fejlesztői eszközök, produktivitási alkalmazások és webszolgáltatások, megkönnyítve a modellek képességeit kibővítő integrációk felfedezését. Az erőforrás elsősorban fejlesztőknek és AI építőknek szól, akik LLM-alapú ügynököknek szeretnének valós adatokhoz és műveletekhez való hozzáférést biztosítani anélkül, hogy minden csatlakozót a semmiből kellene megírniuk. A bejegyzések általában tartalmaznak linkeket a forráskód tárolókhoz, rövid leírásokat és címkéket, amelyek segítik a felhasználókat a felhasználási eset vagy technológia szerinti szűrésben. Mivel az open‑source „awesome list” formátumot követi, a hozzájárulások a szélesebb MCP ökoszisztémából érkeznek, és a lista a protokollal együtt fejlődik.
Kritériumok szétosztása
- Gondosan összeállított lista az MCP szerver implementációkról
- Kategorizálva domain és felhasználási eset szerint
- Linkek a forráskód tárolókhoz és a dokumentációhoz
- Tartalmazza a hivatalos és közösségi szervereket
- Nyitott a közösségi hozzájárulásokra
- Referenciaként szolgál az MCP ökoszisztéma felfedezéséhez
OpenAI Codex SDK
Kód általánosított csomag, amellyel programozás segítségével és CLI vagy GitHub Akciók segítségével hozhatunk létre és vezethetünk el Kodex-ügynököket.
Az OpenAI Codex SDK egy olyan szoftverfejlesztési készlet, amely lehetővé teszi a fejlesztők számára, hogy programozás segítségével és CLI vagy GitHub Akciók segítségével integráljanak és irányítsanak Codex-ügynököket. Tükrözi az OpenAI Codex ügynökök egyéb interfészeit, beleértve a TypeScript, CLI és a GitHub Akciókat. Az SDK arra lesz tervezve, hogy rugalmas módja legyen a Codex-ügynökök különféle alkalmazásokban történő integrálásának és munkafolyamatainak kezelésének. A Codex SDK-val a fejlesztők saját ügynököket hozhatnak létre, határozhatják meg az ügynök-viselkedéseket és kezelhetik az ügynök- workflow-okat. Az SDK számos eszközt is nyújt, amelyek lehetővé teszik az ügynök teljesítményének értékelését és optimalizálását. Intended a fejlesztők számára, akik úgy akarnak, hogy alkalmazásaik kihasználják az OpenAI Codex ügynökök képességeit. A Codex SDK-nak olyan általános jellemzői vannak, amilyen például a tükrözés támogatású modell és szolgáltatók, ügynök-zsilipek és a különféle eszközökkel és szolgáltatásokkal való integráció.
Kritériumok szétosztása
- Szöveg generálás
- Kód generálás
- Kép generálás
- Hang és beszéd generálás
- Struktúrált kimenet
- Függvényhívás
BabyBeeAGI
A BabyAGI fejlett változata fejlesztett feladatkezeléssel és funkcionalitással.
BabyAGI egy kísérleti keretrendszer önmagát építő autonóm ügynökök létrehozásához. A március 2023‑ban megjelent eredeti BabyAGI evolúciójaként jött létre, amely bevezette a feladattervezést autonóm ügynökök számára. A keretrendszer egy új, „functionz” nevű függvénykeret köré épül, amely adatbázisból tárolja, kezeli és végrehajtja a függvényeket. Grafikon‑alapú struktúrát alkalmaz az importok, függő függvények és hitelesítési kulcsok nyomon követésére, valamint automatikus betöltést és átfogó naplózási lehetőségeket biztosít. A keretrendszer tartalmaz egy irányítópultot a függvények kezelésére, frissítések futtatására és naplók megtekintésére. Egyszerűségre és fejlesztői viták ösztönzésére készült, nem produkciós használatra. A fő ötlet, hogy a lehető legegyszerűbb rendszert építsük, amely képes önmagát felépíteni, ami érdekes megközelítést nyújt az autonóm ügynökök fejlesztéséhez.
