Praeita kova · 2026-01-03 UTC
AI Agent Development Frameworks Susirėmimas — 2026 m. sausio 3 d.
Iš AI Agent Development Frameworks kategorijos. 28 įvertinimai pateikti tarp 10 kovotojų. Cerebrum: AIOS SDK laimėjo vainiką.
Galutiniai rezultatai
Dalyviai
Kovotojai
Kiekvieno šioje kovoje dalyvavusio įrankio profiliai, surikiuoti pagal galutinį rezultatą.
Cerebrum: AIOS SDK
SDK užklausų LLM-baziniams AI agentams sukuriamui ir deployment į AIOS sąranką.
Cerebrum - tai SDK užklausims LLM-baziniams AI agentams sukuriamui ir deployment į AIOS (AI Agent Operating System) sąranką. AIOS adresuoja įškasenus istorijas, pvz., dalių tvarkymą, konteksto keitimą, atminties valdymą ir priemonių valdymą LLM-baziniems agentams. Cerebrum SDK leidžia kūrėjams sugebėti būti agentų aplikacijų būsena bei vykdymas perinteryndamas AIOS sąranką. Šis SDK palaiko ir Web UI bei Terminal UI. SDK taip pat iškviečia sąnašų parinkimai LLM, agentams bei priemonėms, bei priklausomumo agentų ir priemonių parsisiuntimui bei parsisiuntimui bei vykdymui. Cerebrum sukuramas agentų vartotojams bei kūrėjams, leidžia juos sukurti bei įgyti AI agentų aplikacijas.
Kriterijų išskirstymas
- Agentų kūrimas ir deployment
- LLM-bazinių agentų valdymas
- Web UI bei Terminal UI palaikymas
- Agentų bei priemonių valdymas
- Prašoma sąnašų parinkimai LLM, agentams bei priemonėms
- Agentų bei priemonių parsisiuntimai bei parsisiuntimai bei vykdymai
Awesome MCP Servers
Šališka Modelio Konteksto Protokolo serverių katalogas, skirtas padidinti AI asistentų galių ir su tuo susijusių įrangos integracijomis.
MCP serveriai Awesome MCP Serveris - taikoma bendruomenės tvarkomas MCP serverių sąrašas, kurių naudojasi įvairūs artimajai intelektui pagalbą kurdami kontaktus su išorinėmis sistema. Ši sąrašas įtraukia įgyvendinimus įvairiose kategorijose kaip kad duomenų bazės, failų sistemos, vartotojo programuojamųjų priemonių, produktivumo taikomųjų priemonių ir interneto paslaugų, suteikiant prielaidas žinoti, kad ar gali būti atliekami priklausomi išsiuntos, kurių naudojimasis gali padidinti taikomo modelių galimybes. Šio žaliavos tikslas - daugiau kokybiškiems programuotojams ir AI kūrėjams, kurie norėtų suteikti LLM-pažymio agentams prieiga prie realaus pasaulyje gyvenančių duomenų ir veiksmų, neatliekančiems visus nuoroščius nuo nuliui. Įrašai paprastai apibrėžia nuorodas į šaltinių repozitorius, trumpas aprašymus bei etiketas, kurios pagalbą naudotojams sudaro filtroje pateikti pagal naudojimą ar technologiją. Dėl to, kad išliekia atviro kodo "žemeiškos sąrašo" formatą, kontributionai atsiranda iš pločiau MCP ekosistemos, ir sąrašas kinta kartu su protokolu save.
Kriterijų išskirstymas
- Įvertinto MCP serverių ir pasiekėjų sąrašas
- Kategorizuota ir sistemai suderinta pagal jų domeną bei naudojimo uždaviniu
- Nuorodos prie šaltinių repozitorijose ir dokumentų
- Šiame kataloge saugomi oficialūs bei bendruomeniškai atlikti serverių pasiekėjai
- Bendruomenės prisidėjimu pasiversta MCP serverių sąrašo kūrimas
- Įžvalgumas MCP ekosistemos tyrimams
OpenAI Codex SDK
SDK, kuris leidžia įsivaizduoti ir valdyti Codex agentus programingai per TypeScript, CLI arba GitHub Actions.
OpenAI Codex SDK yra programinės sąsajos tinklo, kuris leidžia kūrėjams įsivaizduoti ir valdyti Codex agentus programingai. Tai palaiko kelias sąsajas, tokius kaip TypeScript, CLI bei GitHub Actions. SDK yra suprojektuotas kontroliuoti agentų programingą įvairiems projektams bei procesams. Naudojant Codex SDK, kūrėjai gali sukurti individualius agentus, uždefininti agentų elgesį ir valdyti agentų sąrašus. SDK taip pat teikia priemonės, kurios leidžia įvertinti ir optimalizuoti agentų veiklą. Jis nulemtas taikytis kūrėjams, kurie nori sukurti priemonės, kurios išnaudoja abišalius agentų galimybes. SDK teikia kelių požymių rinkinį, tokius kaip parėmimas daugeliui modelių bei tiekėjų, agentų sandboxing ir integravimo priemonių su įvairiais žiniatinklio tooliais ir tarnybomis.
