წარსული ბრძოლა · 2024-07-19 UTC
AI Agent Development Frameworks შერკინება — 19 ივლისი, 2024
AI Agent Development Frameworks კატეგორიიდან. 22 ნიშნები განთავსებული 7 მებრძოლზე. kagent-მა აიღო გვირგვინი.
საბოლოო შედეგები
შემადგენლობა
მებრძოლები
ამ ბრძოლაში მონაწილე ყველა ხელსაწყოს პროფილი, დალაგებული მათი საბოლოო ქულის მიხედვით.
kagent
გათავისუფლებული კოდის ჩარჩო, რომელიც საშუალებას აძლევს AI აგენტებს Kubernetes ოპერაციების ავტომატიზირებას.
Kagent საშუალებას აძლევს AI agents-ებს Kubernetes ოპერაციების ავტომატიზაციისთვის. ის საშუალებას აძლევს agents-ებს განთავსდეს, მონიტორინგი გაუკეთდეს და მართოს, გამოყენებით ცნობილი Kubernetes ხელსაწყოების. kagent აყენებს აგენტებს Kubernetes-ზე პირველი კლასის სამუშაოს, რაც მათ საშუალებას აძლევს იყოს ვერსიირებული Kubernetes Custom Resource Definitions (CRDs)-ებად და მიმოხილული pull requests-ებში. ეს მიდგომა საშუალებას გაძლევთ გამოიყენოთ არსებული Kubernetes ინსტრუმენტები აგენტების მართვისთვის. ფრემვორთი ღია წყაროა და შექმნილია Istio-ის შემქმნელების მიერ. იგი მხარს უჭერს მრავალ ენებისა და ფრემვორთების კომბინაციას, მათ შორის Go-ს და Python-ს, და საშუალებას აძლევს ნებისმიერი დიდი ენის მოდელის (LLM) პროვაიდერის გამოყენება. kagent უზრუნველყოფს მძლავრი უსაფრთხოების და თვალთვალის შესაძლებლობებს, მათ შორის OpenTelemetry ტრეკინგის, Prometheus მეტრიკების და სტრუქტურირებული ჟურნალების. ის ასევე მხარს უჭერს მრავალ-რანთაიმის მხარდაჭერას, agent-to-agent კომუნიკაციას და Git რეპოზიტორებიდან ცოდნის ჩატვირთვის შესაძლებლობას. საერთო ჯამში, kagent უზრუნველყოფს ძლიერ და მოქნილ ჩარჩოს Kubernetes ოპერაციების ავტომატიზაციისთვის AI agents-ით.
კრიტერიუმების დაყოფა
- Agent Substrate სწრაფი გაშვების და ეფექტური რესურსის გამოყენებისთვის
- Zero-trust მზად mTLS‑სა და დეტალური RBAC‑ს
- სამუდამო ვექტორთა მეხსიერება გრძელვადიანი მეხსიერებისთვის
- მនុស្ស‑შორისი ხელსაწყოების დამტკიცების კედლები და აგენტის მიერ ინიციირებული შეკითხვები
- Agent‑to‑agent (A2A) დელეგაცია მრავალ‑აგენტის სამუშაო ნაკადების შექმნისთვის
BabyCatAGI
სწრაფი, თვითმმართველი AI აგენტის ჩარჩო, რომელიც ოცდების ავტომატიზაციას გაამარტივებს
BabyCatAGI არის BabyAGI‑დან გამარტივებული, შეცვლილი ვერსია, რომელიც შექმნილია რთული დავალებების თვითონ მმართველი AI აგენტებით განსახორციელებლად. ის მაღალი დონიან მიზნებს მართვად ქვეწანებად გაჭრიბება, მათ თანმიმდევრობით შეასრულებს და თავის გეგმა ცვლის საშუალო შედეგებზე დაყრდნობით, რაც მას შესაფერისს ხდის კვლევისთვის, შინაარსის გენერირებისთვის და მრავალფაზიანი პრობლემის გადაწყვეტისთვის. ჩარჩო პრიორიტეტს აყენებს მინიმალურ კოდსა და წაკითხვადობას, რაც მას ხელმისაწვდომს ხდის შემქმნელებისთვის, ვისაც სურს აგენტური AI‑ს ექსპერიმენტირება, დიდი ორკესტრაციის ბიბლიოთეკების ზედმეტი დატვირთვის გარეშე. ის ინტეგრირებულია ენობრივი მოდელებთან და ვებ ძიების ხელსაწყოებთან კონტექსტის შეგროვებისთვის, პრობლემებზე გაარკვევისთვის და სტრუქტურირებული გამოტანის წარმოებისთვის. როგორც ღია ექსპერიმენტული პროექტის სახით, BabyCatAGI საუკეთესოა აგენტების სამუშაო პროცესების პროტოტიპირებისთვის, დავალებებზე დაფუძნებული ავტონომიური სისტემების მუშაობის შესწავლისთვის და სპეციფიკური ავტომატიზაციის საჭიროებებისათვის ნაკვეთის მორგებისთვის.
