Минула битва · 2026-01-03 UTC
AI Agent Development Frameworks Протистояння — 3 січня 2026 р.
З категорії AI Agent Development Frameworks. 28 позначок поставлено серед 10 бійців. Cerebrum: AIOS SDK здобув корону.
Підсумкові результати
Учасники
Бійці
Профілі кожного інструмента, який змагався в цій битві, ранжовані за підсумковим балом.
Cerebrum: AIOS SDK
Бібліотека для розробки і розгортання агентів БТ за допомогою ЛМ в межах framework AIOS.
Брайнум - бібліотека для розробки і розгортання агентів БТ за допомогою лінгвістичної моделі (LLM) в межах системи керування агентами (АIOS, AI Agent Operating System) framework. AIOS видає численні виклики, наприклад, планування, зміна контексту, управління пам'яттю, управління інструментами для агентів на основі ЛМ. Бібліотека Cerebrum дозволяє розробникам створювати та виконувати програми-агентів взаємодією з ядром AIOS. Вона підтримується både інтерфейсом Web UI та інтерфейсом Terminal UI. Бібліотека містить функції для виведення наявних ЛМ, агентів та інструментів, а також завантаження, завантаження та виконання агентів та інструментів. Брайнум призначена для користувачів агентів і розробників, надаючи їм можливість створювати та розгортати програми-агенти БТ.
Розподіл критеріїв
- Розробка і розгортання агентів
- Управління агентами-BT на основі ЛМ
- Підтримка інтерфейсу Web UI і інтерфейсу Terminal UI
- Управління агентами та інструментами
- Вивід наявних ЛМ, агентів та інструментів
- Завантаження та завантаження агентів та інструментів
Awesome MCP Servers
Віртуальний каталог серверів Model Context Protocol для розширення AI-асистентів зі спеціалізації й даних
Awesome MCP Servers — спільний список серверів протоколу контексту (MCP), які підключають віртуальних асистентів AI до зовнішніх систем. Він містить перелік реалізації різних категорій, наприклад баз даних, файлових систем, інструментів розробника, продуктивних програм і веб-сервісів, що легко допомагає відкрити нові можливості моделей. Цей ресурс призначений для розробників та будівельників AI, які бажають надати своїм агентом на основі мови масових спільнот (LLM) доступ до реальною світової інформації та дій, не писати кожну конекторну функцію з початку. Звідси є звичні посилання на джерельні репозиторії, короткі описи та теги, що допомагають користувачам здійснювати фільтрацію за випадками використання чи технікою. Після того, як воно дотримується відкритого відкритого формату 'вражаючого списку', внески походять із більш широкого екосистеми MCP, а список розгортається разом із самою протоколлю.
Розподіл критеріїв
- Встановлена ручна робота списку реалізації MCP-серверів
- Розрахований за доменним та прикладним випадком
- Референсні посилання на джерельні репозиторії та документи
- Крім офіційних серверів також надаються спільнотні
- Відкрите для спільнотних вкладів
- Довідковий матеріал для вивчення екосистеми MCP
OpenAI Codex SDK
SDK для програмного вбудовування та керування агентами Codex за допомогою TypeScript, CLI або GitHub Actions.
OpenAI Codex SDK — це набір інструментів розробника, який дозволяє розробникам програмно вбудовувати та керувати агентами Codex. Він підтримує кілька інтерфейсів, включаючи TypeScript, CLI та GitHub Actions. SDK розроблений для того, щоб надати гнучкий спосіб інтегрувати агентів Codex у різноманітні застосунки та робочі процеси. За допомогою OpenAI Codex SDK розробники можуть створювати власні агенти, визначати їх поведінку та керувати робочими процесами агентів. SDK також надає інструменти для оцінки та оптимізації продуктивності агентів. Він призначений для розробників, які хочуть створювати застосунки, що використовують можливості агентів Codex. SDK пропонує широкий спектр функцій, включаючи підтримку кількох моделей та постачальників, ізоляцію агентів (sandboxing) та інтеграцію з різними інструментами та сервісами.
Розподіл критеріїв
- Генерація тексту
- Генерація коду
- Генерація зображень
- Генерація аудіо і мови
- Структурований вихід
- Виклик функцій
BabyBeeAGI
Напередодні розвинутий версія BabyAGI зі змігченими можливостями керування завданнями та функціоналом.
BabyBeeAGI – експериментальне середовище для створення самовідлагоджених автономних агентів. Воно було створене у розвиток першої BabyAGI із березня 2023 року, яка була представлена з можливістю завдання планування для автономних агентів. Середовище побудоване навколо нової функціональної бібліотеки під назвою 'functionz', яка зберігає, відображає та виконує функції з бази даних. Серед нього існує графічна структура для відстежування імпортування, залежних функцій та секретів автентифікації, разом із автоматичним завантаженням та повним обліком можливостей. Також серед нього наявний контрольний панель для управління функціями, проведення оновлень та перегляду записів обліку. Він створюється для простоти та сприяння обговоренню серед розробників, не для використання у промисловості. Основну ідею являє будівництво найпростішої речі, яка сама може відлагоджувати свій функціонал, роблячи таку розробку досить цікавою на розвиток автономних агентів.
