ผู้แต่ง: Kevin นักวิจัยของ BlockBooster
ในฐานะที่เป็นชิ้นส่วนปริศนาสำคัญสำหรับการพัฒนาอุตสาหกรรม กรอบงาน AI Agent อาจมีศักยภาพสองประการในการส่งเสริมการนำเทคโนโลยีไปใช้และการเจริญเติบโตทางนิเวศวิทยา กรอบการทำงานที่มีการพูดคุยกันอย่างถึงพริกถึงขิงในตลาด ได้แก่ Eliza, Rig, Swarms, ZerePy เป็นต้น เฟรมเวิร์กเหล่านี้ดึงดูดนักพัฒนาและสร้างชื่อเสียงผ่าน Github Repo เฟรมเวิร์กเหล่านี้ออกในรูปแบบของเหรียญ "ไลบรารี" คล้ายกับว่าแสงมีลักษณะเป็นทั้งคลื่นและอนุภาค เฟรมเวิร์ก Agent มีลักษณะภายนอกที่ร้ายแรงและ Memecoin ในเวลาเดียวกัน บทความนี้จะมุ่งเน้นไปที่การอธิบาย "ความเป็นคู่ของคลื่น-อนุภาค" ของเฟรมเวิร์ก และเหตุใดเฟรมเวิร์ก Agent จึงกลายเป็นมุมสุดท้ายได้
นับตั้งแต่กำเนิดของ GOAT ผลกระทบของการเล่าเรื่องของตัวแทนในตลาดก็เพิ่มขึ้น เช่นเดียวกับปรมาจารย์กังฟู ด้วยหมัดซ้าย "Memecoin" และฝ่ามือขวาของเขา "Industry Hope" คุณจะพ่ายแพ้ในการเคลื่อนไหวครั้งใดครั้งหนึ่ง . ในความเป็นจริง สถานการณ์การใช้งานของ AI Agent ไม่ได้แยกความแตกต่างอย่างเคร่งครัด และขอบเขตระหว่างแพลตฟอร์ม เฟรมเวิร์ก และแอปพลิเคชันเฉพาะนั้นไม่ชัดเจน แต่ยังคงสามารถจำแนกคร่าวๆ ได้ตามความต้องการของโทเค็นหรือโปรโตคอล อย่างไรก็ตาม ตามการตั้งค่าการพัฒนาของโทเค็นหรือโปรโตคอล ยังสามารถแบ่งออกได้เป็นประเภทต่อไปนี้:
- Launchpad: แพลตฟอร์มเส้นผมของสินทรัพย์ Virtuals Protocol และ clanker บน Base chain, Dasha บน Solana chain
- แอปพลิเคชัน AI Agent: เป็นบริการฟรีระหว่าง Agent และ Memecoin และมีคุณสมบัติที่โดดเด่นในการกำหนดค่าหน่วยความจำหน่วยความจำ เช่น GOAT, aixbt เป็นต้น โดยทั่วไปแอปพลิเคชันเหล่านี้จะมีเอาต์พุตทางเดียวและมีเงื่อนไขอินพุตที่จำกัดมาก
- กลไก AI Agent: Griffin ของ Solana chain และ Spectre AI ของ base chain Griffin สามารถพัฒนาจากโหมดการอ่านและการเขียนไปเป็นโหมดการอ่าน การเขียน และการดำเนินการ Spectre AI เป็นเครื่องมือ RAG และการค้นหาแบบออนไลน์
- เฟรมเวิร์กตัวแทน AI: สำหรับแพลตฟอร์มเฟรมเวิร์ก ตัวตัวแทนเองก็เป็นสินทรัพย์ ดังนั้นเฟรมเวิร์กตัวแทนจึงเป็นแพลตฟอร์มการออกสินทรัพย์ของตัวแทนและ Launchpad ของตัวแทน โครงการตัวแทนในปัจจุบัน ได้แก่ ai16, Zerebro, ARC และ Swarms ซึ่งได้รับการพูดคุยอย่างถึงพริกถึงขิงในช่วงสองวันที่ผ่านมา