კრიტერიუმების დაყოფა
- ამოცანის სიის შექმნა და პრიორიტიზაცია
- ავტონომიური ქვეპროგრამების შესრულება
- ვებ ძიების ინტეგრირება კონტექსტისთვის
- შეუკვეთიანი აზროვნება სამუშაო ნაკადში
- სწრაფი Python იმპლემენტაცია
- პერსონალიზირებადი მიზნები და პრომპტები
MCP‑Use
ღია-წყაროს პლატფორმა LLM-ების MCP სერვერთან დაკავშირებისთვის და მორგებული AI აგენტების შექმნისთვის, რომლებიც ინსტრუმენტების წვდომას უზრუნველყოფს.
mcp-use არის ღია წყაროს პლატფორმა, რომელიც გაძლიერებს Large Language Models (LLMs)-ის MCP სერვერებთან კავშირს და საშუალებას აძლევს მომხმარებლის AI აგენტებს, რომლებიც ეს LLM‑ებთან ურთიერთობენ, შექმნას. პლატფორმა უზრუნველყოფს სრული MCP‑ფრეიმვორვერს (mcp-use SDK), რომელიც გამოიყენება ChatGPT‑აპლიკაციების, Claude‑კონექტორების და MCP‑სერვერების შესაქმნელად. mcp‑Use-ით, დეველოპერებს შეუძლიათ ერთი კოდექსის ბაზის გამოყენება მათი აპლიკაციების განთავსებისთვის სხვადასხვა პლატფორმებზე, სადაც მომხმარებლები და აგენტები უკვე მუშაობენ, მათ შორის ChatGPT, Claude და Gemini. პლატფორმა მოიცავს სხვადასხვა ხელსაწყოსა და ფუნქციას, მაგალითად, MCP აპლიკაციების scaffold‑ის შესაძლებლობა ერთი ბრძანებით, Manufact Cloud-ზე ავტომატური განთავსება და ჩაშენებული analytics და observability. მცდეველებმა შეგიძლიათ გამოიყენონ mcp-use SDK MCP‑ სერვერებისა და აპლიკაციების შექმნაში და გაშვებაში, დამატებითი ხელსაწყოების გარეშე. პლატფორმა ასევე უზრუნველყოფს Visual Inspector- ის და Sandbox- ის ტესტირების შესაძლებლობებს, რაც საშუალებას აძლევს დეველოპერებს შეამოწმონ მათი აპლიკაციები პირდაპირ LLM‑ის გარეშე. mcp-use მიზნად ისახავს MCP‑ზე დაფუძნებული აპლიკაციების განვითარების და განთავსების გაადვილებას, რაც მას მიმზიდველ არჩევანს ხდის დეველოპერებისთვის, რომლებიც სპეციალური AI აგენტები და აპლიკაციები აწყობენ და განთავსებენ.
კრიტერიუმების დაყოფა
- MCP სერვერის მართვა
- LLM-ების კავშირი და ინტეგრაცია
- მორგებული AI აგენტის განვითარება
- ავტომატიზირებული განლაგება და მასშტაბურობა
- ვიზუალური ინსპექტორი და Sandbox‑ის ტესტირება
- ჩაშენებული ანალიტიკა და დაკვირვება
Claude MCP Agents
AI აგენტები, შექმნილი Anthropic‑ის MCP‑ზე, რომელიც უზრუნველყოფს ხელსაწყოებისა და მონაცემთა შეუთავსებელ ინტეგრაციას.
