Tidligere kamp · 2024-07-19 UTC
AI Agent Development Frameworks Oppgjør — 19. juli 2024
Fra kategorien AI Agent Development Frameworks. 22 merker plassert på tvers av 7 kjempere. kagent tok kronen.
Endelige plasseringer
Oppstillingen
Kjemperne
Profiler av hvert verktøy som konkurrerte i denne kampen, rangert etter sin endelige poengsum.
kagent
Et åpen kildekode-rammeverk som gjør AI-agenter i stand til å automatisere Kubernetes-operasjoner.
Kagent muliggjør at AI-agenter automatiserer Kubernetes‑operasjoner. Det gjør det mulig å distribuere, overvåke og administrere agenter ved hjelp av kjente Kubernetes‑verktøy. kagent gjør agenter til en førsteklasses arbeidsbelastning på Kubernetes, slik at de kan versjoneres som Kubernetes Custom Resource Definitions (CRDs) og gjennomgås i pull requests. Denne tilnærmingen gjør det mulig å bruke eksisterende Kubernetes-verktøy for å administrere agenter. Rammeverket er åpen kildekode og bygget av grunnleggerne av Istio. Det støtter en rekke språk‑ og rammeverk‑kombinasjoner, inkludert Go og Python, og tillater bruk av hvilken som helst leverandør av store språkmodeller (LLM). kagent tilbyr robuste sikkerhets- og observabilitetsfunksjoner, inkludert OpenTelemetry-sporing, Prometheus-målinger og strukturerte logger. Den støtter også flere runtime-miljøer, kommunikasjon mellom agenter og muligheten til å laste inn kunnskap fra Git-repositorier. Alt i alt gir kagent et kraftig og fleksibelt rammeverk for å automatisere Kubernetes-operasjoner med AI-agenter.
Kriteriumfordeling
- Agent Substrate for rask oppstart og effektiv ressursbruk
- Zero-trust-beredt med mTLS og fine-grained RBAC
- Vedvarende vektorbasert minne for langtidsminne
- Human-in-the-loop verktøygodkjenningsporter og agentinitierte spørsmål
- Agent-til-agent (A2A) delegasjon for å komponere multi-agent arbeidsflyter
BabyCatAGI
Litevektig, autonom AI-agent-rammeverk for strømlinjeformet oppgaveautomatisering
BabyCatAGI er en forenklet, modifisert versjon av BabyAGI, designet for å håndtere komplekse oppgaver gjennom autonome AI‑agenter. Den bryter ned høynivåmål til håndterbare deloppgaver, utfører dem sekvensielt og tilpasser planen basert på mellomresultater, noe som gjør den egnet for forskning, innholdsgenerering og problemløsning i flere trinn. Rammeverket prioriterer minimal kode og lesbarhet, noe som gjør det tilgjengelig for utviklere som ønsker å eksperimentere med agentisk AI uten overhead fra større orkestreringsbiblioteker. Det integreres med språkmodeller og verktøy for nettsøk for å samle kontekst, tenke gjennom problemer og produsere strukturerte resultater. Som et åpent eksperimentelt prosjekt er BabyCatAGI best egnet til å prototype agentarbeidsflyt, lære hvordan oppgave-drevne autonome systemer opererer, og tilpasse pipelines for spesifikke automatiseringsbehov.
Kriteriumfordeling
- Opprettelse og prioritering av oppgavelister
- Autonom utførelse av deloppgaver
- Integrasjon av nettsøk for kontekst
- Sekvensiell resonneringsflyt
- Litevektig Python-implementasjon
- Tilpassbare mål og prompt
MCP‑Use
Åpen kildekode‑plattform for å koble LLM-er med MCP‑servere og bygge tilpassede AI‑agenter med verktøytilgang.
mcp-use er en åpen kildekode plattform som muliggjør tilkobling av Large Language Models (LLMs) til MCP servers og muliggjør utvikling av tilpassede AI-agenter som kan interagere med disse LLM-ene. Plattformen tilbyr et full‑stack MCP‑framework (mcp-use SDK) for å bygge ChatGPT Apps, Claude Connectors og MCP Servers. Med mcp-use kan utviklere utnytte en enkelt kodebase for å distribuere applikasjonene sine på ulike plattformer der brukere og agenter allerede jobber, inkludert ChatGPT, Claude og Gemini. Plattformen tilbyr et bredt spekter av verktøy og funksjoner, blant annet muligheten til å scaffold MCP-applikasjoner med én kommando, automatisk distribusjon til Manufact Cloud, og innebygd analyse og observasjon. Utviklere kan bruke mcp-use SDK til å bygge og distribuere MCP-servere og applikasjoner uten å kreve ekstra verktøy. Plattformen tilbyr også en Visual Inspector og Sandbox‑testfunksjonalitet, slik at utviklere kan teste applikasjonene sine uten behov for en live LLM. MCP‑Use har som mål å forenkle utviklingen og distribusjonen av MCP‑baserte applikasjoner, noe som gjør det til et attraktivt alternativ for utviklere som ønsker å bygge og distribuere tilpassede AI‑agenter og applikasjoner.
