Iepriekšējā cīņa · 2024-07-19 UTC
AI Agent Development Frameworks Sadursme — 2024. gada 19. jūlijs
No AI Agent Development Frameworks kategorijas. 22 atzīmes izvietotas starp 7 cīnītājiem. kagent izcīnīja kroni.
Gala rezultāti
Sastāvs
Cīnītāji
Katra rīka profili, kas piedalījās šajā cīņā, sarindoti pēc to gala rezultāta.
Kagent ļauj AI agentiem automatizēt Kubernetes operācijas. Tas ļauj agentus izvietot, uzraudzīt un pārvaldīt, izmantojot pazīstamus Kubernetes rīkus. Kagent padara agentus par primāru darba slodzi Kubernetes, ļaujot tos versēt kā Kubernetes Custom Resource Definitions (CRDs) un pārskatīt pull requestos. Šāda pieeja ļauj izmantot esošos Kubernetes rīkus agentu pārvaldībai. Rāmjam ir atvērta koda un to izveidojis Istio dibinātāji. Tas atbalsta dažādas valodu un rāmis kombinācijas, tostarp Go un Python, un ļauj izmantot jebkuru LLM piegādātāju. Kagent nodrošina robustus drošības un uzraudzības aspektus, ieskaitot OpenTelemetry traçējumu, Prometheus metrikas un strukturētos žurnālus. Tas arī atbalsta vairākas izpildes vides, agentu savstarpēju komunikāciju un iespēju ielādēt zināšanas no Git glabāšanas. Kopumā Kagent sniedz spēcīgu un elastīgu rāmju AI agentu automatizēšanai Kubernetes operācijās.
Kritēriju sadalījums
- Agent Substrate – ātra startēšana un efektīvs resursu izmantojums
- Zero-trust gatavs ar mTLS un precīzu RBAC
- Pastāvīga vektoru balstīta atmiņa ilgtermiņa atmiņas nodrošināšanai
- Cilvēka iesaistīšana rīku apstiprināšanas slēdzienos un agentu iniciētās jautājumās
- Agentu (A2A) delegēšana vairāku agentu darba plūsmu veidošanai
BabyCatAGI ir vienkāršota, modificēta versija no BabyAGI, kas piedāvā kompleksu darbu apstrādi ar autonomo AI agentiem. Tas sadala augstas līmeņa mērķis mazākas, izpildāmas atsevišķās uzdevumos, izpilda vienstūrim, un atbilstoši maina savu plānu pamatojoties uz priekšizvietās rezultātiem, kas to padara vienai pieejamu pētniecībai, saturu sagatavošanai un daudzu-stadiju problēmu risināšanai. Rīcībās iebraucību noteikumi prioritizē minimālu koda un lasāmību, savienojot to ar toviem programmatūras attīstītājiem, kuri vēlas eksperimentēt ar akcentisku AI bez lielāku aparatūru bibliotēku pakļaujības. Tas integrē ar valodu modeļiem un mājas meklotāju rīkumiem, lai sammiezētu kontekstu, iztīstu problēmas un rodītu iekārtotas iezīmes. Kā atvērto eksperimentālo projektu, BabyCatAGI ir visvairāk piemērots prototipu darbību strukturām, aplūkojot, kā darbojas uzdevumu atrautinās autonomas sistēmas, un izmantojot piemērotas automātizācijas vajadzībām konkrētās saspiednes
Kritēriju sadalījums
- Uzdevumu saraksta izveide un prioritizēšana
- Autonomu subuzdevumu izpildīšana
- Pievienojums interneta meklēšanai kontekstam
- Sekvencisku rezonēšanas workflow
- Sīkais Python implementācijas variant
- Kustīgs mērķis un pieprasījuma iestatīšana
MCP‑Use
Atvērta koda platforma, lai savienotu LLM ar MCP serveriem un izveidotu pielāgotus AI aģentus ar rīku piekļuvi.