- คำแนะนำเล็กๆ น้อยๆ อื่นๆ: Agent Simmi ที่ครอบคลุม, โหมดโปรโตคอล AgentFi, Agent Seraph แบบเรียลไทม์
เมื่อพูดถึงกรอบการทำงานของตัวแทนเพิ่มเติม เราจะเห็นว่ากรอบการทำงานภายนอกนั้นเพียงพอแล้ว แตกต่างจากเครือข่ายสาธารณะและโปรโตคอลหลักๆ ตรงที่นักพัฒนาสามารถเลือกได้จากสภาพแวดล้อมภาษาการพัฒนาที่แตกต่างกันเท่านั้น และจำนวนนักพัฒนาทั้งหมดในอุตสาหกรรมไม่ได้แสดงให้เห็นถึงการเติบโตของมูลค่าตลาดที่สอดคล้องกัน Github Repo เป็นสถานที่ที่นักพัฒนา Web2 และ Web3 สร้างฉันทามติ ชุมชนนักพัฒนาที่ก่อตั้งขึ้นที่นี่มีความน่าดึงดูดและมีอิทธิพลต่อนักพัฒนา Web2 มากกว่าแพ็คเกจ "ปลั๊กแอนด์เพลย์" ที่พัฒนาโดยโปรโตคอลใดๆ เพียงอย่างเดียว
เฟรมเวิร์กทั้งสี่ที่กล่าวถึงในบทความนี้เป็นโอเพ่นซอร์สทั้งหมด: เฟรมเวิร์ก Eliza ของ ai16z ได้รับ 6200 ดาว เฟรมเวิร์ก Zerebro ของ Zerebro ได้รับ 191 ดาว; ปัจจุบัน กรอบงาน Eliza ถูกนำมาใช้อย่างแพร่หลายในแอปพลิเคชัน Agent ต่างๆ และเป็นกรอบงานที่มีความครอบคลุมมากที่สุด ระดับการพัฒนาของ ZerePy นั้นไม่สูงนัก ทิศทางการพัฒนาส่วนใหญ่จะอยู่ที่ X และยังไม่รองรับ LLM ภายในและหน่วยความจำในตัว RIG ค่อนข้างยากในการพัฒนา แต่สามารถให้อิสระแก่นักพัฒนาในการเพิ่มประสิทธิภาพสูงสุดได้ Swarms ไม่มีกรณีการใช้งานอื่นใดนอกจากทีมที่เปิดตัว mcs แต่ Swarms สามารถรวมเฟรมเวิร์กที่แตกต่างกันและมีพื้นที่มากมายสำหรับจินตนาการ
นอกจากนี้ ในการจัดหมวดหมู่ข้างต้น เอ็นจิ้น Agent และเฟรมเวิร์กจะถูกแยกออกจากกัน ซึ่งอาจทำให้เกิดความสับสน แต่ฉันคิดว่ามีความแตกต่างระหว่างทั้งสอง อันดับแรก ทำไมต้องมีเครื่องยนต์? ความคล้ายคลึงระหว่าง Lenovo กับเสิร์ชเอ็นจิ้นในชีวิตจริงค่อนข้างสอดคล้องกัน แตกต่างจากแอปพลิเคชัน Agent ที่เป็นเนื้อเดียวกัน ประสิทธิภาพของกลไก Agent นั้นเหนือกว่า แต่ในขณะเดียวกัน ยังเป็นกล่องดำที่ห่อหุ้มไว้อย่างสมบูรณ์ซึ่งสามารถปรับได้ผ่านอินเทอร์เฟซ API ผู้ใช้สามารถสัมผัสกับประสิทธิภาพของเอ็นจิ้น Agent ในรูปแบบของทางแยก