ELIZA、GAME、ARC和ZEREPY四大Crypto X AI框架对比

本文会带你梳理一下 Crypto X AI 框架的现状和未来可能性。我们会重点聊四个目前比较有代表性的框架——ELIZA、GAME、ARC 和 ZEREPY，并看看它们在技术层面到底有什么不一样。

过去这一周，我们花了不少时间在测 ELIZA、GAME、ARC 和 ZEREPY 这四个主要的 Crypto X AI 框架。简单说下我们的整体感觉。

从目前的情况来看，AI16Z 的地位依然比较稳，还是这个领域的头部玩家。

Eliza 的优势很清晰：它占了先发优势（也就是所谓的“林迪效应”），而且开发者社区越来越活跃。目前有 193 个贡献者、1800 个分叉、超过 6000 个 star，这些数字在 GitHub 上已经算是相当拿得出手的记录了。

GAME 的情况也不错。它借着 VIRTUAL 的势头，跑得挺快。据 VIRTUAL 官方说，平台上已经有 200 多个项目在用这个框架，日请求量到了 15 万，周增长率更是高达 200%。照这趋势走下去，GAME 很可能会在 VIRTUAL 生态里成为最大赢家之一。

Rig 这个框架也挺有意思的，它主打的是模块化设计，上手方便。再加上它用的是 RUST 语言，所以在 Solana 生态里算是“纯血”选手，占了不小的优势。

至于 Zerepy，它更像是一个面向特定社区的“小而美”产品。主要用户是 ZEREBRO 的那群狂热粉丝。不过最近它和 ai16z 社区走得比较近，如果合作顺利，说不定能产生一些意想不到的化学反应。

需要说明的是，我们这里的“市占率”估算，综合考虑了市值、开发记录和底层操作系统的终端市场覆盖。

我们觉得，在本轮市场周期里，框架这个细分赛道很可能是增长最快的板块之一。现在四家加起来的总市值大约 17 亿美元，未来涨到 200 亿美元也不是没可能。这放到 2021 年那波 L1 估值潮里看，其实还算保守——那时候很多 L1 的估值早就超过 200 亿美元了。当然，这几位选手服务的具体终端市场（比如链或生态）不太一样，但从行业整体向上的趋势来看，用市值加权的方法去评估，可能最稳妥。

下面这个表格总结了这几个框架的核心技术、组件和各自的一些亮点。

在 AI 和 Crypto 结合的领域里，这几个框架各自扮演着不同的角色。它们分别是 AI16Z 的 ELIZA、ARC 的 RIG、ZEREPY 的 ZEREBRO，以及 GAME 的 VIRTUAL。每个框架设计思路不同，有的偏向开源社区，有的更看重企业级性能。

这一部分我们会先简单介绍每个框架到底是什么、用什么语言写的、技术架构怎么样、有哪些独特功能，以及大概能用在哪些场景。之后会从易用性、扩展性、适应性和性能这几个角度做个对比，帮你看清各自的优势和短板。

Eliza 是一个多袋里模拟的开源框架，主要用来创建、部署和管理自主 AI 袋里。它是用 TypeScript 写的，提供了一个灵活的平台，可以帮你在不同平台上部署智能袋里，这些袋里还能保持一致的个性和知识体系。

它的核心功能包括：多袋里架构（可以同时部署和管理多个不同的 AI 个性）、角色系统（用角色文件框架来定义不同袋里）、以及高级检索增强生成（RAG）系统来实现长期记忆和上下文感知。另外，它还支持直接集成 Discord、X 和其他社交媒体平台，用起来比较顺手。

从通信和媒体处理能力来看，Eliza 也是个不错的选择。它能集成 Discord 的语音频道、X 的功能、Telegram，还支持直接调用 API。媒体方面，能读 PDF、抓取链接内容、做摘要、转录音频、处理视频、分析图片，还能做对话摘要，处理各种输入输出都没太大问题。

Eliza 在 AI 模型的选择上也比较灵活，既支持本地推理（开源模型），也支持云推理（OpenAI），默认配置用的是 Nous Hermes Llama 3.1B，还能集成 Claude 处理更复杂的任务。整体架构是模块化的，操作系统、客户端支持和 API 都比较完善，扩展性不错。

它的应用场景挺广的，比如：做客户支持、社区审核、个人任务的 AI 助手；做内容自动生成、互动机器人、品牌代言人这样的社交媒体角色；还能当研究助理、内容分析师、文档处理器这样的知识工作者；也支持角色扮演机器人、教育导师和娱乐袋里。

Eliza 的架构核心是袋里运行环境，这个环境和角色系统（由模型提供商支持）、内存管理器（连接数据库）、操作系统（链接平台客户端）配合得很紧。它的独到之处包括：插件系统可以做模块化扩展，支持语音、文本、媒体等多模态交互，还能兼容 Llama、GPT-4 和 Claude 这些主流模型。总的来说，Eliza 是一个功能比较全面的 AI 开发工具。