Kritériumok szétosztása
- Függvényregisztráció és metaadat-kezelés
- Függőségek nyomon követése és kulcsfüggőségek
- Automatikus betöltés és naplózás
- Irányítópult a függvénykezeléshez és naplók megtekintéséhez
Gemma 3
Egy nyílt forráskódú AI modell, amelyet egyetlen GPU teljesítményére optimalizáltak, támogatja a multimodális bemeneteket és több mint 140 nyelvet.
Gemma 3 egy könnyű, csúcstechnológiás nyílt modellgyűjtemény, amelyet úgy terveztek, hogy eszközökön fusson, különösen optimalizálva az egyetlen GPU teljesítményére. Támogatja a multimodális bemeneteket és több mint 140 nyelvet. A modell különböző méretekben érhető el (1B, 4B, 12B és 27B), lehetővé téve a fejlesztők számára, hogy a hardverüknek és teljesítményigényüknek leginkább megfelelő változatot válasszák. A Gemma 3 fejlett szöveges és vizuális következtetési képességeket kínál, 128 k tokenes kontextusablakot, valamint függvényhívást összetett feladatokhoz. Emellett kvantált verziókat is tartalmaz a gyorsabb teljesítmény és az alacsonyabb számítási igény érdekében. A modell a Google elkötelezettségének része, amely a hasznos AI technológia széles körű elérhetőségét tűzte ki célul, és a Gemini 2.0 modelleket meghajtó ugyanazon kutatásokra és technológiára épül. A Gemma 3 célja, hogy a fejlesztők olyan AI alkalmazásokat hozzanak létre, amelyek közvetlenül eszközökön, például telefonokon, laptopokon és munkaállomásokon futhatnak. A Gemma 3 csúcsteljesítményű teljesítményt nyújt a méretéhez képest, és előbbre jár a Llama3-405B, a DeepSeek‑V3 és az o3‑mini modellekhez képest a kezdeti emberi preferenciák alapján végzett tesztekben. Lehetővé teszi a globális alkalmazásokat, beépített támogatással több mint 35 nyelvhez, valamint előre betanított támogatással több mint 140 nyelvhez. A modell lehetővé teszi AI‑vezérelt munkafolyamatok létrehozását függvényhívás és strukturált kimenet segítségével. A Gemma 3 fejlesztése során szigorú biztonsági protokollokat alkalmaztak, többek között kiterjedt adatgovernance-t, a biztonsági irányelvekkel való összehangolást finomhangolás útján, és alapos benchmark értékeléseket. A Gemma nyílt modellcsaládja jelentős elfogadást ért el, több mint 100 millió letöltéssel és egy élénk közösséggel, amely több mint 60 000 Gemma változatot hozott létre. A Gemma 3 képességei alkalmassá teszik a fejlesztőket, akik vonzó felhasználói élményeket szeretnének létrehozni, és amelyek egyetlen GPU vagy TPU hoszton futtathatók.
Kritériumok szétosztása
- multimodális AI támogatás
- felelősségre vonásra összpontosító fejlesztés
- átfogó finomhangolás
- több mint 140 nyelv támogatása
- javított teljesítmény
ScreenAgent
Nyílt forráskódú VLM ügynök a számítógépes GUI-k ellenőrzéséhez egér/ billentyűs rendszer tervezésével és végrehajtásával.