แต่พวกเขาไม่สามารถมีภาพรวมและอิสระในการปรับแต่งเหมือนเฟรมเวิร์กพื้นฐานได้ เอ็นจิ้นของผู้ใช้แต่ละคนก็เหมือนกับการสร้างอิมเมจบนเอเจนต์ที่ได้รับการปรับแต่งและการโต้ตอบกับอิมเมจ กรอบงานนั้นมีการปรับให้เข้ากับลูกโซ่เป็นหลัก เนื่องจากเป้าหมายสูงสุดในการสร้างกรอบงานตัวแทนในตัวแทนคือการรวมเข้ากับลูกโซ่ที่เกี่ยวข้อง วิธีกำหนดวิธีการโต้ตอบข้อมูล วิธีกำหนดวิธีการตรวจสอบข้อมูล วิธีกำหนดบล็อก ขนาด และวิธีสร้างสมดุลระหว่างฉันทามติและประสิทธิภาพ สิ่งเหล่านี้คือสิ่งที่กรอบงานจำเป็นต้องพิจารณา แล้วเครื่องยนต์ล่ะ? คุณเพียงแค่ต้องปรับแต่งโมเดลอย่างสมบูรณ์และตั้งค่าความสัมพันธ์ระหว่างการโต้ตอบข้อมูลและหน่วยความจำในทิศทางที่แน่นอน ประสิทธิภาพเป็นเพียงเกณฑ์การประเมินเท่านั้น แต่เฟรมเวิร์กไม่ใช่
ในวงจรชีวิตของตัวแทนที่ดำเนินการอินพุตและเอาต์พุต จำเป็นต้องมีสามส่วน ขั้นแรก โมเดลพื้นฐานจะกำหนดความลึกและวิธีคิด จากนั้นหน่วยความจำก็เป็นสถานที่สำหรับปรับแต่ง หลังจากที่โมเดลพื้นฐานมีเอาท์พุตแล้ว ก็จะมีการปรับเปลี่ยนตามหน่วยความจำ และสุดท้ายการดำเนินการเอาท์พุตจะเสร็จสิ้นบนไคลเอนต์ที่แตกต่างกัน
ที่มา: @SuhailKakar
เพื่อพิสูจน์ว่ากรอบการทำงานของ Agent มี "ความเป็นคู่ของคลื่น-อนุภาค" "wave" จึงมีคุณลักษณะของ "Memecoin" ซึ่งเป็นตัวแทนของวัฒนธรรมชุมชนและกิจกรรมของนักพัฒนา โดยเน้นถึงความน่าดึงดูดและความสามารถในการสื่อสารของ Agent; ความคาดหวัง" คุณสมบัติที่แสดงถึงประสิทธิภาพพื้นฐาน กรณีการใช้งานจริง และความลึกทางเทคนิค ฉันจะอธิบายบทช่วยสอนการพัฒนาจากสองด้านโดยรวมสามเฟรมเวิร์กเป็นตัวอย่าง:
- ตั้งค่าสภาพแวดล้อม
ที่มา: @SuhailKakar
2. ติดตั้งเอลิซ่า
ที่มา: @SuhailKakar
3. ไฟล์การกำหนดค่า
ที่มา: @SuhailKakar
4.กำหนดบุคลิกภาพของตัวแทน
ที่มา: @SuhailKakar
เฟรมเวิร์กของ Eliza นั้นค่อนข้างใช้งานง่าย ขึ้นอยู่กับ TypeScript ซึ่งเป็นภาษาที่นักพัฒนาเว็บและ Web3 ส่วนใหญ่คุ้นเคย กรอบการทำงานมีความกระชับและไม่นามธรรมจนเกินไป ช่วยให้นักพัฒนาสามารถเพิ่มฟังก์ชันที่ต้องการได้อย่างง่ายดาย จากขั้นตอนที่ 3 คุณจะเห็นว่า Eliza สามารถรวมเข้ากับไคลเอนต์ได้หลายตัว และคุณสามารถเข้าใจว่ามันเป็นแอสเซมเบลอร์สำหรับการรวมหลายไคลเอนต์ Eliza รองรับแพลตฟอร์มเช่น DC, TG และ
