Le cadre de l'agent IA est-il le dernier morceau du puzzle à mettre en place ? Comment interpréter la « dualité onde-particule » du cadre ?
TechFlow SélectionTechFlow Sélection
Le cadre de l'agent IA est-il le dernier morceau du puzzle à mettre en place ? Comment interpréter la « dualité onde-particule » du cadre ?
Évaluer les cadres d'Agent selon la perspective de la « dualité onde-particule » pourrait être une condition préalable pour s'assurer d'avancer dans la bonne direction.
Dédié à des analyses Web3 approfondiesRédaction : Kevin, chercheur chez BlockBooster
Les frameworks d'Agent IA, en tant qu'élément clé du développement sectoriel, pourraient receler un double potentiel : favoriser la mise en œuvre des technologies et mûrir l'écosystème. Parmi les frameworks largement discutés sur le marché figurent Eliza, Rig, Swarms, ZerePy, etc. Ces frameworks attirent les développeurs via leurs dépôts GitHub, bâtissant ainsi une réputation. À l'image de la dualité onde-particule où la lumière manifeste simultanément deux natures, ces frameworks d'Agent incarnent à la fois une externalité sérieuse et des caractéristiques de Memecoin. Cet article se concentre sur cette « dualité onde-particule » et explique pourquoi les frameworks d'Agent pourraient constituer la dernière pièce manquante du puzzle.
Les externalités générées par les frameworks d'Agent peuvent laisser germer de nouvelles opportunités après le reflux de la bulle
Depuis l’émergence de GOAT, le récit autour des Agents a progressivement gagné en intensité sur le marché, tel un maître des arts martiaux frappant de deux mains : le poing gauche porteur du « Memecoin », la paume droite incarnant « l’espoir industriel ». Tôt ou tard, l’un de ces deux coups vous atteint. En réalité, les cas d’usage des Agents IA ne sont pas strictement définis, les frontières entre plateformes, frameworks et applications spécifiques restent floues. Toutefois, selon les préférences liées aux jetons ou protocoles, on peut distinguer plusieurs catégories :
-
Launchpad : plateformes d’émission d’actifs. Sur Base : Virtuals Protocol et clanker ; sur Solana : Dasha.
-
Applications d'Agent IA : oscillant entre Agent et Memecoin, marquant des progrès notables au niveau de la configuration mémoire, comme GOAT ou aixbt. Généralement, ces applications fonctionnent en mode sortie unidirectionnelle avec des conditions d’entrée très limitées.
-
Moteurs d'Agent IA : Griffain sur Solana et Spectre AI sur Base. Griffain évolue d’un modèle lecture-écriture vers un modèle lecture-écriture-action ; Spectre AI est un moteur RAG (recherche augmentée générative) destiné à la recherche sur chaîne.
-
Frameworks d'Agent IA : Pour ces plateformes, l’Agent lui-même est un actif. Ainsi, les frameworks d’Agent agissent comme des plateformes d’émission d’Agents, véritable Launchpad dédié aux Agents. Les projets représentatifs incluent ai16z, Zerebro, ARC et récemment Swarms, sujet de nombreuses discussions.
-
Autres directions mineures : Agent généraliste Simmi ; protocole AgentFi Mode ; Agent de falsification Seraph ; Agent API en temps réel Creator.Bid.
En approfondissant l’analyse des frameworks d’Agent, on constate leur forte externalité. Contrairement aux développeurs des différentes blockchains et protocoles, contraints de choisir parmi divers environnements linguistiques sans que la taille globale de la communauté développeur croisse proportionnellement à la capitalisation, les dépôts GitHub constituent un lieu de convergence pour les développeurs Web2 et Web3. Y construire une communauté développeur s'avère bien plus puissant – en termes d’attrait et d’influence auprès des développeurs Web2 – que n’importe quel package « plug-and-play » développé isolément par un protocole.