MCP‑Use ir atvērta koda platforma, kas veicina LLM (Large Language Models) savienošanu ar MCP serveriem un ļauj izstrādāt pielāgotus AI aģentus, kas var mijiedarboties ar šiem LLM. Platforma nodrošina pilnu MCP struktūru (mcp-use SDK), lai izveidotu ChatGPT lietojumprogrammas, Claude savienotājus un MCP serverus. Ar MCP‑Use izstrādātāji var izmantot vienu koda bāzi, lai izvietotu savas lietojumprogrammas uz dažādām platformām, kurās lietotāji un aģenti jau strādā, tostarp ChatGPT, Claude un Gemini. Platforma piedāvā plašu rīku un iespēju klāstu, piemēram, iespēju vienā komandā izveidot MCP lietojumprogrammas, automātisku izvietošanu Manufact Cloud, kā arī iebūvētas analīzes un novērošanas funkcijas. Izstrādātāji var izmantot mcp-use SDK, lai izveidotu un izvietotu MCP serverus un lietojumprogrammas, nepiedāvājot papildus rīkus. Platforma arī nodrošina vizuālu inspektoru un Sandbox testēšanas iespējas, ļaujot izstrādātājiem testēt savas lietojumprogrammas bez nepieciešamības izmantot reālu LLM. MCP‑Use vēršas uz izstrādes un izvietošanas procesu vienkāršošanu, padarot to pievilcīgu izvēli izstrādātājiem, kas vēlas izveidot un izvietot pielāgotus AI aģentus un lietojumprogrammas.
Kritēriju sadalījums
- MCP serveru pārvaldība
- LLM savienošana un integrācija
- Pielāgotu AI aģentu izstrāde
- Automatizēta izvietošana un mērogošana
- Vizuālais inspektors un Sandbox testēšana
- Iebūvēta analīze un novērošana
Claude MCP Agents
AI aģenti, kas izveidoti uz Anthropic's MCP pamata, lai nodrošinātu vienmērīgu rīku un datu integrāciju.
Claude MCP aģenti ir AI aģenti, kas izmanto Anthropic's Model Context Protocol (MCP) lai savienotos ar plašu ārējo datu avotu, API un izstrādātāju rīku klāstu. Standartizējot konteksta plūsmu starp Claude un ārējām sistēmām, šie aģenti var lasīt failus, vaicāt datubāzes, izsaukt pakalpojumus un rīkoties ar reāllaika informāciju bez individuālām integrācijām katram avotam. Šī pieeja ir vērsta uz izstrādātājiem un komandām, kas veido automatizācijas, pētījumu palīgus un darbplūsmas aģentus, kuriem ir nepieciešams uzticams piekļuve uzņēmuma vai personīgajiem datiem. MCP atvērtais standarts nozīmē, ka viens un tas pats aģents var pievienoties jauniem rīkiem, kad parādās savienotāji, samazinot piesaistīšanu un integrācijas pārslodzi.
Kritēriju sadalījums
- Model Context Protocol integrācija
- Savienojas ar failiem, API un datubāzēm
- Paplašināma ar pielāgotiem MCP serveriem
- Atbalsta aģentisku, daudzpakāpju darbplūsmas
- Saderīga ar Claude modeļu ģimeni
- Atvērtā standarta savietojamība
Gemma 3
Atvērtas pirmkoda AI modelis, optimizēts vienas GPU veiktspējai, atbalsta multimodālus ievadus un vairāk nekā 140 valodas.