เนื่องจากความเรียบง่ายของเฟรมเวิร์กและอินเทอร์เฟซที่หลากหลาย Eliza จึงลดเกณฑ์การเข้าถึงลงอย่างมาก และบรรลุมาตรฐานอินเทอร์เฟซที่ค่อนข้างเป็นหนึ่งเดียว
1.แยกไลบรารี ZerePy
ที่มา: https://replit.com/@blormdev/ZerePy?v=1
2. กำหนดค่า X และ GPT
ที่มา: https://replit.com/@blormdev/ZerePy?v=1
3.กำหนดบุคลิกภาพของตัวแทน
3.กำหนดบุคลิกภาพของตัวแทน
ที่มา: https://replit.com/@blormdev/ZerePy?v=1
ยกตัวอย่างการสร้างเอเจนต์ RAG (Retriival Enhanced Generation):
1. กำหนดค่าสภาพแวดล้อมและคีย์ OpenAI
ที่มา: https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
2. ตั้งค่าไคลเอนต์ OpenAI และใช้ Chunking สำหรับการประมวลผล PDF
ที่มา: https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
3. กำหนดโครงสร้างเอกสารและการฝัง
ที่มา: https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
4. สร้างพื้นที่เก็บข้อมูลเวกเตอร์และตัวแทน RAG
ที่มา: https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
Rig (ARC) เป็นเฟรมเวิร์กการสร้างระบบ AI ที่ใช้ภาษา Rust สำหรับกลไกเวิร์กโฟลว์ LLM ซึ่งช่วยแก้ปัญหาการเพิ่มประสิทธิภาพระดับล่าง กล่าวอีกนัยหนึ่ง ARC คือ "กล่องเครื่องมือ" ของกลไก AI ที่ให้การเรียก AI และการเพิ่มประสิทธิภาพ การจัดเก็บข้อมูล การจัดการข้อยกเว้น และบริการสนับสนุนเบื้องหลังอื่นๆ
สิ่งที่ Rig ต้องการแก้ไขคือปัญหา "การโทร" เพื่อช่วยให้นักพัฒนาเลือก LLM ได้ดีขึ้น เพิ่มประสิทธิภาพคำพร้อมท์ให้ดีขึ้น จัดการโทเค็นได้อย่างมีประสิทธิภาพมากขึ้น และวิธีการจัดการการประมวลผลพร้อมกัน จัดการทรัพยากร ลดเวลาแฝง ฯลฯ โดยเน้นที่ AI โมเดล LLM วิธี "ใช้ประโยชน์ให้คุ้มค่า" เมื่อทำงานร่วมกับระบบ AI Agent
Rig เป็นไลบรารี Rust แบบโอเพ่นซอร์สที่ออกแบบมาเพื่อลดความซับซ้อนในการพัฒนาแอปพลิเคชันที่ขับเคลื่อนด้วย LLM (รวมถึง RAG Agent) เนื่องจาก Rig เปิดกว้างกว่า จึงมีข้อกำหนดที่สูงกว่าสำหรับนักพัฒนา และมีความเข้าใจในเรื่อง Rust และ Agent ที่สูงขึ้น บทช่วยสอนที่นี่คือกระบวนการกำหนดค่า RAG Agent ขั้นพื้นฐานที่สุด RAG ปรับปรุง LLM ด้วยการรวม LLM เข้ากับการดึงข้อมูลความรู้จากภายนอก ในการสาธิตอื่นๆ บนเว็บไซต์อย่างเป็นทางการ คุณจะเห็นว่า Rig มีลักษณะดังต่อไปนี้:
- อินเทอร์เฟซ LLM แบบรวม: รองรับ API ที่สอดคล้องกันของผู้ให้บริการ LLM ที่แตกต่างกัน เพื่อทำให้การรวมระบบง่ายขึ้น
- ขั้นตอนการทำงานแบบนามธรรม: ส่วนประกอบแบบโมดูลาร์ที่สร้างไว้ล่วงหน้าช่วยให้ Rig สามารถดำเนินการออกแบบระบบ AI ที่ซับซ้อนได้
- พื้นที่จัดเก็บเวกเตอร์แบบรวม: การสนับสนุนในตัวสำหรับการจัดเก็บหมวดหมู่ ให้ประสิทธิภาพที่มีประสิทธิภาพในตัวแทนการค้นหาที่คล้ายกัน เช่น RAG Agent
- การฝังที่ยืดหยุ่น: ให้ API ที่ใช้งานง่ายสำหรับการประมวลผลการฝัง ช่วยลดความยากในการทำความเข้าใจความหมายเมื่อพัฒนาเอเจนต์การค้นหาที่คล้ายกัน เช่น RAG Agent
จะเห็นได้ว่าเมื่อเปรียบเทียบกับ Eliza แล้ว Rig มอบพื้นที่เพิ่มเติมให้กับนักพัฒนาสำหรับการเพิ่มประสิทธิภาพการทำงาน ช่วยให้นักพัฒนาสามารถดีบักการโทร LLM และ Agent ได้ดีขึ้น และการเพิ่มประสิทธิภาพการทำงานร่วมกัน Rig ใช้ประสิทธิภาพที่ขับเคลื่อนด้วย Rust โดยใช้ประโยชน์จากนามธรรมที่ไม่มีค่าใช้จ่ายของ Rust และการดำเนินการ LLM ที่ปลอดภัยต่อหน่วยความจำ ประสิทธิภาพสูง และมีความหน่วงต่ำ มันสามารถให้ระดับอิสระที่สมบูรณ์ยิ่งขึ้นในระดับพื้นฐาน
Swarms มุ่งหวังที่จะจัดเตรียมเฟรมเวิร์กการจัดการตัวแทนหลายระดับระดับองค์กร เว็บไซต์อย่างเป็นทางการมีเวิร์กโฟลว์มากมายและสถาปัตยกรรมแบบขนานและแบบอนุกรมของตัวแทน
เวิร์กโฟลว์ตามลำดับ
Swarms มุ่งหวังที่จะจัดเตรียมเฟรมเวิร์กการจัดการตัวแทนหลายระดับระดับองค์กร เว็บไซต์อย่างเป็นทางการมีเวิร์กโฟลว์มากมายและสถาปัตยกรรมแบบขนานและแบบอนุกรมของตัวแทน
เวิร์กโฟลว์ตามลำดับ
ที่มา: https://docs.swarms.world
สถาปัตยกรรม Sequential Swarm ประมวลผลงานเป็นลำดับเชิงเส้น เอเจนต์แต่ละรายทำงานของตนให้เสร็จสิ้นก่อนที่จะส่งต่อผลลัพธ์ไปยังเอเจนต์ถัดไปในห่วงโซ่ สถาปัตยกรรมนี้ช่วยให้มั่นใจในการประมวลผลที่เป็นระเบียบและมีประโยชน์เมื่องานมีการขึ้นต่อกัน
กรณีการใช้งาน:
- แต่ละขั้นตอนในเวิร์กโฟลว์จะขึ้นอยู่กับขั้นตอนก่อนหน้า เช่น สายการประกอบหรือการประมวลผลข้อมูลตามลำดับ