Les quatre frameworks mentionnés ici sont tous open source : le framework Eliza d’ai16z a reçu 6 200 étoiles ; ZerePy de Zerebro, 191 étoiles ; RIG d’ARC, 1 700 étoiles ; Swarms, 2 100 étoiles. Actuellement, Eliza est largement utilisé dans diverses applications d’Agent, étant le framework le plus répandu. Le développement de ZerePy reste modeste, orienté principalement vers X, sans encore prendre en charge les LLM locaux ni la mémoire intégrée. RIG présente une courbe d’apprentissage élevée mais offre aux développeurs une liberté maximale pour optimiser les performances. Outre le lancement de mcs par son équipe, Swarms n’a pas encore d’autres cas concrets, mais sa capacité à intégrer différents frameworks laisse entrevoir un fort potentiel.
Par ailleurs, séparer moteurs et frameworks d’Agent pourrait sembler ambigu. Pourtant, une distinction existe. Pourquoi parler de « moteur » ? Par analogie avec les moteurs de recherche classiques, cela semble pertinent. Contrairement aux applications d’Agent homogènes, les moteurs offrent des performances supérieures mais sont entièrement encapsulés, opérant comme des boîtes noires ajustables uniquement via des API. Les utilisateurs peuvent fork un moteur pour en tester les performances, mais sans jamais en maîtriser pleinement l’architecture ni bénéficier d’une personnalisation complète comme avec un framework de base. Chaque moteur utilisateur ressemble à un clone d’Agent préconfiguré, interagissant avec une image figée. En revanche, un framework vise fondamentalement à s’adapter à une blockchain : développer un Agent sur un framework implique toujours une intégration avec une chaîne spécifique. Le framework doit donc traiter des questions cruciales : définir les modes d’interaction des données, les méthodes de validation, la taille des blocs, ou encore équilibrer consensus et performance. Un moteur, lui, n’a besoin que d’optimiser finement un modèle donné, régler les relations entre données et mémoire — sa seule mesure de succès étant la performance, alors que ce n’est pas le seul critère pour un framework.
Adopter la perspective de la « dualité onde-particule » pour évaluer les frameworks d’Agent pourrait être la clé pour avancer dans la bonne direction
Dans le cycle de vie d’un Agent réalisant une entrée-sortie, trois composants sont nécessaires. D’abord, le modèle sous-jacent qui détermine la profondeur et la manière de penser. Ensuite, la mémoire, personnalisable : après une sortie initiale du modèle de base, celle-ci permet de modifier le résultat. Enfin, l’opération de sortie s’effectue sur différents clients.
Source : @SuhailKakar
Pour prouver que les frameworks d’Agent possèdent cette « dualité onde-particule », considérons que l’« onde » incarne les traits d’un Memecoin : culture communautaire et activité des développeurs, mettant l’accent sur l’attractivité et la viralité de l’Agent. La « particule », elle, représente les attentes industrielles : performances techniques, cas d’usage concrets et profondeur technologique. J’illustrerai cela à travers les tutoriels de trois frameworks :
Le framework Eliza, basé sur l’assemblage rapide
1. Configuration de l’environnement
Source : @SuhailKakar
2. Installation d’Eliza
Source : @SuhailKakar
3. Fichier de configuration
Source : @SuhailKakar
4. Définition du caractère de l’Agent
Source : @SuhailKakar
Le framework Eliza est relativement facile à prendre en main. Basé sur TypeScript, langage familier à la plupart des développeurs Web et Web3, il est concis, sans abstraction excessive, permettant d’ajouter facilement des fonctionnalités personnalisées. L’étape 3 montre qu’Eliza supporte l’intégration multi-client, pouvant être vu comme un assembleur multiplateforme. Compatible avec DC, TG et X, il prend en charge plusieurs grands modèles linguistiques (LLM), permettant l’entrée via réseaux sociaux, la sortie via LLM, et intègre une gestion de mémoire interne, facilitant le déploiement rapide d’un Agent IA quel que soit le profil du développeur.
Grâce à sa simplicité et à ses interfaces riches, Eliza abaisse fortement le seuil d’entrée et établit une norme d’interface relativement uniforme.