Kriteriumfordeling
- MCP-serveradministrasjon
- LLM‑tilkobling og integrering
- Utvikling av tilpassede AI‑agenter
- Automatisk distribusjon og skalerbarhet
- Visuell inspiserings‑ og sandbox‑testing
- Innebygde analyser og observabilitet
Claude MCP Agents
AI-agenter bygget på Anthropic's MCP for sømløs verktøy- og dataintegrasjon.
Claude MCP Agents er AI-agenter som utnytter Anthropic’s Model Context Protocol (MCP) for å koble til et bredt spekter av eksterne datakilder, API-er og utviklerværktøy. Ved å standardisere hvordan kontekst flyter mellom Claude og eksterne systemer, kan disse agentene lese filer, hente data fra databaser, kalle tjenester og handle på sanntidsinformasjon uten tilpassede integrasjoner for hver kilde. Tilnærmingen er rettet mot utviklere og team som bygger automatisering, forskningsassistenter og arbeidsflyt‑agenter som trenger pålitelig tilgang til bedrifts- eller personlig data. MCPs åpne spesifikasjon gjør at den samme agenten kan plugge inn i nye verktøy når nye tilkoblinger dukker opp, og dermed redusere låsing og integrasjonskostnader.
Kriteriumfordeling
- Model Context Protocol-integrasjon
- Kobler til filer, API-er og databaser
- Utvidbar via egendefinerte MCP-servere
- Støtter agentiske, flertrinns arbeidsflyter
- Kompatibel med Claude-modelfamilien
- Åpen standard for interoperabilitet
Gemma 3
En åpen kildekode AI-modell optimalisert for enkelt-GPU-ytelse, som støtter multimodale innganger og over 140 språk.
Gemma 3 er en samling av lette, toppmoderne åpne modeller designet for å kjøre på enheter, spesielt optimalisert for enkel‑GPU‑ytelse. Den støtter multimodale innspill og over 140 språk. Modellen finnes i flere størrelser (1B, 4B, 12B og 27B), slik at utviklere kan velge den som passer best til maskinvaren og ytelsesbehovene deres. Gemma 3 tilbyr avanserte tekst‑ og visuelle resonneringsevner, et 128 k‑token kontekstvindu, og function calling for komplekse oppgaver. Den inkluderer også kvantiserte versjoner for raskere ytelse og redusert beregningsbehov. Modellen er en del av Googles satsing på å gjøre nyttig AI‑teknologi tilgjengelig og bygger på den samme forskningen og teknologien som driver deres Gemini 2.0‑modeller. Gemma 3 er laget for å gjøre det mulig for utviklere å lage AI‑applikasjoner som kan kjøre direkte på enheter som telefoner, bærbare PC‑er og arbeidsstasjoner. Gemma 3 leverer state-of-the-art ytelse for sin størrelse, og overgår andre modeller som Llama3-405B, DeepSeek-V3 og o3-mini i foreløpige menneskelige preferansevurderinger. Den gjør globale applikasjoner mulige med umiddelbar støtte for over 35 språk og forhåndstrent støtte for over 140 språk. Modellen muliggjør opprettelse av AI-drevne arbeidsflyter ved bruk av function calling og structured output. Utviklingen av Gemma 3 inkluderte strenge sikkerhetsprotokoller, som omfattende data governance, justering i samsvar med sikkerhetspolicyer gjennom finjustering, og robuste benchmark-evalueringer. Gemma-familien av åpne modeller har fått betydelig adopsjon, med over 100 millioner nedlastinger og et livlig fellesskap som har laget mer enn 60 000 Gemma-varianter. Gemma 3s kapasiteter gjør den egnet for utviklere som ønsker å skape engasjerende brukeropplevelser som kan kjøre på en enkelt GPU- eller TPU-vert.
Kriteriumfordeling
- støtte for multimodal AI
- ansvarsorientert utvikling
- omfattende finjustering
- støtte for 140 språk
- forbedret ytelse
Agency Swarm
Et åpen kildekode‑rammeverk for orkestrering av AI‑agenter designet for å automatisere og effektivisere AI‑utviklingsprosesser gjennom samarbeidsbaserte agent‑swarmer.