- สถานการณ์สมมติที่ต้องปฏิบัติตามลำดับการดำเนินงานอย่างเคร่งครัด
สถาปัตยกรรมแบบลำดับชั้น:
ที่มา: https://docs.swarms.world
เพื่อให้บรรลุการควบคุมจากบนลงล่าง เจ้าหน้าที่ที่เหนือกว่าจะประสานงานระหว่างเจ้าหน้าที่รอง เจ้าหน้าที่ปฏิบัติงานไปพร้อมๆ กัน จากนั้นป้อนผลลัพธ์กลับเข้าไปในลูปเพื่อการรวบรวมขั้นสุดท้าย สิ่งนี้มีประโยชน์สำหรับงานที่ต้องมีการขนานกันอย่างมาก
สถาปัตยกรรมรูปแบบสเปรดชีต:
ที่มา: https://docs.swarms.world
สถาปัตยกรรมฝูงขนาดใหญ่สำหรับการจัดการตัวแทนหลายรายที่ทำงานพร้อมกัน สามารถจัดการตัวแทนนับพันได้พร้อมกัน โดยแต่ละตัวแทนทำงานบนเธรดของตัวเอง เหมาะอย่างยิ่งสำหรับการดูแลเอาต์พุตตัวแทนขนาดใหญ่
Swarms ไม่เพียงแต่เป็นเฟรมเวิร์กของ Agent เท่านั้น แต่ยังเข้ากันได้กับเฟรมเวิร์ก Eliza, ZerePy และ Rig ที่กล่าวมาข้างต้น ด้วยแนวคิดแบบแยกส่วน จะช่วยเพิ่มประสิทธิภาพของ Agent ให้สูงสุดในเวิร์กโฟลว์และสถาปัตยกรรมที่แตกต่างกันเพื่อแก้ไขปัญหาที่เกี่ยวข้อง แนวคิดของ Swarms และความก้าวหน้าของชุมชนนักพัฒนานั้นดีทั้งคู่
- Eliza: ใช้งานง่ายที่สุด เหมาะสำหรับผู้เริ่มต้นและการสร้างต้นแบบอย่างรวดเร็ว เหมาะอย่างยิ่งสำหรับการโต้ตอบกับ AI บนแพลตฟอร์มโซเชียลมีเดีย เฟรมเวิร์กนี้เรียบง่าย ง่ายต่อการรวมและแก้ไขอย่างรวดเร็ว และเหมาะสำหรับสถานการณ์ที่ไม่ต้องการการเพิ่มประสิทธิภาพการทำงานมากเกินไป
- ZerePy: การปรับใช้เพียงคลิกเดียว เหมาะสำหรับการพัฒนาอย่างรวดเร็วของแอปพลิเคชัน AI Agent สำหรับ Web3 และแพลตฟอร์มโซเชียล เหมาะสำหรับแอปพลิเคชัน AI น้ำหนักเบา พร้อมเฟรมเวิร์กที่เรียบง่ายและการกำหนดค่าที่ยืดหยุ่น เหมาะสำหรับการสร้างและการวนซ้ำที่รวดเร็ว
- Rig: มุ่งเน้นไปที่การปรับประสิทธิภาพให้เหมาะสม โดยเฉพาะอย่างยิ่งทำงานได้ดีในงานที่มีการทำงานพร้อมกันสูงและมีประสิทธิภาพสูง และเหมาะสำหรับนักพัฒนาที่ต้องการการควบคุมและการเพิ่มประสิทธิภาพอย่างละเอียด เฟรมเวิร์กนี้ค่อนข้างซับซ้อนและต้องใช้ความรู้เกี่ยวกับ Rust ในระดับหนึ่ง ทำให้เหมาะสำหรับนักพัฒนาที่มีประสบการณ์มากกว่า