Claude MCP Agents – ეს AI‑მოთვლეები არიან, რომლებიც იყენებს Anthropic-ის Model Context Protocol (MCP)-ს, რათა მიერთება მიიღონ სხვადასხვა გარე მონაცემთა წყაროებთან, API-ებთან და განვითარების ინსტრუმენტებთან. სტანდარტიზირებით, თუ როგორ იმტანება კონტექსტი Claude-სა და გარე სისტემებს შორის, ეს აგენტები შეუძლიათ ფაილების წაკითხვა, მონაცემთა ბაზების მოთხოვნა, სერვისების გამოძახება და რეალურ დროში ინფორმაციის მიღება, არ საჭიროებულ სპეციალურ ინტეგრაციებს თითოეული წყაროსთვის. მხატვარი მიდგომა მიმართულია დამხმარე პროგრამისტებისა და გუნდებისთვის, რომლებიც ავტომატიზაციის, კვლევითი ასისტენტებისა და სამუშაო ნაკადის აგენტების შექმნაზე მუშაობენ, რომელთაც საჭიროა საიმედო წვდომა ორგანიზაციის ან პირადი მონაცემებთან. MCP-ის ღია სპეციფიკაცია ნიშნავს, რომ იგივე აგენტი შეგიძლიათ შეერთოთ ახალ ხელსაწყოებთან, როგორც შეიქმნება ახალი კონექტორები, რაც შეამცირებს დაბლოკვის და ინტეგრაციის ზედმიწევნებს.
კრიტერიუმების დაყოფა
- Model Context Protocol ინტეგრაცია
- შეერთება ფაილებთან, API‑ებთან და მონაცემთა ბაზებთან
- გაფართოება მორგებულ MCP სერვერებით
- მხρίζει აგენტური, მრავალეტაპიანი სამუშაო ნაკადები
- შესაბამება Claude მოდელების ოჯახს
- ღია სტანდარტი ურთიერთშევიარცყოფისთვის
Gemma 3
ღია კოდის AI მოდელი, ოპტიმიზირებულია ერთ-GPU შესრულებაზე, მრავალმოდალურ შეყვანასა და 140-ზე მეტი ენაზე მხარდაჭერით.
Gemma 3 არის მსუბუქ, უახლეს ტექნოლოგიებზე დაფუძნებული ღია მოდელთა კოლექცია, რომელიც ოპტიმიზირებულია მოწყობილობებზე მუშაობისათვის, განსაკუთრებით ერთ GPU‑ის შესრულებაზე. იგი მხარს უჭერს multimodal შემოტვებს და 140-ზე მეტი ენას. მოდელს არსებობს მრავალ ზომაში (1B, 4B, 12B და 27B), რაც დეველოპერებს საშუალებას აძლევს აირჩიონ თავიანთი აპარატურასთან და შესრულების მოთხოვნებთან ყველაზე შესაფერისი ვარიანტი. Gemma 3-ს აქვს განვითარებული ტექსტის და ვიზუალური რეზონანსის შესაძლებლობები, 128k-token კონტექსტის ფანჯარა და function calling კომპლექსური დავალებების შესრულებისთვის. ასევე შედის quantized ვერსიები სწრაფ შესრულებისთვის და შემცირებულ კომპიუტერულ მოთხოვნებზე. მოდელი არის Google-ის იმის, რომ AI‑ტექნოლოგია იყოს სარგებლიანი და ხელმისაწვდომი, და აგებულია იმავე კვლევებზე და ტექნოლოგიაზე, რომელიც აახლდება მათი Gemini 2.0 მოდელებზე. Gemma 3‑ის მიზანია დეველოპერებს დაეხმაროს AI აპლიკაციების შექმნაში, რომლებიც პირდაპირ მუშაობენ მოწყობილებებზე, მაგალითად ტელეფონებზე, ლეპტოპებზე და სამუშაო სტაციების-ზე. Gemma 3 თავის ზომის მიხედვით იძლევა თანამედროვე შესრულებას, რაც გადამწყვეტად გადაატარა სხვა მოდელებს, როგორებიცაა Llama3-405B, DeepSeek‑V3 და o3‑mini, თავდაპირველი ადამიანური პრეფერენციის შეფასებების მიხედვით. იგი ხელს უწყობს გლობალურ აპლიკაციებს, აქვს out‑of‑the‑box მხარდაჭერა 35-ზე მეტი ენისთვის და წინაპრევიულად ტრენირებული მხარდაჭერა 140-ზე მეტი ენისთვის. მოდელი საშუალებას იძლევა AI‑ზე დაფუძნებული სამუშაო ნაკადების შექმნა function calling და structured output-ის გამოყენებით. Gemma 3‑ის განვითარების პროცესში დაინერგეს მკაცრი უსაფრთხოების პროტოკოლები, როგორიცაა ფართომზოგიანი მონაცემთა მართვა, უსაფრთხოების პოლიტიკებთან დასინქრონება ფაინ‑ტუნინგის საშუალებით, და მძლავრი ბენჩმარკის შეფასებები. Gemma-ის ღია მოდელთა ოჯახმა მნიშვნელოვანი მიმოტვირთვა დაინახა — გადმოწერილია 100 მილიონზე მეტი, ხოლო ცოცხალი საზოგადოება შექმნა 60 000-ზე მეტი Gemma-ვარიანტი. Gemma 3-ის შესაძლებლობები მას შესაფერისად აკეთებენ დეველოპერებისთვის, ვინც ეძում են შემოქმედებით მომხმარებლის გამოცდილება, რომელიც შეიძლება იყოს ერთერთი GPU ან TPU ჰოსტზე.
