Minulý súboj · 2024-07-19 UTC
AI Agent Development Frameworks Súboj — 19. júla 2024
Z kategórie AI Agent Development Frameworks. 22 body udelených medzi 7 bojovníkov. kagent získal korunu.
Konečné poradie
Zostava
Bojovníci
Profily každého nástroja, ktorý súťažil v tomto súboji, zoradené podľa ich konečného skóre.
Kagent umožňuje umelým agentom automatizovať operácie Kubernetes. Umožňuje nasadzovať, monitorovať a spravovať agentov pomocou známych nástrojov Kubernetes. kagent umožňuje považovať agenty za prvotriednu záťaž v Kubernetes, čo umožňuje ich verziovanie ako definície vlastných zdrojov Kubernetes (CRD) a ich preskúmanie v žiadostiach o stiahnutie. Tento prístup umožňuje využitie existujúcich nástrojov Kubernetes na správu agentov. Rámec je open-source a vytvorený zakladateľmi Istio. Podporuje rôzne kombinácie jazykov a rámcov, vrátane Go a Python, a umožňuje použitie ľubovoľného poskytovateľa veľkých jazykových modelov (LLM). kagent poskytuje robustné bezpečnostné a pozorovacie funkcie vrátane OpenTelemetry sledovania, Prometheus metrik a štrukturovaných logov. Podporuje tiež viac runtime prostredí, komunikáciu medzi agentmi a možnosť načítania znalostí z Git repozitárov. V celkovom prepočte poskytuje kagent výkonný a flexibilný rámec na automatizáciu operácií Kubernetes pomocou AI agentov.
Rozdelenie kritérií
- Agent Substrate pre rýchle spustenie a efektívne využitie zdrojov
- Nulová dôvera pripravená s mTLS a jemným RBAC
- Pretrvávajúca vektorová pamäť pre dlhodobú pamäť
- Brány schválenia nástrojov s ľudskou účasťou a otázky iniciované agentmi
- Delegovanie medzi agentmi (A2A) pre zostavovanie pracovných postupov viacerých agentov
BabyCatAGI
Ľahká autonómna rámec pre umelú inteligenciu pre zjednodušené automatizovanie úloh
BabyCatAGI je zjednodušená, upravená verzia BabyAGI navrhnutá na spracovanie zložitých úloh prostredníctvom autonómnych agentov umelej inteligencie. Rozkladá vysoké ciele na zvládnuteľné podúlohy, vykonáva ich postupne a prispôsobuje svoj plán na základe medzivýsledkov, čo ho robí vhodným pre výskum, generovanie obsahu a riešenie viacstupňových problémov. Rámec prioritizuje minimálny kód a čitateľnosť, čo ho robí dostupným pre vývojárov, ktorí chcú experimentovať s agentovou umelou inteligenciou bez záťaže väčších knižníc orchestra. Integruje sa s jazykovými modelmi a nástrojmi webového vyhľadávania, aby získal kontext, uvažoval o problémoch a vytváral štruktúrované výstupy. Ako otvorený experimentálny projekt je BabyCatAGI najlepšie vhodný pre prototypovanie pracovných postupov agenta, učenie sa, ako fungujú autonómne systémy založené na úlohách, a prispôsobovanie potrubí pre špecifické potreby automatizácie.
Rozdelenie kritérií
- Vytvorenie a prioritizácia zoznamu úloh
- Autonómne vykonávanie podúloh
- Integracia webového vyhľadávania pre kontext
- Sekvenčný pracovný postup uvažovania
- Ľahká implementácia v Pythone
- Prispôsobiteľné ciele a výzvy
MCP‑Use
Otvorená platforma na pripojenie LLMs k serverom MCP a tvorbu vlastných AI agentov s prístupom k nástrojom
mcp-use je open-source platforma, ktorá uľahčuje spojenie veľkých jazykových modelov (LLM) so servermi MCP a umožňuje vývoj vlastných AI agentov, ktorí môžu interagovať s týmito LLM. Platforma poskytuje full-stack MCP framework (mcp-use SDK) na vytváranie ChatGPT aplikácií, Claude Connectorov a MCP Serverov. S MCP‑Use môžu vývojári využívať jedinú kódovú základňu na nasadenie svojich aplikácií na rôznych platformách, kde používatelia a agenti už pracujú, vrátane ChatGPT, Claude a Gemini. Platforma ponúka množstvo nástrojov a funkcií, ako je schopnosť vytvárať MCP aplikácie pomocou jediného príkazu, automatické nasadenie do Manufact Cloud a vstavaná analytika a pozorovanie. Vývojári môžu použiť mcp-use SDK na vytvorenie a nasadenie MCP serverov a aplikácií bez potreby ďalších nástrojov. Platforma tiež poskytuje Visual Inspector a možnosti testovania v Sandboxe, čo umožňuje vývojárom testovať svoje aplikácie bez potreby živého LLM. Cieľom MCP‑Use je zjednodušiť vývoj a nasadenie aplikácií založených na MCP, čo ho robí atraktívnou voľbou pre vývojárov, ktorí chcú vytvárať a nasadzovať vlastné AI agenty a aplikácie.