- Swarms: เหมาะสำหรับแอปพลิเคชันระดับองค์กร รองรับการทำงานร่วมกันหลายตัวแทนและการจัดการงานที่ซับซ้อน เฟรมเวิร์กมีความยืดหยุ่น รองรับการประมวลผลแบบขนานจำนวนมาก และมีการกำหนดค่าทางสถาปัตยกรรมที่หลากหลาย แต่เนื่องจากความซับซ้อน จึงอาจต้องใช้พื้นฐานทางเทคนิคที่แข็งแกร่งกว่าเพื่อการใช้งานที่มีประสิทธิภาพ
โดยรวมแล้ว Eliza และ ZerePy มีข้อได้เปรียบในด้านความสะดวกในการใช้งานและการพัฒนาที่รวดเร็ว ในขณะที่ Rig และ Swarms เหมาะสำหรับนักพัฒนามืออาชีพหรือแอปพลิเคชันระดับองค์กรที่ต้องการประสิทธิภาพสูงและการประมวลผลขนาดใหญ่
นี่คือสาเหตุที่เฟรมเวิร์กตัวแทนมีฟีเจอร์ "ความหวังของอุตสาหกรรม" กรอบงานข้างต้นยังอยู่ในช่วงเริ่มต้น และสิ่งสำคัญที่สุดคือการคว้าความได้เปรียบจากผู้เสนอญัตติรายแรกและสร้างชุมชนนักพัฒนาที่กระตือรือร้น ประสิทธิภาพของเฟรมเวิร์กเองและความล่าช้าของแอปพลิเคชัน Web2 ยอดนิยมนั้นไม่ใช่ข้อขัดแย้งหลักหรือไม่ มีเพียงเฟรมเวิร์กที่มีนักพัฒนาหลั่งไหลเข้ามาอย่างต่อเนื่องเท่านั้นที่จะชนะในที่สุด เนื่องจากอุตสาหกรรม Web3 จำเป็นต้องดึงดูดความสนใจของตลาดอยู่เสมอ ไม่ว่าประสิทธิภาพของเฟรมเวิร์กจะแข็งแกร่งเพียงใดและพื้นฐานจะแข็งแกร่งเพียงใด หากเป็นเรื่องยากที่จะเริ่มต้นหรือไม่ก็ตาม ใครสนใจก็เอาเกวียนไปวางหน้าม้า บนสมมติฐานที่ว่าเฟรมเวิร์กสามารถดึงดูดนักพัฒนาได้ เฟรมเวิร์กที่มีโมเดลทางเศรษฐกิจโทเค็นที่สมบูรณ์และสมบูรณ์กว่าจะมีความโดดเด่น
กรอบการทำงานของตัวแทนมีคุณสมบัติ "Memecoin" ซึ่งเข้าใจง่ายมาก โทเค็นกรอบงานดังกล่าวข้างต้นไม่มีการออกแบบโทเค็นทางเศรษฐกิจที่สมเหตุสมผล โทเค็นไม่มีกรณีการใช้งานหรือกรณีการใช้งานเดียวมากนัก ไม่มีรูปแบบธุรกิจที่พิสูจน์แล้ว และไม่มีมู่เล่โทเค็นที่มีประสิทธิภาพ ไม่มีการเชื่อมโยงระหว่างมันกับโทเค็น การรวมกันแบบออร์แกนิกที่สมบูรณ์ การเติบโตของราคาโทเค็นเป็นเรื่องยากที่จะได้รับการสนับสนุนขั้นพื้นฐาน ยกเว้น FOMO และไม่มีคูน้ำเพียงพอที่จะรับประกันการเติบโตของมูลค่าที่มั่นคงและยั่งยืน ในขณะเดียวกัน กรอบการทำงานที่กล่าวมาข้างต้นนั้นดูค่อนข้างหยาบ และมูลค่าที่แท้จริงของมันไม่ตรงกับมูลค่าตลาดในปัจจุบัน ดังนั้นจึงมีลักษณะเฉพาะ "Memecoin" ที่แข็งแกร่ง