Gemma 3 ir kolekcija ļoti smagajām, pēcnācēju radošo modelīm, kurām ir izveidots iespējas veikt risināšanos uz iekārtām - ļoti paredzētas viena GPU izdalījuma izpildes. Tā atbalsta dažrādus iestatījumus un 140 vairāk uzrunaudītās valodas. Modelis ir dažādu izmēru (1B, 4B, 12B, un 27B), lai rūpētos, ka tikai tiek izvēlēts labs rezultāts jebkura iekārtas un izpildes funkcijas. Gemma 3 piedāvā iepirkumi tekstūras un vizuālās argumentācijas iespējus, 128 k-tokenu kontekstā, un funkciju izsaucēšanas par kompleksām uzdevumiem. Tā arī ietver kvantizēti versijas, lai ātrāk sāktu izpildes un samazinātu kompilācijas pamatejos. Modelis ir daļa no Googles līguma ar efektīvu AI tehnoloģijas pieeju, kurā tiek izmantoti pašās to izgudrošanas pamatejos, kas atrodas Gemini 2.0 modelos. Gemma 3 ir izvēlētās, lai palīdzētu programmatūras rakstītājiem izveidot AI lietotnes, kurus var izmantot tikai uz iekārtām, kā mobilie telefoni, datoru un strādnieku iekārtās. Gemma 3 sniedz augstākās riekstspējas izmēra attiecībā, izvirzzot no citiem modeliem, kā Llama3-405B, DeepSeek-V3 un o3-mini, preliminārajās cilvēka preferences novērtējumos. Tā ļauj globālām izmantošanas iespējam ar automatisku atbalstu vairāk nekā 35 valodās un pretrainētu funkcionalitāti vairāk nekā 140 valodām. Modulis ļauj izveidot AI-dibinātu procesus ar funkciju apsaukumu un struktūotu ievades datiem. Gemma 3 izstrādes procesā tiešraidē tika ievērotas drošas prasības, kas paredzētas plašu dati valdības, drošības politikas sadarbības ar izturīgām piemērošanas procesiem, kā arī robustas novērtēšanas izpratnes izvērstajām noteiksmēm, lai nodrošinātu pareizu un drošu sistēmas funkcionēšanu. Gemma 3 modelu saime ir nopietni ieguvis popularitāti, kas norāda uz vairāk nekā 100 miljonu lejupielādējumiem un aktīvu komunity, kurā ir radusies vairāk nekā 60 000 dažādu Gemma variantu. Gemma 3 spējas tai veido labu priekšrocību par programmatūras izstrādātājiem, kas grib izveidot iesaistītas lietotāju pieredzes, kas var apgūt ne tikai vienā GPU vai TPU gājienā.
Kritēriju sadalījums
- multimoda AI atbalsts
- atbildības orientēta izstrāde
- plašs fine-tuning
- atbalsts 140 valodām
- uzlabota veiktspēja
Agency Swarm
Atvērtā AI ģeneratīvais orķestrācijas ramatnieks, pieejams arī atvērtos avotos, kuru galvenais uzdevums ir automātizēt un samazināt AI reālisma procesu darbību, ar sabiedrisku agentu vājiem.
Agency Swarm ir atvērtā koda ietvars, kas balstās uz OpenAI Agents SDK un Responses API. Tas piedāvā strukturētu un produkcijai gatavu vidi daudz‑agentu lietojumprogrammu izveidei. Galvenās funkcijas ietver pielāgojamas aģentu lomas, spēju strādāt ar dažādiem modeļu aizmugurējiem (piemēram, OpenAI GPT‑ģimenes modeļi, Anthropic, Google Gemini, Azure OpenRouter un pašizveidotie LiteLLM rīki), ko nodrošina @function_tool dekorators (ieteicams) vai paplašinot BaseTool objektu. Būtiska priekšrocība Agency Swarm arhitektūrā ir tās stabilitāte gan Python, gan Linux vidēs. Instalēšana ir vienkārša, izmantojot standarta pip komandu: pip install agency-swarm. Aprakstam jāizskaidro Agency Swarm kā atvērtā pirmkoda rīks, kas tiek izveidots uz OpenAI Agents SDK un Responses API