Rozdelenie kritérií
- Správa serverov MCP
- Pripojenie a integrácia LLM
- Vývoj vlastných AI agentov
- Automatizované nasadenie a škálovanie
- Vizualny inspektor a Sandbox testovanie
- Vstavaná analytika a observabilita
Claude MCP Agents
Človešky AI agenti založené na Anthropic's MCP pre súkromie integrovania vrátane nástrojov a dátových zdrojov.
Claude MCP Agents sú AI agenti, ktorí využívajú Anthropicov Model Context Protocol (MCP) na pripojenie k širokému rozsahu externých zdrojov dát, API a vývojárskych nástrojov. Štandardizáciou toku kontextu medzi Claude a externými systémami môžu títo agenti čítať súbory, dotazovať databáze, vyvolávať služby a pôsobiť na informácie v reálnom čase bez individuálnych integrácií pre každý zdroj. Tento prístup je zameraný na vývojárov a tímy, ktoré vytvárajú automatizačné, výskumné asistenty a workflow agenty, ktoré vyžadujú spoľahlivý prístup k podnikovým alebo osobným údajom. Otvorená špecifikácia MCP znamená, že rovnaký agent môže byť pripojený k novým nástrojom, keď sa objavia nové konektory, čím sa zníži uzamknutie a náklady na integráciu.
Rozdelenie kritérií
- Integracia protokolu Model Context Protocol
- Pripojenie k súborom, rozhraniam API a databázam
- Rozšíriteľné prostredníctvom vlastných serverov MCP
- Podpora agentyckých, viac krokových pracovných postupov
- Zlučiteľnosť s rodinou modelov Claude
- Otvorený štandard pre interoperabilitu
Gemma 3
Open-source model umelej inteligencie optimalizovaný pre výkon na jednej GPU, podporujúci multimodálne vstupy a viac ako 140 jazykov.
Gemma 3 je kolekcia ľahkých, najmodernejších otvorených modelov navrhnutých na spustenie na zariadeniach, najmä optimalizovaných pre výkon na jednej GPU. Podporuje multimodálne vstupy a viac ako 140 jazykov. Model prichádza v rôznych veľkostiach (1B, 4B, 12B a 27B), čo umožňuje vývojárom vybrať si najlepší model pre svoje hardvérové a výkonnostné potreby. Gemma 3 ponúka pokročilé možnosti textového a vizuálneho uvažovania, 128k-tokenové okno kontextu a volanie funkcií pre komplexné úlohy. Zahŕňa tiež kvantované verzie pre rýchlejší výkon a znížené výpočtové požiadavky. Model je súčasťou záväzku spoločnosti Google, aby bola užitočná technológia AI dostupná, a stavia na rovnakom výskume a technológii, ktorá poháňa ich modely Gemini 2.0. Gemma 3 je navrhnutá tak, aby umožnila vývojárom vytvárať aplikácie AI, ktoré môžu bežať priamo na zariadeniach, ako sú telefóny, notebooky a pracovné stanice. Gemma 3 poskytuje špičkový výkon pre svoju veľkosť a v predbežných hodnoteniach ľudských preferencií prekonáva iné modely ako Llama3-405B, DeepSeek-V3 a o3-mini. Umožňuje globálne aplikácie s podporou pre viac ako 35 jazykov a predtréningovou podporou pre viac ako 140 jazykov. Model umožňuje vytváranie pracovných postupov založených na umelej inteligencii pomocou volania funkcií a štruktúrovaného výstupu. Vývoj Gemma 3 zahŕňal dôkladné bezpečnostné protokoly, ako je rozsiahle riadenie údajov, zosúladenie s bezpečnostnými politikami prostredníctvom jemného dolaďovania a robustné hodnotenia benchmarkov. Rodina modelov Gemma zaznamenala výrazné rozšírenie s viac ako 100 miliónmi stiahnutí a živou komunitou, ktorá vytvorila viac ako 60 000 variantov Gemmy. Schopnosti Gemma 3 ju robia vhodnou pre vývojárov, ktorí chcú vytvárať pútavé používateľské skúsenosti, ktoré sa dajú umiestniť na jeden GPU alebo TPU hostiteľ.
Rozdelenie kritérií
- podpora multimodálnej umelej inteligencie
- vývoj zameraný na zodpovednosť
- extenzívne dolaďovanie
- podpora 140 jazykov
- zlepšený výkon
Agency Swarm
Open-source rámec pre orchestráciu AI agentov navrhnutý na automatizáciu a zefektívnenie procesov vývoja AI prostredníctvom kolaboratívnych agentských zväzkov.