A ScreenAgent egy nyílt forráskódú Visual Language Model (VLM) ügynök, melyet a számítógépes GUI-k ellenőrzésére terveztek egér és billentyűs üzemeltetésével. Megengedi, hogy az ügynök interakciót bonyolítson le a valódi számítógépes képernyőkhez figyelve a képernyőkép és végrehajtja az akciókat. A projektnek egy tervezés-végrehajtás-reflexió folyamata van, amely szolgálja a több lépcsős feladatok elérését. Olyan képességeket igényel, mint a feladat tervezetes, kép értelmezés és látási pozícionálás. A ScreenAgent adatbázisának két éven keresztül történő manuális kódolását hozták létre annak támogatására, hogy az ügynök tanuljon. A projekt két alkotóeleme van: a felhasználóhoz tartozó klienst a desktop-ellenőrzéshez, az adatbázist, az inaktivitás munkásokat a következtetést és a tréningkódot. Támogatja a lényegi egér- és billentyűs üzemeltetést és alkalmazható különböző asztali operációs rendszerekre és alkalmazásokra. Az ScreenAgent megközelítése széles körben érvényes, és nem számít az adott API-kra, így rugalmas.
Kritériumok szétosztása
- Egér-és billentyűs üzemeltetés végrehajtása
- A tervezés-végrehajtás-reflexió folyamata több lépcsős feladatok eléréséhez
- Támogatás különböző desktop- operációs rendszerekre és alkalmazásokra
- A ScreenAgent adatbázisának kézi kódolása kiterjedt feladatak lefedésének biztosításához
- A VLM- ügynök a GUI felhasználásához.
AIWaves Agents
Nyílt forráskódú, adaptív LLM keretrendszer önálló nyelvi ügynökök létrehozásához, képzéséhez és telepítéséhez.
Az AIWaves Agents egy nyílt forráskódú, adaptív LLM keretrendszer autonóm nyelvi ügynökök létrehozásához, tanításához és telepítéséhez. A 2.0-ás Agents frissítés támogatást adott az ügynök tanulási és értékelési lehetőségeihez szimbolikus tanulás révén, egy átfogó keretrendszerhez, amelyet a neurális hálózatok tanításához hasonlóan ihletett. Ez a keretrendszer lehetővé teszi a nyelvi ügynökök tanítását az ügynökcsövek és a neurális hálózatok számítási gráfjai közötti analógiák felhasználásával. A keretrendszer úgy működik, hogy először végrehajt egy ügynököt, és elmenti a trajectóriáját, ideértve a bemeneteket, kimeneteket, promptyokat és az eszközhasználatot. Ezt követően a nyelven alapuló veszteségfüggvény segítségével értékelje a kimenetet, visszaterjeszti a veszteséget a nyelvi gradiensek kiszámításához, és ennek megfelelően frissíti az ügynök szimbolikus összetevőit. Ez a folyamat lehetővé teszi az ügynökök számára, hogy tanuljanak és alkalmazkodjanak az idő múlásával. Az Agents 2.0 támogatja a multi-ügynökrendszerek optimalizálását is, azáltal, hogy a csomópontokat különböző ügynökként kezelheti, vagy lehetővé teszi, hogy több ügynök működjön egyetlen csomóponton belül. A keretrendszer flexibilis és bővíthető, támogatva a különböző alkalmazásokat és kutatási irányokat. A projekt telepítési útmutatót tartalmaz, beleértve a Git-tárolóból vagy helyi fejlesztéshez történő telepítési lehetőségeket. Emellett hivatkozásokat is tartalmaz a kapcsolódó kutatási cikkekre. A keretrendszer erőssége az innovatív megközelítésben rejlik a szoftverügynök tanulásában, illetve abban, hogy elősegíti az autonóm nyelvi ügynökök kutatásának fejlődését. Ugyanakkor bonyolultsága és az óvatosan megtervezett prompt pipeline-okra való támaszkodása kihívást jelenthet a felhasználók számára.
Kritériumok szétosztása
- Önálló nyelvi ügynökök támogatása
- Nyelvi ügynökök képzése
- Nyelvi ügynökök telepítése
- Önműködő ügynökök lehetővé tétele
Claude MCP Agents
A gyors és folyamatos eszközök és adatforrások integrálásához épülő AI ügynökök az Anthropic MCP-en.