Kriterijų išskirstymas
- Teksto generavimas
- Kodo generavimas
- Nuotraukų generavimas
- Garsų ar kalbos generavimas
- Struktūrinis išėjimas
- Funkcijų sijavimas
BabyBeeAGI
Skaistausi BabyAGI versija su užimtimi užduočių valdymu ir funkcionalumo papildymais.
BabyBeeAGI yra eksperimentinis maršrutavimo frameworkas, skirtas kūrime laisvių autoritetinių agentų. Tai sukurta kaip tęsinys iš pradžial iš 2023 m., kuris įvesta užduočių planavimą laisvių autoritetinių agentų. Pasitelkę naujausią 'functionz' funkcijų struktūrą, kurioje saugoma, valdoma ir vykdoma funkcijos iš bazės duomenų bazėje, bei užduočių, priklausomų funkcijų ir autentifikacijos slapties trakinimas grafine struktūra, kartu su automatišku įklimpa ir visapusiškomis registruotimo galimybėmis. Frameworke taip pat gaus daugiafunkcios lentelė laisvių autoritetinių agentų valdymui ir užtikrinkime funkciju koreliavimo, taip pat funkcijų, atnaujinimų ir logų peržiūros funkcionalumus. Projekto kūrėjuose siekiama sukurti tas nors geresnę funkcionalumą, kuri gali užtiktikėti kitus kurti laisvus autoritetinius agentus.
Kriterijų išskirstymas
- Veiklos registracija ir metadatu valdymas
- Priklausomųjų funkjsoniams trakimasis ir svarbiausios priklausomumos
- automatiškas įklimpimas ir registruotymas
- Lentelė laisvių autoritetinių agentų valdymui ir logų peržiūrai
Gemma 3
Atviras skaičiavimo modelis, specialiai optimizuotas vieno-GPU atliekamumo, remiantis keičiamomis įvestimis ir virš 140 kalbų.
Gemma 3 yra kolekcija lengvų, aukštos technologijos atvirų modelių, kurie gali būti paleisti įrenginiuose, ypatingai suderinti vieno GPU atliktiems uždaviniams. Ji palaiko daugialypio įėjimų ir virš 140 kalbų. Modelis yra gautas įvairių dydžių (1B, 4B, 12B ir 27B), taip leidžiant kūrėjams pasirinkti geriausią atitikimą savo įrenginių ir bei atlikti uždavinio reikalavimams. Gemma 3 siūlo papildomų tekstų ir vaizdų priežodžių galią, 128k-tokeno konteksto langą bei funkcijos apieškinimą kompleksiems uždaviniams. Taip pat ji yra įskaityta versijų, padeda greitesniems atliktiems performanciam ir sumažintiems skaičiuosiuos reikalavimams. Šis modelis yra dalis Google įsipareigojimo padėti prieinamiems ir naudingiems AI taiklomis, ir siekia atnaujinti tos pačios mokslo bei technologijos, kuria parengti Geminio 2.0 modeliai. Gemma 3 yra suprojektuota leist vietoje kūrėjams sukurti AI taiklą, kuris gali būti paleistas tiesiai įrenginiuose, tokiuose kaip telefonai, kompiuterių, bei darbuviuose stalą. Gemma 3 tiesiogiai užbauna aukščiausiąją performanciją savo dydžiui, prilygojusi kitoms modeliams, kaip Llama3-405B, DeepSeek-V3 ir o3-mini, preliminariaisiais žmogiškiuiais paklusnumo įvertinimais. Ji leidžia globalines paskirties programos tiesiogiai nuo įrankių, su parametrais iš sąrašo paremtas darbas virš 35 kalbų ir pripraesta parametrinis palaikymas virš 140 kalbų. Programa leidžia sukurti funkcijų sąlygas ir struktūrines išvesties parametrines programos, naudojantis ją, aparatinių programų kūrimui. Sukuriant Gemma 3, buvo pasitelktos rigingos saugumo protocols, tokiuose kaip platus duomenų valdymas, saugumo politika prijungimo fine-tuningas, bei stiprus benchmarko įvertinimai. Gemma pagrindinės atviro kodo modelio šeima išlaiko rimtą pasklidimą, su virš 100 mln. atspausdinimų ir gyvu komandomis, kurios sukūrė daugiau nei 60 000 unikalių Gemma variantų. Gemma 3 priemonės padeda tai, kad ji patenka tinkamus programėžių kūrėjams, kurie nori sukurti trąškingas naudotojo patirtį, kuris gali atrodyti vieno GPU arba TPU hosto.