Le framework ZerePy, usage « un clic »
1. Fork du dépôt ZerePy
Source : https://replit.com/@blormdev/ZerePy?v=1
2. Configuration de X et GPT
Source : https://replit.com/@blormdev/ZerePy?v=1
3. Définition du caractère de l’Agent
Source : https://replit.com/@blormdev/ZerePy?v=1
Le framework Rig, axé sur l’optimisation des performances
Exemple de création d’un Agent RAG (génération assistée par récupération) :
1. Configuration de l’environnement et clé OpenAI
Source : https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
2. Configuration du client OpenAI et traitement PDF via Chunking
Source : https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
3. Définition de la structure documentaire et des embeddings
Source : https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
4. Création du stockage vectoriel et de l’agent RAG
Source : https://dev.to/0thtachi/build-a-rag-system-with-rig-in-under-100-lines-of-code-4422
Rig (ARC) est un framework open source en Rust, conçu pour construire des systèmes d’IA axés sur les workflows LLM. Il résout des problèmes d’optimisation de bas niveau. Autrement dit, ARC fonctionne comme une « boîte à outils » pour moteurs d’IA, fournissant des services d’infrastructure : appel d’IA, optimisation des performances, stockage des données, gestion des erreurs, etc.
Rig traite le problème de « l’appel » : aider les développeurs à mieux choisir les LLM, optimiser les prompts, gérer efficacement les tokens, traiter la concurrence, allouer les ressources et réduire la latence. Son objectif principal est d’optimiser l’utilisation collaborative entre les modèles LLM et les systèmes d’Agent IA.
Rig est une bibliothèque Rust open source visant à simplifier le développement d’applications pilotées par LLM (y compris les Agents RAG). Plus ouvert, il exige davantage des développeurs : une bonne maîtrise de Rust et des Agents. Ce tutoriel présente la configuration de base d’un Agent RAG. RAG améliore le LLM en combinant celui-ci à une recherche externe. Sur d'autres démonstrations officielles, on observe que Rig présente les caractéristiques suivantes :
-
Interface LLM unifiée : API cohérente pour différents fournisseurs LLM, simplifiant l’intégration.
-
Workflow abstrait : composants modulaires pré-construits permettant de concevoir des systèmes d’IA complexes.
-
Intégration du stockage vectoriel : prise en charge native du stockage de vecteurs, assurant des performances élevées pour les Agents de type recherche comme RAG.
-
Intégration flexible : API simple pour manipuler les embeddings, réduisant la difficulté de compréhension sémantique lors du développement d’Agents similaires à RAG.
Comparé à Eliza, Rig offre un espace supplémentaire d’optimisation des performances, aidant les développeurs à mieux régler l’appel et la collaboration entre LLM et Agent. Propulsé par Rust, Rig exploite les avantages de ce langage : abstraction à coût zéro, sécurité mémoire, hautes performances et faible latence pour les opérations LLM. Il offre ainsi une grande liberté au niveau fondamental.
Le framework Swarms, fondé sur la combinaison modulaire
Swarms vise à fournir un framework d’orchestration multi-Agent de niveau entreprise et production. Son site propose des dizaines d’architectures de workflow, séquentielles ou parallèles. Présentons-en quelques-unes.
Workflow Séquentiel
Source : https://docs.swarms.world
L’architecture Swarm séquentiel traite les tâches selon un ordre linéaire. Chaque Agent finalise sa tâche avant de transmettre le résultat au suivant. Cette architecture garantit un traitement ordonné, utile lorsque les tâches sont interdépendantes.
Cas d’usage :
-
Chaque étape du processus dépend de la précédente, comme sur une chaîne de montage ou un traitement séquentiel de données.
-
Scénarios nécessitant un ordre strict d’opérations.
Architecture hiérarchique :
Source : https://docs.swarms.world
Implémente un contrôle vertical, où un Agent supérieur coordonne les tâches des Agents subordonnés. Les Agents exécutent simultanément leurs tâches, puis renvoient leurs résultats dans une boucle pour agrégation finale. Idéal pour les tâches hautement parallélisables.
Architecture type tableur :
Source : https://docs.swarms.world
Architecture massive pour gérer des groupes d’Agents travaillant simultanément. Capable de superviser des milliers d’Agents, chacun s’exécutant sur son propre thread. Idéale pour surveiller la sortie d’un grand nombre d’Agents.