เป็นที่น่าสังเกตว่า "ความเป็นคู่ของคลื่นและอนุภาค" ของเฟรมเวิร์ก Agent ไม่ใช่ข้อบกพร่อง และไม่สามารถเข้าใจได้โดยคร่าวว่าเป็นขวดน้ำเปล่าครึ่งขวดที่ไม่ใช่ทั้ง Memecoin บริสุทธิ์หรือกรณีการใช้งานโทเค็น ดังที่ฉันได้กล่าวไว้ในบทความก่อนหน้านี้: ตัวแทนน้ำหนักเบาถูกปกคลุมไปด้วย Memecoin ที่คลุมเครือ วัฒนธรรมชุมชนและพื้นฐานจะไม่ขัดแย้งกันอีกต่อไป และเส้นทางการพัฒนาสินทรัพย์ใหม่จะค่อยๆ เกิดขึ้น แม้ว่าตัวแทนจะมีฟองสบู่และความไม่แน่นอนในระยะแรกของ กรอบการทำงาน แต่ศักยภาพในการดึงดูดนักพัฒนาและส่งเสริมการใช้งานแอปพลิเคชันไม่สามารถละเลยได้ ในอนาคต กรอบการทำงานที่มีโมเดลทางเศรษฐกิจโทเค็นที่สมบูรณ์และระบบนิเวศของนักพัฒนาที่แข็งแกร่งอาจกลายเป็นเสาหลักสำคัญของเส้นทางนี้
เกี่ยวกับ BlockBooster: BlockBooster เป็นสตูดิโอร่วมทุน Asian Web3 ที่ได้รับการสนับสนุนจาก OKX Ventures และสถาบันชั้นนำอื่นๆ ซึ่งมุ่งมั่นที่จะเป็นพันธมิตรที่น่าเชื่อถือสำหรับผู้ประกอบการที่โดดเด่น ด้วยการลงทุนเชิงกลยุทธ์และการบ่มเพาะในเชิงลึก เราเชื่อมโยงโครงการ Web3 กับโลกแห่งความเป็นจริง และช่วยให้โครงการผู้ประกอบการคุณภาพสูงเติบโตขึ้น
ข้อสงวนสิทธิ์: บทความ/บล็อกนี้มีไว้เพื่อการอ้างอิงเท่านั้น และแสดงถึงมุมมองส่วนตัวของผู้เขียน และไม่ได้แสดงถึงจุดยืนของ BlockBooster บทความนี้ไม่ได้มีจุดมุ่งหมายเพื่อให้: (i) คำแนะนำในการลงทุนหรือคำแนะนำในการลงทุน (ii) ข้อเสนอที่หรือการชักชวนให้ซื้อ ขาย หรือถือครองสินทรัพย์ดิจิทัล หรือ (iii) คำแนะนำทางการเงิน การบัญชี กฎหมาย หรือภาษี การถือครองสินทรัพย์ดิจิทัล รวมถึงเหรียญเสถียรและ NFT มีความเสี่ยงอย่างยิ่ง โดยมีความผันผวนของราคาอย่างมาก และอาจกลายเป็นสิ่งไร้ค่าด้วยซ้ำ คุณควรพิจารณาอย่างรอบคอบว่าการซื้อขายหรือการถือครองสินทรัพย์ดิจิทัลนั้นเหมาะสมกับคุณหรือไม่ โดยพิจารณาจากสถานการณ์ทางการเงินของคุณเอง โปรดปรึกษาที่ปรึกษาด้านกฎหมาย ภาษี หรือการลงทุนของคุณ หากคุณมีคำถามเกี่ยวกับสถานการณ์เฉพาะของคุณ ข้อมูลที่ให้ไว้ในที่นี้ (รวมถึงข้อมูลตลาดและสถิติ ถ้ามี) มีไว้เพื่อเป็นข้อมูลทั่วไปเท่านั้น มีการใช้ความระมัดระวังตามสมควรในการเตรียมข้อมูลและกราฟเหล่านี้ แต่จะไม่รับผิดชอบต่อข้อผิดพลาดหรือการละเว้นข้อเท็จจริงใดๆ ที่แสดงออกมาในนั้น
ความคิดเห็นทั้งหมด