კრიტერიუმების დაყოფა
- მრავალმოდალური AI მხარდაჭერა
- პასუხისმგებლობითა მიმართული განვითარება
- გამრავლებული ფაინ-ტუნინგი
- 140-ზე მეტი ენის მხარდაჭერა
- გაუმჯობესებული შესრულება
Agency Swarm
ღია წყაროების AI აგენტის ორკესტრაციის ფრეიმვორკი, რომელიც დაპროგრამების AI პროცესების ავტომატიზაციისა და სტრიმლაინინგისთვის კოლაბორატიული აგენტების როის საშუალებას იძლევა.
Agency Swarm არის ღია წყაროს ფრეიმვორკი, რომელიც ეყრდნობა OpenAI Agents SDK-სა და Responses API-ს. ის სთავაზობს სტრუქტურირებულ და წარმოებისთვის მომზადებულ გარემოს მრავალი აგენტის აპლიკაციების შესაქმნელად. მთავარ ფუნქციებს შორისაა კუსტომიზირებადი აგენტის როლები, სხვადასხვა მოდელის ბექენდების მანიპულირების შესაძლებლობა (მაგ. OpenAI-ს GPT-ოჯახის მოდელები, Anthropic, Google-ს Gemini, Azure-ს OpenRouter და თვითშექმნილი LiteLLM ინსტრუმენტები, @function_tool დეკორატორით (რეკომენდებული) ან საფუძვლის BaseTool ობიექტის გაფართოებით. Agency Swarm-ის არქიტექტურის ერთ-ერთი მთავარი უპირატესობა არის მისი სტაბილურობა როგორც Python, ისე Linux-ის გარემოში. ინსტალაცია მარტივია სტანდარტული pip-ის ბრძანებით pip install agency-swarm. აღწერა: Agency Swarm არის ღია კოდის ინსტრუმენტი, რომელიც OpenAI Agents SDK-სა და Responses API-ზე მუშაობს. Agency Swarm არის ღია წყაროს AI ინსტრუმენტული კომპლექტი, რომელიც დეველოპერებს ეხმარება შექმნან მრავალაგენტიანი აპლიკაციები რეალური მსოფლიოს AI განვითარებისთვის. მთავარი მახასიათებლები: - ავტომატურად გენერირებული CLI ინსტრუმენტები: აღმოაჩინეთ თქვენი აპლიკაციის REST API, რათა მასზე ერთი კლიკით გაიაროთ მთავარ სერვისებზე და გაზარდოთ პროდუქტიულობა. - კასტომიზირებადი აგენტის როლები: თქვენ შეგიძლიათ ადვილად მიუთითოთ კონკრეტული ფუნქციები და უფლებამოსილების დონე თითოეული აგენტის როლისთვის, რაც გაზრდის თქვენი აპლიკაციის კასტომიზაციის შესაძლებლობას. - სრული სტეკის იმპლემენტაცია: Agency Swarm არის მხოლოდ Python-ისთვის განკუთვნილი სრული სტეკი. თუ თქვენ იყენებთ Linux-ს, მას შეგიძლიათ წარმოიდგინოთ, როგორც სტეკის იმპლემენტაციას პითონის სტანდარტული ბიბლიოთეკის გარეშე. უპირატესობები: 1. სტაბილურობა Python/Linux გარემოში; 2. ადვილი ინტეგრაცია თქვენი აპლიკაციისთან; 3. შედგენითი და ადვილად გამოსაყენებელი CLI ინსტრუმენტები; 4. კუსტომ აგენტის როლები ნაკლი: 1. ენის მოდელის შესაბამისობის შეზღუდვები (პირადი ჩატ-ბოტები: GPT-3 და ა.