Swarms n’est pas seulement un framework d’Agent, il peut aussi intégrer les frameworks Eliza, ZerePy et Rig. Grâce à une approche modulaire, il libère au maximum les performances des Agents dans divers workflows et architectures afin de résoudre des problèmes spécifiques. La vision de Swarms et l’avancement de sa communauté développeur sont solides.
-
Eliza : le plus convivial, idéal pour les débutants et le prototypage rapide, particulièrement adapté aux interactions IA sur les plateformes sociales. Cadre simple, facile à intégrer et modifier, parfait pour les scénarios sans besoin d’optimisation poussée.
-
ZerePy : déploiement en un clic, adapté au développement rapide d’Agents IA sur les plateformes Web3 et sociales. Idéal pour des applications IA légères, cadre simple, configuration flexible, parfait pour le montage et l’itération rapides.
-
Rig : centré sur l’optimisation des performances, excellent dans les tâches à haute concurrence et hautes exigences. Convient aux développeurs souhaitant un contrôle fin et une optimisation poussée. Cadre complexe, nécessite des connaissances en Rust, destiné aux développeurs expérimentés.
-
Swarms : adapté aux applications professionnelles, soutient la collaboration multi-Agent et la gestion de tâches complexes. Cadre flexible, supporte le traitement massivement parallèle, propose plusieurs configurations architecturales, mais sa complexité requiert un bagage technique plus solide pour une utilisation efficace.
En résumé, Eliza et ZerePy se distinguent par leur facilité d'utilisation et leur rapidité de développement, tandis que Rig et Swarms conviennent mieux aux développeurs professionnels ou entreprises ayant besoin de hautes performances et de traitement à grande échelle.
C’est précisément cette caractéristique d’« espoir industriel » qui définit les frameworks d’Agent. Ces frameworks en sont encore à un stade précoce. L’urgence consiste à saisir l’avantage du premier entrant et à bâtir une communauté développeur active. La performance intrinsèque du framework ou son retard comparé aux applications Web2 populaires ne sont pas les principaux enjeux. Seuls les frameworks capables d’attirer continuellement des développeurs triompheront à long terme. Dans l’univers Web3, attirer l’attention du marché est essentiel. Peu importe la robustesse technique ou fondamentale d’un framework, s’il est trop difficile à utiliser et finit ignoré, c’est aller à l’encontre de son objectif. Une fois qu’un framework parvient à attirer les développeurs, ceux dotés d’un modèle économique par jeton plus mature et complet sortiront du lot.
Quant à la caractéristique « Memecoin » des frameworks d’Agent, elle est facile à comprendre. Aucun des jetons associés à ces frameworks ne dispose d’un modèle économique raisonnable. Les jetons manquent d’utilité ou ont des cas d’usage très limités, aucun modèle commercial validé, aucune dynamique autonome efficace. Le framework reste un simple cadre, sans intégration solide avec le jeton. La hausse du prix du jeton repose essentiellement sur le FOMO, sans soutien fondamental, et sans fossé protecteur suffisant pour assurer une croissance stable et durable de la valeur. De plus, les frameworks eux-mêmes restent assez rudimentaires, leur valeur réelle ne correspond pas à leur capitalisation actuelle, ce qui renforce fortement leur nature de « Memecoin ».
Il est important de noter que cette « dualité onde-particule » n’est pas un défaut, et ne doit pas être naïvement perçue comme un produit mi-Memecoin, mi-framework sans cas d’usage. Comme je l’ai mentionné dans mon précédent article : les Agents légers sont recouverts d’un voile ambigu de Memecoin, où culture communautaire et fondamentaux cessent d’être contradictoires, ouvrant une nouvelle voie de développement d’actifs. Malgré les bulles et incertitudes initiales des frameworks d’Agent, leur potentiel à attirer les développeurs et à concrétiser des applications ne doit pas être sous-estimé. À l’avenir, les frameworks dotés d’un modèle économique par jeton solide et d’un écosystème développeur puissant deviendront probablement les piliers clés de cette course.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