Розподіл критеріїв
- Реєстрація функцій та керування метаданими
- Відстежування залежностей та ключових залежностей
- Автоматичне завантаження й облік можливостей
- Контрольний панель управління функціями та перегляду логів
Gemma 3
Відкритий розподілений модель штучного інтелекту, оптимізований для виконання на одній GPU, підтримуючи багатодіапазонні вхідні дані та понад 140 мов.
Гемма 3 — збірка легких, передових відкритих моделей, розроблених для роботи на пристроях, зокрема оптимізованих для виконуваності однієї відеокарти. Вона підтримує багатомодальні вхідні дані та більше 140 мов. Модель має різного розміру (1Б, 4Б, 12Б та 27Б), що дозволяє розробникам вибрати найкращу можливість відповідно до обладнання і потреб виконуваності. Гемма 3 пропонує розширені можливості текстової та візуальної міркування, вікно контексту 128k-токені та функцію виклику для складних завдань. Також вона має квантізовані версії для швидшого виконання та зменшеної вимоги до обчислень. Модель є частиною зобов'язання Google щодо забезпечення доступності корисної штучної інтелектуної техніки та будується на одних і тих же дослідженнях і технологіях, які використовуються в їхніх моделях Gemini 2.0. Гемма 3 призначена для надання розробникам можливості створювати програми штучного інтелекту, які можуть працювати безпосередньо на пристроях, наприклад телефонах, ноутбуки, та робочих станціях. Gemma 3 забезпечує передові технічні засоби для свого розміру та демонструє краще результати порівняно з іншими моделями, як-от Llama3-405B, DeepSeek-V3, і o3-mini, згідно даних попередніх оцінок людини за їхню бажаність. Вона забезпечує світові застосування з вихідними засобами для більш ніж 35 мов без додаткової налаштування та підтримкою підготовлених моделей для понад 140 мов. Модель дозволяє створювати потужні текучі роботи за допомогою функційного виклику та розвиненої структурованої операції. Розвидкa виробки Gemma 3 включала стримний контроль безпеки, такий як ґлобальна адміністрація даних, відповідність політиках безпеки шляхом мікротунелювання, і міцна оцінка базових вимірів Сім'я відкритих моделей Gemma побачила значний прихильність, з понад 100 мільйонів завантажень та щільної спільноти, яка створила понад 60 тисяч варіантів Gemma. Магічні можливості Gemma 3 роблять її придатною для розробників, які шукають створювати захоплюючі користувацькі інтерфейси та інтегрувати їх у обмежені ресурси однієї графічної карти чи процесора TPU.
Розподіл критеріїв
- підтримка штучного інтелекту багатодіапазонного типу
- відповідальне створення моделей
- розширена кінцеве виправлення параметрів
- підтримка понад 140 мов
- імпровізований рівень вчасності виконання
ScreenAgent
Відкритий VLM‑агент для керування графічним інтерфейсом комп'ютера за допомогою планування й виконання дій миші й клавіатури.
ScreenAgent — відкрита платформа VLM, призначена для керування графічними інтерфейсами комп'ютера за допомогою дій миші й клавіатури. Вона дозволяє взаємодіяти з реальними екранами, спостерігаючи скріншоти та виконуючи команди. Проєкт включає процес планування‑виконання‑рефлексії, який спрямовує агента до виконання багатокрокових задач. Створено, щоб вирішити проблему навчання агентів користуватися комп'ютером, що потребує планування завдань, розпізнавання зображень і візуального позиціювання. Датасет ScreenAgent, що охоплює різноманітні щоденні задачі, був вручну анотований для підтримки навчання агента. Проєкт складається з клієнта для керування робочим столом, набору даних, робітників моделі для інференції та коду тренування. Підтримує базові операції миші й клавіатури і може застосовуватись до різних ОС та застосувань. Підхід ScreenAgent є універсальним і не залежить від специфічних API, що робить його гнучким.
Розподіл критеріїв
- Виконання операцій миші й клавіатури
- Процес планування‑виконання‑рефлексії для завершення завдань
- Підтримка різних настільних ОС та застосувань
- Вручну аннотований набір даних ScreenAgent для різноманітних завдань
- VLM‑агент для взаємодії з GUI
AIWaves Agents
Откритий джерел adaptive LLM framework для будування, тренування та розгортання самостійних мовних агентів.