Agency Swarm er et open-source-rammeverk som bygger på OpenAI Agents SDK og Responses API. Det tilbyr et strukturert og produksjonsklart miljø for å lage multi-agent applikasjoner. Hovedfunksjonene inkluderer tilpassbare agentroller, muligheten til å håndtere ulike modellbackends (f.eks. OpenAI’s GPT-familie-modeller, Anthropic, Google's Gemini, Azure’s OpenRouter og selvlagde LiteLLM-verktøy, aktivert av @function_tool-dekoratøren (anbefalt) eller ved utvidelse av BaseTool‑objektet). En viktig fordel med Agency Swarms arkitektur er stabiliteten både i Python og Linux‑miljøer. Installasjonen er enkel med standard pip‑kommandoen "pip install agency-swarm". Beskrivelsen skal forklare Agency Swarm som et åpen kildekodeverktøy som bygger på OpenAI Agents SDK og Responses API. Agency Swarm er et open-source AI-verktygsett som hjelper utviklere med å lage multi-agent-applikasjoner for reell AI-utvikling. Funksjoner: – Auto-genererte CLI‑verktøy: Oppdag applikasjonens REST API for enkel tilgang til kjerne‑tjenester og økt produktivitet. – Tilpassbare agent‑roller: Du kan enkelt bestemme spesifikke funksjoner og tillatelsesnivåer for hver agent‑rolle, for økt tilpasningsmulighet i applikasjonen din. – Full stack‑implementering: Agency Swarm er en full stack kun for Python. Hvis du bruker Linux, kan du tenke på det som en full stack‑implementering uten begrensninger på grunn av Python‑standardbiblioteket. Pros: 1. Stabilitet i Python/Linux-miljøer 2. Enkelt integrasjon med applikasjonen din 3. Komponerbare og brukervennlige CLI-verktøy 4. Tilpassede agentroller Ulemper: 1. Begrensninger i kompatibilitet med språkmodeller (personlige chatbots: GPT-3, osv.) N/A 2. Krav til utviklingsmiljø N/A 3. Begrenset støtte for modell-backend N/A 4. Grunnleggende brukergrensesnitt N/A 5. Læringskapasiteter N/A 6. Funksjonsintegrasjon N/A 7. Dokumentasjonsprosess N/A 8. Maskinlærings-AI-kapasiteter: N/A 9. Avansert dialogflytstyring N/A 10. Multilagede applikasjoner N/A 11. Samtidig utførelse N/A 12. Tilgang til applikasjonens tilstand N/A 13. Automatisk distribusjon N/A 14. Avansert oppgaveutførelse N/A 15. Egendefinerte agenttyper N/A 16. Støtte for store språkmodeller N/A 17. Fungerer i Python ↻ N/A 18. Full kontroll N/A 19. Ytelsesmåling N/A 20. Tilby lokale arbeidsområder N/A 21. Integrering med OpenALink: et webutviklingsrammeverk for Python-applikasjoner 22. Samarbeid med AI-agenter på et prosjekt 23. Tolkbarhet 24. Overvåking N/A 25. Full kildekodeintegrasjon N/A 26. Skalerbarhet N/A 27. Lav ytelse N/A Ulemper:
Kriteriumfordeling
- Tilpassbare Agentroller
- Full kontroll over prompts/instruksjoner
- Type‑sikre verktøy for utvikling
- Orkestrert agentkommunikasjon
- Fleksibel tilstandspersistens
- Multi-agent‑orkestrering
Mosaic AI Agent Framework
En pakke med verktøy fra Databricks for å bygge, distribuere og evaluere høykvalitets AI‑agenter og RAG‑applikasjoner.
Databricks Agent Framework (AAF) er et sett med verktøy som tilbys av Databricks for å bygge, distribuere og styrke AI‑agenter. Disse agentene kan kobles til hvilket som helst verktøy, database eller SaaS‑applikasjon via en enkelt, styrt protokoll (Model Context Protocol, MCP). Rammeverket inkluderer integrert AI‑utvikling, eksperimentering og distribusjon til serverless computing ved hjelp av Databricks Apps uten å administrere infrastruktur. Agent Bricks og Unity Catalog er essensielle for styring og sikkerhet; de bruker forhåndsdefinerte policyer på modeller, verktøy og tilkoblinger samtidig som de håndhever ratebegrensninger, fallbacks og andre sikkerhetsforanstaltninger som kreves for å forhindre prompt‑injeksjon, oppdagelse av sensitiv data og innholdsfiltering.
Kriteriumfordeling
- Agent Bricks
- Unity Catalog
- Databricks Apps
- Model Context Protocol (MCP)
- Sentralisert styring
- Brukerbasert kontroll