Kriterijų išskirstymas
- Šalies modelių palaika
- Švarumo užsikčių išklausymas
- Šalies modelių ištobulėjimas
- Virš 140 kalbų palaikymas
- Atliekamumo padidėjimas
ScreenAgent
Atviroji-VLJ agentas, kontroliuojantis kompiuterio GUI per mygtukų ir klaviatūros planavimą ir vykdymą.
ScreenAgent yra atvirojo kodo Visual Language Model (VLM) agentas, kuris sukurtas kontroliuoti kompiuterio GUI naudojantis mygtukų ir klaviatūros veiksmais. Tai leidžia interagavimą su realių kompiuterių ekranais per ekrano nuotraukų tyrimą ir veiksmai vykdytas. Projekto sudėlyje yra planavimo-vykdymo-įsigilinimo proceso, kuris veda agentą pabaigtą multi-veiksmių užduotis. Projektas sukurtas dėl šviko agentas kokybės mokymas naudot kompiuterius, reikalaujantis galimybių, kaip užduoties planavimas, nuotraukuojus ir vizualinis pozicijavimas. ScreenAgent duomenų bazę, besiželdančią įvairių kasdienų kompiuterių užduotis, manualiai anotavo palaikyti agentas mokymasi. Projekte yra klientas vadovaujantis desktop, duomenų bazė, modelio darbuotojai dėl prieintį, ir treniravimo kodas. Projektas palaiko pagrindines klaviatūros ir klaviatūros veiksnius ir gali būti taikytas įvairioms desktop operacinėms sistemoms ir programoms. ScreenAgent tikslai yra universalūs ir nepriklauso konkretiems API, dėl kurių tai yra paprastas.
Kriterijų išskirstymas
- Mygtukų ir klaviatūros veiksmai vykdyti
- Planavimo-vykdymo-įsigilinimo procesas užduotį baigti
- Vario desktop operacinėms sistemoms ir programoms
- Manualiai nuorodų ScreenAgent duomenų bazė ir įvairioms užduotims apimti
- VLM agentas GUI interakcijai
- API nepriklausymas
AIWaves Agents
Atviras adaptacinis LLM šablonas, skirtas statyti, treniruoti ir pristatyti nepriklausomas kalbos agentus.
AIWaves Agents yra atvirųjų adaptacinis LLM šablonas, skirtas statyti, treniruoti ir pristatyti nepriklausomas kalbos agentus. Jis buvo atnaujintas iki 2.0, kuris pridžiaujo supportą agentų mokymuisi bei vertinimui per simbolinį mokymą, sisteminis šablonas, kuris yra įkvėstas tiesioginės tinklo treniravimo. Šablonas leidžia treniruoti kalbos agentus, kurdama panašumą tarp agentų grandinės ir tiesioginių tinklo skaičiavimo grafų. Šablonas veikia taip, kad pirmiausia vykdo agentą ir įrašo juo pasiektą trajektoriją, įskaitant įvestis, išvestis, prašymus bei technologijų naudojimą. Tada išvertėja pasekmę naudodama kalbą pagrįstą praradimo funkciją , atgręžia netekusį praradą, kad būtų išreikšta kalbinės gradiento pagrindu ir nujaučia agento simbolinę dalį kartu. Šis procesas leidžia agentams mokytis ir pritaikyti iki kito. Agentų 2.0 taip pat pridžiaujo supportą optimizuoti miltinis sistemų, kad traktavus nodes kaip skirtingus agentus arba leidžia daugeliui agentų veikti vieno node. Šablonas yra suprojektuotas būti išvengiamas ir paprastas, pritvirtinantis įvairius taikymus ir tyrinėjimo kryptis. Projektas teikia instrukcijų įrenginį, įskaitant variantus įkelti iš Git saugyklos arba skirti vietiniam tyrinėjimui. Taip pat jis teikia paminėjimus susijusiems tyriniams straipsniams. Šablono stiprumai priežasčių yra jo novatoriškas pristatymas agentų mokymuisi bei jo galimybė pereiti mokslinį darbą nepriklausomų kalbos agentų srityje. Tačiau jo kompleksumas bei priklausomumas iš gerai sukurtų prašymų grandinių gali pasireikšti kliūtimis naudotojams. **Svarbiausi požymiai:** - Nepriklausomoji kalbos agentų palaikymas - Kalbos agentų treniravimas - Kalbos agentų pristatymas - Savaeivis agentai leidžiantys - Privalumai: - Palaikymas nepriklausomų kalbos agentų. - Galimybė treniruoti ir pristatyti kalbos agentus - Leidžia išlikti savais agentams. Savais agentai leidžiantys, Kėlimai: Šablono priklausomumas simbolinio mokymo bei gerai sukurtų prašymų grandinių gali priežasčiuti naudotojų kompleksumui. Sistemos performanca ir efektyvumas gali garsiai priklausuti kokybės šioms prašymų grandinioms. Taip pat kaip ir kiekvienas atvirųjų projektų klausimas, dokumentacija gali skirti pasikeisti pagal naudotojo patirtį. Taip pat gali būti apribojimų šioms kūryboje bei visos kitose taikomose srityse.
