Минула битва · 2024-07-19 UTC
AI Agent Development Frameworks Протистояння — 19 липня 2024 р.
З категорії AI Agent Development Frameworks. 22 позначок поставлено серед 7 бійців. kagent здобув корону.
Підсумкові результати
Учасники
Бійці
Профілі кожного інструмента, який змагався в цій битві, ранжовані за підсумковим балом.
kagent
Откритий фреймворк, який дозволяє роботам AI автоматизувати операції із Kubernetes.
Кагент спрощує автоматизацію операцій за допомогою агентів AI в середовищі Kubernetes. Він надає можливість розгортати, спостерігати та керувати агентами за допомогою знайомих інструментів Kubernetes. kagent робить агентів першокласними завантаженням у Kubernetes, що дозволяє їм бути виділеними версіями за допомогою Custom Resource Definitions Kubernetes (CRDs) та переглянутий у Pull Requests. Цей підхід дозволяє використовувати наявні інструменти Kubernetes для керування агентами. Фреймворк є відкритим джерелом та побудований засновниками Istio. Він забезпечує підтримку різних комбінацій мов та фреймворків, включаючи Go та Python, та дозволяє використовувати будь-якого великого мовно-модельного провайдера (LLM). kagent надає міцну функцію безпеки та відстежності, включаючи відкриті метрики OpenTelemetry, метрики Prometheus та структуровані логи. Вона також підтримує багато варіантів виконання, взаємодію між агентами та можливість завантаження відомостей з репозиторіїв Git. У цілому, kagent надає потужні та міцні рамки для автоматизації роботи з Kubernetes та агентами, які використовують мистецтво інтелектуальної системи (AI)
Розподіл критеріїв
- Підґруння агента для швидкого запуску та ефективного використання ресурсів
- Готовий до довіри нуль (zero-trust) з mTLS та тонкою гранульованістю RBAC
- Триваліськи зберігає вектор-орієнтований пам'ять для довгострокової пам'яті
- Мандала людини в циклі оцінків та питань, запускаються агентами
- Засоби агент-до-агента (A2A) для створення багатоцільової роботизованої системи
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
MCP‑Use
Платформа з відкритим вихідним кодом для підключення LLM до серверів MCP та створення користувацьких агентів ШІ із доступом до інструментів.
MCP‑Use — відкрита-source платформа, яка забезпечує сполучення великих мовних моделей (LLMs) з серверами MCP і дозволяє розробляти індивідуальні агенти AI, які можуть взаємодіяти з цими моделями мов. Платформа надає повний ст Eck MCP-ramework (SDK MCP-use) для будівництва застосунків для спілкування з ChatGPT, підключень для Claude та серверів MCP. З допомогою mcp-use розробники можуть використовувати єдиний базовий код для розгортання своїх застосунків на різноманітних поверхнях, де вже працюють користувачі та агенти, зокрема ChatGPT, Claude та Gemini. Платформа пропонує широкий вибір інструментів та особливостей, наприклад можливість створювати застосунки MCP протягом однієї команди, автоматичне розгортання в Manufact Cloud та вбудовані аналітичні та спостережувальні функції. Девелопери можуть використовувати SDK mcp-use для створення та розгортання серверів і застосунків MCP без додаткових інструментів. Платформа також забезпечує візуальний інспектор та можливість тестування в Sandbox, що дозволяє розробникам тестувати свої програми без необхідності використання живої LLM. МCP-use спрямовано на спрощення розробки та розгортання застосунків на основі MCP, робляючи воно привабливою опцією для розробників, які бажають будувати та розгортати персоналізовані агенти штучного інтелекту та застосунки.
Розподіл критеріїв
- Керування серверами MCP
- Підключення та інтеграція LLM
- Розробка користувацьких агентів ШІ
- Автоматизоване розгортання та масштабованість
- Візуальний Інспектор та тестування в Піску
- Вбудовані аналітика та спостережливість
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
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
Agency Swarm
Офіційна відкрита система керування агентськими штормами для автоматизації та оптимізації процесів розробки AI за допомогою спільних агентських штормів.