G.A.M.E，全称是“生成式自治多模态实体框架”，主要是给开发者提供 API 和 SDK 来做 AI 袋里的实验。它用结构化的方式来管理 AI 袋里的行为、决策和学习过程。

它的核心模块包括：袋里提示界面，这是开发者把 GAME 集成到袋里里的入口点。感知子系统负责启动会话，通过指定对话 ID、袋里 ID、用户等参数，把收到的信息整理成适合战略规划引擎用的格式，相当于 AI 袋里的“感觉输入系统”。对话处理模块则负责处理袋里的消息和回复，和感知子系统一起解读和响应用户输入。

战略规划引擎和对话处理模块、链上钱&包操作员配合，一起生成回复和计划。它的工作分两个层面：一个是根据上下文或目标制定广泛策略的高层规划，另一个是把策略转成可执行的低层计划。低层计划还会进一步分成行动规划器和计划执行器。

还有一个单独但很重要的组件叫“世界上下文”，它负责引用环境、全局信息和游戏状态，给袋里的决策提供必要的背景。袋里存储库则用来存长期属性，比如目标、反思、经验和个性，这些共同塑造袋里的行为和决策。

这个框架用短期工作内存和长期内存处理器。短期内存保留最近的行为、结果和当前计划的信息；长期内存则会根据重要性、近期性和相关性来提取关键信息，存下袋里的经验、反思、动态人格等等，为不断学习和改进提供基础。

学习模块会用感知子系统的数据生成一般性知识，这些知识会反馈到系统里，改进以后的交互。开发者也可以通过界面输入动作、游戏状态和感觉数据的反馈，来加强 AI 袋里的学习能力。

工作流程大概是：开发者通过袋里提示界面开始交互。输入先由感知子系统处理，再交给对话处理模块来管理交互逻辑。然后战略规划引擎根据这些信息制定和执行计划，利用高层战略和详细的行动计划。世界上下文和袋里存储库的数据会不断给这些过程提供信息，同时工作内存追踪即时任务。长期内存处理器负责存和取长期知识。学习模块则分析结果，把新知识整合进系统，让袋里的行为和交互能持续改进。

Rig 是一个开源的 Rust 框架，主要目标是简化大语言模型应用的开发。它给 OpenAI、Anthropic 等多个 LLM 提供商提供了一个统一的接口，也支持 MongoDB、Neo4j 等不同的向量存储。它的模块化架构有几个核心组件：提供商抽象层、向量存储集成和袋里系统，这些组件让 LLM 的交互变得比较流畅。

Rig 的主要用户是那些用 Rust 构建 AI/ML 应用的开发者，其次是一些希望把多个 LLM 提供商和向量存储集成到自己 Rust 应用里的组织。它的代码库用工作空间架构，有多个 crate，方便了扩展性和项目管理。关键功能包括：提供商抽象层，为不同 LLM 之间的完成和嵌入 API 提供了标准化；向量存储集成，为多个后端提供抽象接口，支持向量相似性搜索；袋里系统简化了 LLM 交互，支持 RAG 和工具集成。此外，嵌入框架也支持批处理和类型安全的嵌入操作。

Rig 的技术优势主要来自 Rust 语言本身。异步操作有效处理高并发请求；内置的错误处理机制提高了对 AI 提供商或数据库操作失败的恢复能力；类型安全在编译时就防止了很多错误，增强了代码的可维护性；高效的序列化和反序列化支持 JSON 等格式的数据处理；详细的日志和检测帮助调试和监控应用。

Rig 的工作流通常是：客户端发起请求，通过提供商抽象层找到合适的 LLM 模型。数据由核心层处理，袋里可以在这里调用工具或访问上下文的向量存储。响应在返回客户端之前，会经过像 RAG 这样的复杂工作流来生成和细化，涉及文档检索和上下文理解。系统集成了多个 LLM 提供商和向量存储，对模型可用性或性能变化有较强的适应性。

Rig 的用例也比较多样化，比如：检索相关文档来提供准确回答的问答系统、文档搜索和检索系统、聊天机器人或虚拟助手，以及内容生成工具。对于开发者和组织来说，算是一个挺通用的工具。

ZerePy 是一个用 Python 写的开源框架，主要目标是用 OpenAI 或 Anthropic 的 LLM 在 X 平台上部署袋里。它来自 Zerebro 后端的一个模块化版本，让开发者能启动一个和 Zerebro 核心功能类似的袋里。需要注意，如果想生成一些更有创意的输出，微调模型是跑不掉的。ZerePy 简化了个性化 AI 袋里在社交平台上的开发和部署，特别适合做内容创作，培养了一个偏向艺术和去中心化应用的 AI 创意生态。