შ.) არ არის; 2. განვითარების გარემოს მოთხოვნები არ არის; 3. შეზღუდული მოდელის ბექენდის მხარდაჭერა არ არის; 4. ძირითადი მომხმარებლის ინტერფეისი არ არის; 5. სწავლის შესაძლებლობები არ არის; 6. ფუნქციის ინტეგრაცია არ არის; 7. დოკუმენტაციის პროცესი არ არის; 8. გამოთვლითი მანქანის სწავლების AI შესაძლებლობები: არ არის; 9. განვითარებული დიალოგის მიმდინარეობის მართვა არ არის; 10. მრავალშრიანი აპლიკაციები არ არის; 11. ერთდროული შესრულება არ არის; 12. წვდომა აპლიკაციის მდგომარეობაზე არ არის; 13. ავტომატური დეპლოიმენტი არ არის; 14. განვითარებული ამოცანის შესრულება არ არის; 15. ინდივიდუალური აგენტის ტიპები არ არის; 16. დიდი ენის მოდელის მხარდაჭერა არ არის; 17. მუშაობს Python-ში ↻ არ არის; 18. სრული კონტროლი არ არის; 19. შესრულების შეფასება არ არის; 20. ლოკალური სამუშაო სივრცეების შეთავაზება არ არის; 21. ინტეგრაცია OpenALink-თან: Python აპლიკაციების ვებ-განვითარების ფრეიმვორკი; 22. თანამშრომლობა AI აგენტებთან პროექტზე; 23. ინტერპრეტირებადობა; 24. მონიტორინგი არ არის; 25. სრული წყარო კოდის ინტეგრაცია არ არის; 26. მასშტაბირებადობა არ არის; 27. დაბალი შესრულება არ არის კუთხეები:
კრიტერიუმების დაყოფა
- კუსტომიზირებადი აგენტის როლები
- სრული კონტროლი პრომპტებზე/ინსტრუქციებზე
- ტიპ-უსაფეთქებელი ინსტრუმენტები განვითარებისთვის
- ორკესტრირებული აგენტის კომუნიკაცია
- მოქნისველი მდგომარეობის შენახვა
- მულტი-აგენტის ორკესტრაცია
Mosaic AI Agent Framework
Databricks-მა შემმუშავებელი ინსტრუმენტების კომპლექტი AI აგენტებისა და RAG აპლიკაციების აგებისთვის, გაშვებისთვის და შეფასებისთვის
Databricks Agent Framework (AAF) არის Databricks-ის მიერ მოწოდებული ხელსაწყოების კრებული, რომელიც გამოიყენება AI აგენტების შექმნისთვის, განთავსებისთვის და მართვისთვის. ამ აგენტებს შეუძლიათ ნებისმიერ ხელსაწყოში, მონაცემთა ბაზაში ან SaaS აპლიკაციაში ერთი, მართვადი პროტოკოლით (Model Context Protocol, MCP) დაკავშირება. Framework-ი შეიცავს ინტეგრირებულ AI-განვითარებას, ექსპერიმენტირებას და serverless computing‑ში დანერგვას Databricks Apps-ით, ინფრასტრუქტურის მართვის გარეშე. Agent Bricks და Unity Catalog აუცილებელია მართვისა და უსაფრთხოებისთვის; ისინი წინასწარ განსაზღვრული პოლიტიკებს მოდელებზე, ხელსაწყოებზე და შეერთებებზე გადატარებენ, ასევე ვატარებენ რაოდენობრივი ლიმიტებს, fallback‑ებს და სხვა დაცვის ზომებს, რომლებიც საჭიროებს prompt injection‑ის თავიდან ასაცილებლად, მგრძნობიარე მონაცემების აღმოჩენისთვის და კონტენტის ფილტვებისთვის.
კრიტერიუმების დაყოფა
- Agent Bricks
- Unity Catalog
- Databricks Apps
- Model Context Protocol (MCP)
- ცენტრალური მართვა
- პირადი მომხმარებლის კონტროლი