Agency Swarm je open-source framework, ktorý je postavený na OpenAI Agents SDK a Responses API. Poskytuje štruktúrové a produkčne pripravené prostredie pre vytváranie multi-agentových aplikácií. Kľúčové funkcie zahŕňajú prispôsobiteľné úlohy agentov, schopnosť zvládnuť rôzne modelové backendy (napr. OpenAI GPT-rodinné modely, Anthropic, Google Gemini, Azure OpenRouter a vlastné nástroje LiteLLM, umožnené dekorátorom @function_tool (odporúčané) alebo rozšírením objektu BaseTool). Kľúčovým prínosom architektúry Agency Swarm je jej stabilita v prostrediach Python a Linux. Inštalácia je jednoduchá pomocou štandardného pip príkazu pip install agency-swarm. Opis: Agency Swarm je open-source nástroj, ktorý je postavený na OpenAI Agents SDK a Responses API. Agency Swarm je open-source nástroj pre umelú inteligenciu, ktorý pomáha vývojárom vytvárať multi-agentové aplikácie pre vývoj reálnej umelej inteligencie. Kľúčové funkcie: - Automaticky vygenerované CLI nástroje: Objavte REST API svojej aplikácie pre ľahký prístup k základným službám a zvýšenie produktivity. - Prispôsobiteľné úlohy agenta: Môžete ľahko určiť konkrétne funkcie a úrovne povolení pre každú úlohu agenta, pre zvýšenú prispôsobiteľnosť vo svojej aplikácii. - Implementácia Full Stack: Agency Swarm je full stack výlučne pre Python. Ak používate Linux, považujte ho za implementáciu full stack bez akýchkoľvek obmedzení v dôsledku štandardnej knižnice Pythonu. Výhody: 1. Stabilita v prostrediach Python/Linux 2. Ľahká integrácia s vašou aplikáciou 3. Komponovateľné a ľahko použiteľné nástroje CLI 4. Vlastné úlohy agenta Nevýhody: 1. Obmedzenia kompatibility jazykového modelu (Osobné chatboty: GPT-3 atď.) N/A 2. Požiadavky na vývojové prostredie N/A 3. Obmedzená podpora backendu modelu N/A 4. Základné používateľské rozhranie N/A 5. Učebné schopnosti N/A 6. Integrácia funkcií N/A 7. Dokumentačný proces N/A 8. Schopnosti strojového učenia AI: N/A 9. Pokročilé riadenie dialógového toku N/A 10. Viacvrstvové aplikácie N/A 11. Súčasné vykonávanie N/A 12. Prístup k stavu aplikácie N/A 13. Automatické nasadenie N/A 14. Pokročilé vykonávanie úloh N/A 15. Vlastné typy agentov N/A 16. Podpora veľkých jazykových modelov N/A 17. Funguje v Pythone ↻ N/A 18. Úplná kontrola N/A 19. Meranie výkonu N/A 20. Ponuka lokálnych pracovných priestorov N/A 21. Integrácia s OpenALink: webový vývojový rámec pre aplikácie Python 22. Spolupráca s AI agentmi na projekte 23. Interpretovateľnosť 24. Monitorovanie N/A 25. Integrácia úplného zdrojového kódu N/A 26. Škálovateľnosť N/A 27. Nízky výkon N/A Nevýhody:
Rozdelenie kritérií
- Prispôsobiteľné role agentov
- Úplná kontrola nad výzvami/inštrukciami
- Typovo bezpečné nástroje pre vývoj
- Orchestrovanie komunikácie agentov
- Flexibilné udržanie stavu
- Orchestrácia viacerých agentov
Mosaic AI Agent Framework
Súbor nástrojov od Databricks pre tvorbu, nasadzovanie a hodnotenie vysoce kvalitných AI agentov a RAG aplikácií.
Databricks Agent Framework (AAF) je súbor nástrojov poskytnutých spoločnosťou Databricks na tvorbu, nasadzovanie a riadenie AI agentov. Títo agenty môžu pripojiť k ľubovoľnému nástroju, databáze alebo SaaS aplikácii prostredníctvom jedného, riadeného protokolu (Model Context Protocol, MCP). Framework zahŇňa integrovaný vývoj AI, experimentovanie a nasadzovanie do serverless výpočtov pomocou Databricks Apps bez spravovania infraštruktúry. Agent Bricks a Unity Catalog sú nevyhnutné pre správu a bezpečnosť; aplikujú preddefinované politiky na modely, nástroje a pripojenia a zároveň vynucujú limity rýchlosti, záložné riešenia a ďalšie bezpečnostné opatrenia potrebné pre prevenciu injekcií promptov, detekciu citlivých údajov a filtrovanie obsahu.
Rozdelenie kritérií
- Agent Bricks
- Unity Catalog
- Databricks Apps
- Model Context Protocol (MCP)
- Centralizovaná správa
- Kontrola na úrovni používateľa