这个框架用 Python 开发，比较看重袋里的自主性和创意输出。它的模块化设计支持内存系统集成，方便在社交平台部署袋里。主要功能包括：一个命令行界面来管理袋里，与 Twitter 的集成，支持 OpenAI 和 Anthropic 的 LLM，还有一个模块化连接系统来做功能扩展。

ZerePy 的用例主要集中在社交媒体自动化上，比如用 AI 袋里来发布、回复、点赞和转发，提高平台参与度。另外，它也比较适合做音乐、meme 和 NFT 这类内容创作，在数字艺术和基于区块链的内容平台上有一定的用武之地。

总的来说，每个框架都有自己的独到之处，适合不同的需求和场景。与其说它们是对手，不如说各有各的“地盘”。

ELIZA 对熟悉 Ja vaScript 和 Node.js 环境的开发者来说，上手比较友好。文档也写得挺全，设置袋里不算太难。当然，功能多了，学习和适应也需要一些时间。它用 TypeScript 写，天然适合嵌入 web 应用——毕竟很多 web 基础设施的前端都是用 TypeScript 整的。多袋里架构是它的亮点，你可以在 Discord、X、Telegram 这些平台上部署不同的 AI 个性。RAG 系统做得好，适合搞客户支持或社交媒体里的 AI 助手。灵活性、社区支持和跨平台性能都不错，不过还处在早期阶段，开发者可能需要磨合一下。

GAME 是专门为游戏&开发者设计的，通过 API 提供了一个低代码甚至无代码的界面，方便那些不太懂技术的用户。但也正因为专注于游戏开发和区块链整合，对没有相关经验的人来说，学习门槛可能比较高。它在程序化内容生成和 NPC 行为方面表现很好，不过也因为太细分，加上区块链集成的复杂性，应用面相对窄一些。

Rig 因为用 Rust 语言，对于不熟悉它的人来说，挑战比较大。不过对精通系统编程的人来说，交互很直观。Rust 本身以性能和内存安全著称，有严格的编译时检查和零成本抽象，适合跑复杂的 AI 算法。它的效率和底层控制能力，让它在资源密集型的 AI 应用里表现很出色。框架提供了高性能、模块化和可扩展的解决方案，适合企业级应用。但反过来，如果你不熟悉 Rust，那学习曲线确实挺陡峭的。

ZerePy 在 NFT 这类创意 AI 应用上很擅长，算是一个面向数字媒体和艺术的工具。创意方面是它的强项，但跟其他框架比，适用范围也相对更窄一些。

在扩展性方面，ELIZA 的 V2 更新进步很明显，引入了统一消息线和可扩展核心框架，能有效管理多个平台。当然，如果优化不到位，多平台交互的管理也可能带来一些扩展性挑战。

GAME 在游戏需要的实时处理方面表现优秀，通过高效的算法和区块链分布式系统来管理扩展性，不过也可能受到特定游戏引擎或区块链网络的限制。

Rig 利用 Rust 的可扩展性性能，专为高吞吐量应用设计，在企业级部署里特别有效。当然，真要把扩展性做起来，可能也需要比较复杂的设置。

Zerepy 的扩展性主要在创意输出上，有社区支持，但它的聚焦点可能会限制它用在更广泛 AI 场景里的可能。扩展性考验的可能是创意任务的多样性，而不是用户数量。

在适应性方面，ELIZA 靠插件系统和跨平台兼容性领先。GAME 在游戏环境里很强，Rig 在复杂 AI 任务里也很出色。ZerePy 在创意领域适应性强，但不大适合更广泛的 AI 应用。

在性能方面，ELIZA 优化了快速社交媒体交互，响应速度是关键，但在处理更复杂的计算任务时，表现可能会有起伏。

GAME 专注于游戏场景里的高性能实时交互，利用高效决策过程和区块链进行去中心化 AI 操作。

Rig 基于 Rust，为高性能计算任务提供了优秀表现，适合计算效率至关重要的企业应用。

Zerepy 的表现是专门为创意内容创建定制的，指标围绕内容生成的效率和质量，在创意领域之外可能就不太通用。

ELIZA 的优势是灵活、可扩展，插件系统和角色配置让它适应性很强，适合搞跨平台的社交 AI 交互。

GAME 在游戏里提供了独特的实时交互功能，通过区块链集成增强了 AI 的参与感。

Rig 的优势在于针对企业 AI 任务的性能和可扩展性，强调干净的模块化代码和长期项目健康。

ZerePy 擅长培养创造力，在数字艺术 AI 应用比较领先，而且有活跃的社区支持。

当然，每个框架也都有局限。ELIZA 还比较早，可能存在稳定性问题，新开发者也需要学习适应。GAME 的小众定位可能限制它更广泛的应用，而且区块链还增加了复杂度。Rig 因为 Rust 的学习曲线可能会劝退一部分开发者。ZerePy 对创意输出的专注，也可能限制它在其他 AI 领域的使用。