AIWaves Agents - це відкритий-source адаптивний framework LLM для створення, навчання та розгортання автономних мовних агентів. Він був оновлений до Agents 2.0, який додав підтримку навчання та оцінки агентів за допомогою символічного навчання, що є систематичною рамкою, натхненною навчанням нейронних мереж. Ця рамка дозволяє тренувати мовних агентів шляхом створення аналогії між потоками агентів та комп'ютерними графами нейронних мереж. Фреймворк працює виконавши агента та зберігши його траєкторію, включаючи вхідні дані, виходи, попередження та використання інструментів. Наступ, воно оцінює результат згідно функції втрат на основі мови, передає втрати, щоб розрахувати мовні градієнти, та оновлює симбольні компоненти відповідно цього агента. Цей процес дозволяв агентам навчатися та адаптуватися протягом часу. Агенти 2.0 також підтримують оптимізацію багатогранних систем agents, обробляючи вузли як різні агенти або дозволяючи декількану агенти діяти всередині однієї вузла. Формат розширено для можливості підтримки різноманітних застосунків та напрямків досліджень. Проект підтримує керівництво щодо встановлення, включаючи варіанти встановлення з репозиторію Git чи для локального розвитку. Також надаються посилання на пов'язані дослідження. Базові особливості цієї системи містять в собі сучасний підхід до навчання агентів та потенціал для розвитку досліджень у сфері автономних мовних агентів. Проте, її складність та залежність від добре спланованих потокових запитів можуть стати викликом для користувачів.
Розподіл критеріїв
- Підтримка самостійних мовних агентів
- Тренування мовних агентів
- Розгортання мовних агентів
- Агенти, які самі себе оновлюють
- Підтримка багаточеслових систем агентів
Claude MCP Agents
Агенти AI, зроблені на базі Anthropic's MCP для безперебійної інтеграції інструментів та даних.
Агенти Claude MCP використовують Протокол Моделі Контексту (MCP) компанії Anthropic для спрощеного взаємодії з великою кількістю зовнішніх джерел даних, Інтерфейсів прикладного програмування (API) та інструментів розробників. Стандартизуючи потік контексту між Claude і зовнішніми системами, ці агенти можуть читати файли, виконувати запити до баз даних, викликати служби та діяти на інформацію в реальному часі без особистих інтеграцій для кожного джерела. Даний підхід розрахований на розробників та команди, що створюють автоматику, допоміжні робочі програми та агенти процесу, яким потрібна надійна можливість доступу до підприємницької чи особистої інформації. Відкрита специфікація MCP значить, що такий самий агент міг би встановлюватися на різні інструменти шляхом під'єднання вже тоді, коли виникає необхідність створення додаткового підключення, зменшуючи можливість блокування та обсяг інтеграції.
Розподіл критеріїв
- Інтерговація протоколу контексту MCP
- Підключення до файлів, API та баз даних
- Розширення за допомогою власних серверів MCP
- Підтримка агентних, багаткових робіт
- Сумісність із сім'єю моделей Цлауда
- Відкритий стандарт для взаємодії
BabyCatAGI є спрощеною зміненою версією BabyAGI, розроблена для виконання складних завдань через автономні агенти AI. Вона розбиває високорівневі цілі на підзадачі, виконує їх послідовно та змінює свій план за умови проміжних результатів, зробивши її придатною для дослідження, генерування вмісту та багатошарового вирішення проблем. Підсистема віддає перевагу мінімуму коду та вивченню, роблячи її доступнішою для розробників, які бажають досліджувати агентні AI без надлишкового навантаження великих бібліотек організації. Вона інтегрується з мовними моделями та інструментами web-пошуку для збору контексту, вирішення проблем та отримання структурованих виходів. Проект BabyCatAGI, розроблений як відкритий експериментальний проєкт, найбільш підходить для створення прототипів обробок агентів, вивчення роботи завдань, керованих самостійних систем та створення індивідуальних потоків для особливих потреб автоматизації.
Розподіл критеріїв
- Створення та встановлення списку завдань
- Автономний виконання підвідповідальних завдань
- Інтеґрація із пошуковими інструментами в мережі інтернет для отримання додаткової інформації
- Послідовна робота із завданням
- Легковажний імплементація за мовою Python
- Можливість створювати власні цілі та запитання
BabyDeerAGI
Фреймворк штучного інтелекту, що забезпечує ефективну виконання окремих завдань паралельно.
BabyDeerAGI — це фреймворк штучного інтелекту, спрямований на забезпечення паралельного виконання окремих завдань для підвищення ефективності. Він призначений для розробників та дослідників, які бажають оптимізувати свої робочі процеси штучного інтелекту. Вміючи виконувати кілька завдань одночасно, BabyDeerAGI значно зменшує загальну тривалість обробки. Фреймворк розроблений з урахуванням необхідності підтримки інтеграції зі складними моделями штучного інтелекту та інструментами.
Розподіл критеріїв
- Паралельне виконання завдань
- Гнучка інтеграція з моделями штучного інтелекту
- Пропрацьований фреймворк штучного інтелекту
- Підтримка одночасно виконання завдань
- Середні відомості про його можливості та обмеження відсутні в доступних джерелах.