A Claude MCP Agents olyan AI ügynökök, amelyek az Anthropic Model Context Protocol (MCP) használatával kapcsolódnak széles körű külső adatforrásokhoz, API-khoz és fejlesztői eszközökhöz. A kontextus áramlásának szabványosításával a Claude és a külső rendszerek között ezek az ügynökök képesek fájlokat olvasni, adatbázisokat lekérdezni, szolgáltatásokat meghívni és valós idejű információk alapján cselekedni anélkül, hogy minden forráshoz egyedi integrációra lenne szükség. A megközelítés fejlesztőknek és csapatoknak szól, akik automatizálást, kutatóasszisztenseket és workflow-ügynököket hoznak létre, amelyek megbízható hozzáférést igényelnek vállalati vagy személyes adatokhoz. Az MCP nyílt specifikációja azt jelenti, hogy ugyanaz az ügynök csatlakozhat új eszközökhöz, amint azok megjelennek, csökkentve a bezáródást és az integrációs terhelést.
Kritériumok szétosztása
- Model Context Protocol integrálás
- Csatlakozik fájloknak, API-knak és adatbázisoknak
- Kiterjeszthető a custom MCP szerverek használatával
- Támogatja az agencius, több lépéses workflow-okat
- Kompatibilis a Claude model családval
- Nyitott szabvány az egymás iránti kompatibilitás érdekében
BabyCatAGI
Könnyűsúlyú autonóm AI ügynök keretrendszer a feladatautomatizálás egyszerűsítéséhez
BabyCatAGI egy egyszerűsített, módosított verziója a BabyAGI-nak, amely autonóm AI ügynökök segítségével képes összetett feladatok kezelésére. Felbontja a magas szintű célokat kezelhető részfeladatokra, sorban végrehajtja őket, és a köztes eredmények alapján módosítja a tervet, így kutatásra, tartalomkészítésre és többlépcsős problémamegoldásra is alkalmas. A keretrendszer a minimális kódmennyiségre és az olvashatóságra helyezi a hangsúlyt, így könnyen hozzáférhető a fejlesztők számára, akik ügynök‑alapú AI-t szeretnének kísérletezni anélkül, hogy nagyobb orkestrációs könyvtárak terhét viselnék. Integrálja a nyelvi modelleket és webes keresőeszközöket a kontextusgyűjtéshez, a problémák megfontolásához és a strukturált kimenetek előállításához. Kísérleti nyílt forráskódú projektként a BabyCatAGI leginkább prototípus ügynök‑munkafolyamatokhoz, a feladat‑vezérelt autonóm rendszerek működésének megismeréséhez és egyedi automatizálási igényekhez való pipeline‑testreszabáshoz alkalmas.
Kritériumok szétosztása
- Feladatlista létrehozása és priorizálása
- Autonóm részfeladat végrehajtás
- Webes keresés integráció a kontextushoz
- Soros gondolkodási munkafolyamat
- Könnyűsúlyú Python implementáció
- Testreszabható célok és promptok
BabyDeerAGI
Egy letisztult AI ügynöki keretrendszer, amely párhuzamos feladatvégrehajtást tesz lehetővé a hatékonyság növelése érdekében.
BabyDeerAGI egy letisztult AI ügynöki keretrendszer, amelyet a párhuzamos feladatvégrehajtás lehetővé tételével a hatékonyság növelése érdekében terveztek. A célcsoport fejlesztők és kutatók, akik optimalizálni szeretnék AI munkafolyamataikat. Több feladat egyidejű futtatásával a BabyDeerAGI jelentősen csökkentheti a teljes feldolgozási időt. A keretrendszer rugalmasságra épül, támogatva különböző AI modellekkel és eszközökkel való integrációt. Azonban a képességeiről és korlátairól a rendelkezésre álló források nem tartalmaznak részletes dokumentációt.
Kritériumok szétosztása
- Párhuzamos feladatvégrehajtás
- Rugalmas integráció AI modellekkel
- Letisztult AI ügynöki keretrendszer
- Párhuzamos feldolgozás támogatása