Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новый партнер" в эпоху умных технологий
Каждый криптовалютный цикл приносит новые инфраструктуры, способствующие развитию всей отрасли.
В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
В 2020 году ликвидные пулы DEX привели к летнему буму DeFi.
В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся достижения одной из платформ для запуска привели к буму memecoin и платформ для запуска.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможность встречается с подходящим моментом, это может вызвать огромные изменения. Смотря на 2025 год, очевидно, что новой развивающейся областью в цикле 2025 года будут AI-агенты. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Вскоре, 16 октября, один протокол представил Luna, впервые появившись в образе IP «девушки-соседки», что взорвало всю индустрию.
Так что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», впечатляющей является AI-система Красная Королева. Красная Королева — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы много схожих черт. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, будучи "умными защитниками" в области современных технологий, которые помогают предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных служб поддержки, AI Agent глубоко внедрились во все отрасли, став ключевыми силами для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями - от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматизации торговли, основываясь на данных, собранных с какой-либо платформы данных или социальной сети, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от конкретных потребностей криптоэкосистемы:
Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: быть лидером мнений в социальных сетях, взаимодействовать с пользователями, создавать сообщество и участвовать в маркетинговых акциях.
Координированный AI агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют ландшафт отрасли, и заглянем в тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. В 1956 году на конференции в Дартмуте термин "AI" был впервые предложен, что заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и первоначального исследования концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии AI-исследований в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выражал всеобъемлющий пессимизм по поводу AI-исследований после начального восторга, что вызвало огромную утрату доверия к AI со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-ледниковый период", увеличившееся сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с падением спроса на специализированное аппаратное обеспечение для ИИ, область ИИ испытала второй "зимний период ИИ". Кроме того, вопрос масштабирования систем ИИ и их успешной интеграции в реальные приложения по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс в вычислительных мощностях способствовал появлению глубокого обучения, и виртуальные помощники, такие как Siri, продемонстрировали практическую ценность ИИ в сфере потребительских приложений. В 2010-х годах агенты с подкрепляющим обучением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С тех пор как одна компания выпустила серию GPT, модели с большим предварительным обучением, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически ясные и структурированные взаимодействия через генерацию языка. Это сделало ИИ-агентов пригодными для использования в чат-помощниках, виртуальных службах поддержки и постепенно расширило их применение на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности обучения больших языковых моделей предоставляют AI-агентам более высокую степень автономии. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на одной из платформ с AI-управлением AI-агенты могут изменять стратегию поведения в зависимости от ввода игрока, что действительно позволяет осуществлять динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, стало важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только придають AI-агентам "ум" душу, но и предоставляют им возможность для междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе, управляемой AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных, постоянно развивающихся участников в области криптовалют, способных самостоятельно действовать в цифровой экономике.
Основной принцип AI AGENT заключается в его "умности" ------ то есть в том, что он использует алгоритмы для моделирования интеллектуального поведения человека или других организмов с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение связанных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании исходных данных в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видео данных.
Обработка естественного языка (NLP): помогает AI AGENT понимать и генерировать человеческий язык.
Слияние датчиков: интеграция данных от нескольких датчиков в единый взгляд.
1.2.2 Модуль вывода и принятия решений
После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он основан на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или выводных движков, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Правила движка: простое принятие решений на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используемые для сложного распознавания шаблонов и прогнозирования.
Обучение с подкреплением: позволяет AI AGENT постоянно оптимизировать стратегию принятия решений через проби и ошибки, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько этапов: сначала оценка окружения, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который реализует решения, принятые рефлексивным модулем. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение robotic руки.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым службам.
Управление автоматизированными процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированная автоматизация процессов).
1.2.4 Модуль обучения
Модуль обучения является核心竞争力 AI AGENT, который позволяет агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "цикл данных" включает в себя возврат данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения качества принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Обучение без учителя: обнаружение潜在ных паттернов из неразмеченных данных, помогающее агентам адаптироваться к новым условиям.
Непрерывное обучение: поддержание производительности агента в динамичной среде через обновление модели с помощью данных в реальном времени.
1.2.5 Реальное время обратной связи и корректировка
AI AGENT оптимизирует свои характеристики через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Состояние отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, приносящего преобразования в различные отрасли. Так же, как потенциал L1 блок-пространства в предыдущем цикле было трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI-агентов, как ожидается, вырастет с 5,1 миллиарда долларов США в 2024 году до 47,1 миллиарда долларов США в 2030 году, при этом среднегодовой темп роста (CAGR) составит 44,8%. Этот быстрый рост отражает уровень проникновения AI-агентов в различных отраслях и рыночный спрос, обусловленный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые фреймворки для агентов. Разработка фреймворков таких компаний, как AutoGen, Phidata и LangGraph, становится все более активной, что указывает на то, что AI AGENT имеет больший рынок за пределами криптовалютной сферы.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
7 Лайков
Награда
7
2
Поделиться
комментарий
0/400
OnchainUndercover
· 07-03 03:33
Так что круг всегда занят спекуляциями.