Kriterijų išskirstymas
- Nepriklausomoji kalbos agentų palaikymas
- Kalbos agentų treniravimas
- Kalbos agentų pristatymas
- Savaeivis agentai leidžiantys
Claude MCP Agents
Integravimo priemonių sistemų ir duomenų šaltinių sujungimo pagrindas naudojantis Anthropic MCP.
Claude MCP Agentai yra AI agentai, kurie leidžia naudotis Anthropic 's Modelių Kontaktų Protokolo (MCP), siejanti sąsają su plongiamų duomenų šaltinių, API, ir programuotojų priemones. Standardizuodami, kaip sąsaja srautas sulygos tarp Claude ir išorinių sistemų, šie agentai gali skaityti failus, klausyti duomenų bazės, kviečiai paslaugas bei reaguoja į įvykį laiką be užsakymų, specialiai priklausomai nuo šaltinio kiekvienai šaltinei. Šios technologijos sistemoje siekiama užkelti programavimo komandų ir komandų sudėties, kurtijų, kurie būtų naudojami automatizavimui, tyrinėtojų pagalbos, ir darbų procesų agentų kūrime, kurie reikalingi, tiksliai ir saugiai prieinamam bei pritaikytam prie įmonių ar asmeninių duomenų. MCP atvirų aprašymo, dėl kurio pavidalo agentas gali prisijungti prie naujų priemonių kaip vadinamųjų „connectorių“, sumažinant priklausomybę ir sąveikos kruopšnumą.
Kriterijų išskirstymas
- Model Context Protocol integravimo priemonė
- Sujungiasi su failais, API ir duomenų bazėmis
- Išlaikyti galimybė naudojant papildomą MCP serverį
- Rūšiui pritaikęs agentinis, daugiasprendžiai darbowe
- Paruoštas su Claude modelių šeima
- Interoperacijai skirtas atviras standartas
BabyCatAGI yra paprastos, papildyto BabyAGI variantas, kuris gali tvarkyti kompleksias užduotis per autonomius AI agentus. Ji skaidrina aukštos rango tikslus į valdomas pokyčiai, vykdo juos sekanciai, ir prisitaiko savo planą pagal vidurinįs rezultatus, dėl ko ji patikima mokslo, turinio generavimui bei daugialįjų žingsnių problemų sprendimui. Šioje raminėje prioritetas teka minimalusis kodas ir sklandumas, taip padedamas programuotojams, kuriems norint pasinaudoti agentinės AI priemones be didesnių orkestravimo bibliotekų apkrovos. Ji integruoja su kalbos modeliais ir internetinių tyrimų vartuoju peržiūrios sistemomis, rinkdama kontekstą, išspręsdama problemas ir sudarant struktūtuusius išvestis. BabyCatAGI yra atvira eksperimentinė projekto forma, nors geriausiai tinkanti prototipavimui agentų srautų, mokymuisi užduotų, autonominių sistemų operavimo ir konkrečios automatizacijos poreikiams pritaikymui.
Kriterijų išskirstymas
- Užduočių sąrašų kūrimas ir prioritizavimas
- Autonominiai subuovės vykdymas
- Webo paieška integracija konteksto gavimui
- Eilės tvarkymas prieštaravimo darbui
- Lengvo Python implementation
- Kustomizavimas tikslų ir prašymų
BabyDeerAGI
Suvienytas AGI agentų frameworkas, leidžiantis parallelių užduočių įvykdymo užtikrinimą efektyvumo augimui.
BabyDeerAGI yra suvienytas AI agentų frameworkas, kuris leidžia vykdyti užduočių rinkinį atskirais procesoriais, todėl efektyvumas ženkliai didėja. Šis frameworkas pritaikytas programavimo specialistams ir tyrėjams, norintiems pagerinti savo AI technologijų kokybę. Tačiau daugiau neižinių apie jo gebėjimus ir ribas nepasirodė patikrinimų rezultatuose.
Kriterijų išskirstymas
- Paralelinis užduočių vykdymas
- Patankus išbandymas su daugelio skirtingų AI modelių ir technologijų sąveikos galimybėmis
- Suvienytas AI agentų frameworkas
- Paralelinis procesorius, skirtas greito efektyvumo pagerinimui
- Prieinamumas suvienintiems technologijų rinkinams