pamata. Agency Swarm ir atvērtā koda AI rīkkopa, kas palīdz izstrādātājiem izveidot vairāku aģentu lietojumprogrammas reālās pasaules AI izstrādei. Galvenās funkcijas: - Automātiski ģenerēti CLI rīki: Atklājiet savas lietojumprogrammas REST API, lai viegli piekļūtu galvenajiem pakalpojumiem un palielinātu produktivitāti. - Pielāgojami aģentu lomas: Jūs varat viegli noteikt konkrētas funkcijas un atļauju līmeņus katrai aģenta lomai, lai uzlabotu pielāgojamību jūsu lietojumprogrammā. - Pilna steka īstenojums: Agency Swarm ir pilna steka risinājums tikai Python valodai. Ja strādājat Linux, uzskatiet to par pilna steka īstenojumu bez ierobežojumiem, ko rada Python standarta bibliotēka. Priekšrocības: 1. Stabilitāte Python/Linux vidēs 2. Vienkārša integrācija ar jūsu lietojumprogrammu 3. Saliekami un viegli lietojami CLI rīki 4. Pielāgoti aģenta lomi Trūkumi: 1. Valodas modeļa saderības ierobežojumi (personiskie tērzēšanas roboti: GPT-3 utt.) N/A 2. Izstrādes vides prasības N/A 3. Ierobežots modeļa aizmugurējais atbalsts N/A 4. Pamata lietotāja saskarne N/A 5. Mācīšanās iespējas N/A 6. Īpašību integrācija N/A 7. Dokumentācijas process N/A 8. Mašīnmācības AI iespējas: N/A 9. Uzlabota dialoga plūsmas pārvaldība N/A 10. Vairāku slāņu lietojumprogrammas N/A 11. Vienlaicīga izpilde N/A 12. Piekļuve lietojumprogrammas stāvoklim N/A 13. Automātiska izvietošana N/A 14. Uzlabota uzdevumu izpilde N/A 15. Pielāgoti aģentu veidi N/A 16. Lielo valodas modeļu atbalsts N/A 17. Darbojas Python vidē ↻ N/A 18. Pilna kontrole N/A 19. Veiktspējas mērīšana N/A 20. Piedāvā vietējās darba telpas N/A 21. Integrēšana ar OpenALink: tīmekļa izstrādes ietvars Python lietojumprogrammu izstrādei 22. Sadarbība ar AI aģentiem projektā 23. Interpretējamība 24. Uzraudzība N/A 25. Pilna pirmkoda integrācija N/A 26. Mērogojamība N/A 27. Zema veiktspēja N/A Trūkumi:
Kritēriju sadalījums
- Pielāgojamas aģentu lomas
- Pilnīga kontrole pār uzvednēm/instrukcijām
- Tipa droši rīki izstrādei
- Koordinēta aģentu komunikācija
- Elastīga stāvokļa saglabāšana
- Daudz-aģentu orkestrēšana
Mosaic AI Agent Framework
Databricks rīku komplekts, kas paredzēts kvalitatīvu AI aģentu un RAG lietojumprogrammu izveidei, izvietojumam un novērtēšanai.
Databricks Agent Framework (AAF) ir rīku kopums, ko nodrošina Databricks AI aģentu izveidei, izvietojumam un pārvaldībai. Šie aģenti var pieslēgties jebkuram rīkam, datubāzei vai SaaS lietojumprogrammai, izmantojot vienu, pārvaldītu protokolu (Model Context Protocol, MCP). Šis ietvars ietver integrētu AI izstrādi, eksperimentēšanu un izvietošanu uz serverless datorsistēmas, izmantojot Databricks Apps bez infrastruktūras pārvaldības. Agent Bricks un Unity Catalog ir būtiski pārvaldībai un drošībai; tie piemēro iepriekš definētas politikas uz modeļiem, rīkiem un savienojumiem, vienlaikus pieņemot ierobežojumus, atgriezeniskos mehānismus un citus aizsardzības pasākumus, kas nepieciešami, lai novērstu prompt injekciju, identificētu sensitīvos datus un filtrētu saturu.
Kritēriju sadalījums
- Agent Bricks
- Unity Catalog
- Databricks Apps
- Model Context Protocol (MCP)
- Centralizēta pārvaldība
- Lietotāja kontrole