Посмотреть ОригиналОтветить0
bridge_anxiety
· 07-03 03:29
дефи действительно не так интересен, как играть в искусственный интеллект
Восхождение ИИ-АГЕНТА: создание интеллектуального ядра новой экономической экосистемы Web3
Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новый партнер" в эпоху умных технологий
Каждый криптовалютный цикл приносит новые инфраструктуры, способствующие развитию всей отрасли.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможность встречается с подходящим моментом, это может вызвать огромные изменения. Смотря на 2025 год, очевидно, что новой развивающейся областью в цикле 2025 года будут AI-агенты. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Вскоре, 16 октября, один протокол представил Luna, впервые появившись в образе IP «девушки-соседки», что взорвало всю индустрию.
Так что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», впечатляющей является AI-система Красная Королева. Красная Королева — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы много схожих черт. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, будучи "умными защитниками" в области современных технологий, которые помогают предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных служб поддержки, AI Agent глубоко внедрились во все отрасли, став ключевыми силами для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями - от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматизации торговли, основываясь на данных, собранных с какой-либо платформы данных или социальной сети, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от конкретных потребностей криптоэкосистемы:
Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: быть лидером мнений в социальных сетях, взаимодействовать с пользователями, создавать сообщество и участвовать в маркетинговых акциях.
Координированный AI агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют ландшафт отрасли, и заглянем в тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. В 1956 году на конференции в Дартмуте термин "AI" был впервые предложен, что заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и первоначального исследования концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии AI-исследований в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выражал всеобъемлющий пессимизм по поводу AI-исследований после начального восторга, что вызвало огромную утрату доверия к AI со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-ледниковый период", увеличившееся сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с падением спроса на специализированное аппаратное обеспечение для ИИ, область ИИ испытала второй "зимний период ИИ". Кроме того, вопрос масштабирования систем ИИ и их успешной интеграции в реальные приложения по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс в вычислительных мощностях способствовал появлению глубокого обучения, и виртуальные помощники, такие как Siri, продемонстрировали практическую ценность ИИ в сфере потребительских приложений. В 2010-х годах агенты с подкрепляющим обучением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С тех пор как одна компания выпустила серию GPT, модели с большим предварительным обучением, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически ясные и структурированные взаимодействия через генерацию языка. Это сделало ИИ-агентов пригодными для использования в чат-помощниках, виртуальных службах поддержки и постепенно расширило их применение на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности обучения больших языковых моделей предоставляют AI-агентам более высокую степень автономии. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на одной из платформ с AI-управлением AI-агенты могут изменять стратегию поведения в зависимости от ввода игрока, что действительно позволяет осуществлять динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, стало важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только придають AI-агентам "ум" душу, но и предоставляют им возможность для междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе, управляемой AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных, постоянно развивающихся участников в области криптовалют, способных самостоятельно действовать в цифровой экономике.
Основной принцип AI AGENT заключается в его "умности" ------ то есть в том, что он использует алгоритмы для моделирования интеллектуального поведения человека или других организмов с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение связанных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании исходных данных в значимую информацию, что обычно включает в себя следующие технологии:
1.2.2 Модуль вывода и принятия решений
После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он основан на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или выводных движков, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Процесс вывода обычно включает несколько этапов: сначала оценка окружения, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который реализует решения, принятые рефлексивным модулем. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Модуль обучения является核心竞争力 AI AGENT, который позволяет агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "цикл данных" включает в себя возврат данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения качества принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Реальное время обратной связи и корректировка
AI AGENT оптимизирует свои характеристики через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Состояние отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, приносящего преобразования в различные отрасли. Так же, как потенциал L1 блок-пространства в предыдущем цикле было трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI-агентов, как ожидается, вырастет с 5,1 миллиарда долларов США в 2024 году до 47,1 миллиарда долларов США в 2030 году, при этом среднегодовой темп роста (CAGR) составит 44,8%. Этот быстрый рост отражает уровень проникновения AI-агентов в различных отраслях и рыночный спрос, обусловленный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые фреймворки для агентов. Разработка фреймворков таких компаний, как AutoGen, Phidata и LangGraph, становится все более активной, что указывает на то, что AI AGENT имеет больший рынок за пределами криптовалютной сферы.