语言：Rust，安全和性能是主打。

适用场景：企业级 AI 应用，看重效率和扩展性。

社区：偏技术开发驱动，社区氛围相对不那么强。

语言：TypeScript，强调 web3 的灵活性和社区参与。

适用场景：适合社交交互、DAO 和交易，多袋里系统是它的特色。

社区：高度社区驱动，GitHub 参与度很高。

语言：Python，面向更广泛的 AI 开发者群体。

适用场景：社交媒体自动化和一些简单的 AI 袋里任务。

社区：比较新，但因为 Python 流行以及 AI16Z 贡献者的支持，有增长潜力。

重点：自主、自适应的 AI 袋里，可以在虚拟环境里根据交互不断进化。

适用场景：AI 袋里学习和适应场景，比如游戏或虚拟世界。

社区：有创新氛围，但还在找到自己在竞争中的具体位置。

上面这张图是这几个框架发布以来的 GitHub star 变化情况。star 数量可以一定程度上反映社区兴趣、项目热度和大家对它的价值认可。

从 7 月的低基数开始往上走，到 11 月下旬 star 数猛增到了 6.1 万颗，这说明关注度涨得很快，吸引了不少开发者。这种指数级的增长，说明 Eliza 靠功能、更新和社区参与，已经积累了很可观的人气。这个数据远远超过了其他几家，反映出它在 AI 社区里的广泛适用性和强大支持。

Rig 是四个框架里最“老”的一个，star 数量涨得不算快，但一直持续增长，接下来一个月很可能还会明显增加。目前它已经达到了 1700 颗星，还在继续往上走。持续的开发、更新和不断增长的用户，说明用户兴趣在慢慢积累。这也可能意味着它的用户群体还很细分，或者仍在慢慢积攒口碑。

ZerePy 几天前才刚上线，已经累积了 181 颗星。需要提醒一下，ZerePy 还需要更多开发投入来提高它的曝光度和采用率。和 AI16Z 的合作如果能落地，可能会吸引更多的代码贡献者。

这个项目的 star 数量目前最少。但也要注意，这个框架可以通过 API 直接用在虚拟生态里的袋里上，不一定非得在 GitHub 上展示出来。而且它开放给开发者才一个多月，已经有 200 多个项目在用 GAME 构建了。

Eliza 的 V2 版本计划集成 Coinbase 袋里套件。所有用 Eliza 的项目未来都会支持原生 TEE，这样袋里就能在更安全的环境里运行。Eliza 还要推出一个插件注册表，让开发者能更顺畅地注册和集成插件。

另外，Eliza V2 还会支持自动化匿名跨平台消息传递。代币经济学白皮书计划在 2025 年 1 月 1 日发布，可能对 Eliza 框架底层的 AI16Z 代币有积极影响。AI16Z 团队打算继续增强框架的实用性，持续吸引高水平人才，从主要贡献者的投入来看，他们是有这个能力的。

GAME 框架为袋里提供了无代码集成，允许在同一个项目里同时用 GAME 和 ELIZA，各干各的。这个思路可能吸引那些更关心业务逻辑、不想被技术细节拖累的建设者。虽然这个框架公开发布才 30 多天，但团队一直在努力吸引更多贡献者，已经取得了一些实质进展。预计在 VIRTUAL 上启动的所有项目都会用上 GAME。

Rig 框架以 ARC 代币为代表，潜力不小。虽然它还处于早期增长阶段，推动项目采用的计划也才上线几天，但已经有高质量项目在考虑用 ARC 了，有点类似 VIRTUAL 的模式，只是重心放在了 Solana。团队对和 Solana 的合作比较乐观，把 ARC 和 Solana 的关系比作 Virtual 之于 Base。需要提一下，这个团队不仅鼓励新项目用 Rig 启动，也鼓励开发者去改进 Rig 框架本身。

Zerepy 刚推出不久，但因为和 Eliza 的合作，关注度在上升。框架吸引了一些 Eliza 的贡献者，他们正在积极改进它。在 ZEREBRO 粉丝的推动下，它已经有一批比较忠实的追随者，也为那些之前在 AI 基础设施竞争中存在感不强的 Python 开发者提供了新机会。这个框架可能在 AI 创造性方面会扮演一定角色。

---

本文内容仅供学习参考，不构成任何投资建议、交易建议或收益承诺。加密货币及迷因币市场波动较大，价格预测和各类市场数据应以官方公告、交易所实时页面及行情平台数据为准。文中涉及的框架、项目及代币分析均基于公开信息和个人研究，不代表确定性判断。投资者需独立判断、谨慎决策，并对自己的投资行为负责。