Agency Swarm - це відкритий джерело-framework, який побудовано на основі OpenAI Agents SDK та Responses API. Воно забезпечує добре структурований та виконуваний для виробництва середовище для створення багатоякісних додатків. Головні характеристики мають такі функції: налаштовувані агентські ролі, можливість обробляти різного роду моделі backends (наприклад, відкритих моделей сім'ї GPT від OpenAI, компанії Anthropic, Google Gemini тощо), розширені своїми власними LiteLLM інструментами, які надані за допомогою декоратора @function_tool (зарекомендувались як рекомендації) або шляхом розширення об'єкта BaseTool. Основною перевагою архітектури Agency Swarm є її стабільність як у середовищі Python, так і Linux. Встановлення дуже просто здійснюється за допомогою стандартного командного рядка pip із інструкцією pip install agency-swarm. Даний інструмент Agency Swarm можна описати як відкрите джерело коду, яке на основі інтерфейсу програмування API OpenAI та SDK агентів будує своє функціонал. Agency Swarm – відкритий джерело набір інструментів для інтелектуальної машини, який допомагає розробникам створювати багатоголовні aplikace для розробки реальної світу інтелектуальної машин. Головні особливості: - Автогенеровані клієнтські інтерфейси командного рядка (CLI): Відкривайте свої програми REST на основі API з метою отримання простого доступу до головних послуг та підвищення продуктивності. - Персоналізовані ролі агентів: Власні функції та рівні доступу можуть бути легко визначені для кожної ролі агента, що підтримувало індивідуалізацію програми. - Універсальний імплементаційний рівень: Agency Swarm є повністю універсальним рішенням для програми тільки на Python. Якщо ви працюєте на Linux, то його можна розглядати як повністю універсальну реалізації без обмежень повністю залежно від стандартної бібліотеки мови Python. Найбільш вигідні сторони: 1. Певність у середовищі Python/Linux 2. Легка інтеграція з вашою програмою 3. Композитні та легко використовувані інструменти командного рядка 4. Виконавчі ролі агентів за індивідуальним замовленням Нагальні переваги та недоліки інструменту: 1. Обмеження зосередженості мовного моделі (персоналізовані чатів: GPT-3 тощо): відсутня 2. Вимоги середовища розробки: відсутня 3. Обмежена підтримка модельної бази даних: відсутня 4. Базова інтерфейс користувача: відсутня 5. Споживаність: відсутня 6. Інтеграція функцій: відсутня 7. Процес документації: відсутня 8. Підтримка штучного інтелекту: відсутня 9. Розробка складної діалогової лінейної дії: відсутня 10. Мультирозрядні додатки: відсутня 11. Одновремена виконання: відсутня 12. Доступ до стану програми: відсутня 13. Автоматичне розгортання: відсутня 14. Перехід із виконанням завдань: відсутня 15. Власні типи агентів: відсутня 16. Підтримка великої мови моделі: відсутня 17. Працює за допомогою Python ↻: відсутня 18. повний контроль: відсутня 19. Мислення щодо виступу: відсутня 20. Представлення місцевих робочих просторів: відсутня 21. Інтеграція із OpenALink: інструмент розробки на основі фреймворка Python 22. Колаборативне співробітництво на одному проєкті з AI-агентами 23. Інтерпретованість 24. Мониторинг: відсутня 25. Повна інтеграція джерел коду: відсутня 26. Шкала масштабування: відсутня 27. Низька якість виконання: відсутня Недоліки:Agency Swarm вимагає певну підготовку на етапах інтеграції та навчання щодо використання потужностей Langauge Model у своєму застосуванні. Внаслідок цього деякі команди можуть відчувати значний навантаження на свої розробницькі ресурси для запуску та підтримки цього інструменту. Також варто зауважити, що використання API для інтеграції з іншими послугами, що належать до категорії SaaS, вимагає додаткової технічної підтримки та розробки.
Розподіл критеріїв
- Змінювані Agent Ролі
- Повний Контроль над Підсказками/Інструкціями
- Типозахищені Інструменти для Розробки
- Скоординоване Співробітництво між Агентами
- Підсилювальні Задачі Зберігання
- Мульти-Агентну Організацію
Mosaic AI Agent Framework
Набір інструментів від Databricks для створення, розгортання та оцінки високоякісних агентів ШІ та додатків RAG.
Databricks Agent Framework (AAF) — це набір інструментів, наданих Databricks, для створення, розгортання та управління агентами ШІ. Ці агенти можуть підключатися до будь-якого інструменту, бази даних або SaaS-додатку через єдиний, керований протокол (Model Context Protocol, MCP). Фреймворк включає інтегровану розробку ШІ, експериментування та розгортання в безсерверні обчислення за допомогою Databricks Apps без необхідності управління інфраструктурою. Agent Bricks та Unity Catalog є необхідними для управління та безпеки; вони застосовують попередньо визначені політики щодо моделей, інструментів та підключень, забезпечуючи обмеження швидкості, відмови та інші засоби захисту, необхідні для запобігання ін'єкції підказок, виявлення конфіденційних даних та фільтрації вмісту.
Розподіл критеріїв
- Agent Bricks
- Unity Catalog
- Databricks Apps
- Model Context Protocol (MCP)
- Централізоване управління
- Керування на рівні користувача