AI AGENT: Умная сила для формирования новой экономики будущего
1. Фоновая информация
1.1 Введение: "новый партнер" в эпоху умных технологий
Каждый цикл криптовалюты приносит новые инфраструктуры, способствующие развитию всей отрасли.
В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
В 2020 году ликвидные пулы DEX принесли летний бум DeFi.
В 2021 году появление множества серий NFT произведений ознаменовало наступление эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся достижения одной из платформ для запуска возглавили бум мемкойнов и платформ для запуска.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих рыночных циклов. Когда возможности встречают подходящее время, это может привести к огромным изменениям. Смотрим в 2025 год, очевидно, что новыми областями цикла 2025 года станут 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. Затем, 16 октября, один протокол представил Luna, впервые появившись в образе IP-стриминга соседской девушки, что взорвало всю индустрию.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет 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 схожего. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, AI Agent проникли во все сферы, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними возможностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному увеличению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизированной торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итераций. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный AI агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Творческий AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный 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 перерабатывают ландшафт отрасли, и обсудим тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT показывает эволюцию AI от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к созданию первых AI-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены 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 исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях AI после первоначального периода восторга, что вызвало огромную утрату уверенности в AI среди академических учреждений(, включая финансирующие организации). После 1973 года финансирование исследований AI значительно сократилось, и в области AI началась первая "зима AI", увеличившаяся недоверие к потенциалу AI.
В 1980-х годах развитие и коммерциализация экспертных систем заставили мировые компании начать использовать 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. Появление первых автономных транспортных средств и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также стали знаковыми событиями в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Кроме того, как масштабировать ИИ-системы и успешно интегрировать их в реальные приложения, по-прежнему остается постоянной 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 положило начало развитию ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительной мощности способствовал возникновению глубокого обучения, такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкрепляющим обучением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model,LLM) стало важной вехой в развитии ИИ, особенно запуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT некоторыми компаниями крупномасштабные предварительно обученные модели с сотнями миллиардов, а даже триллионов параметров продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся достижения в обработке естественного языка позволили ИИ-агентам продемонстрировать четкую и последовательную способность взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-помощники и виртуальные службы поддержки, и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ и креативное письмо ).
Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологий (Обучение с подкреплением) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ, управляемых AI, AI-агенты могут корректировать стратегию поведения в зависимости от ввода игроков, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "ум" в AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя в новую эпоху, управляемую AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных независимо действовать в цифровой экономике.
Ядро AI AGENT заключается в его "интеллекте" ------ то есть в симуляции человеческого или другого биологического интеллекта с помощью алгоритмов для 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 ощущениям, используя сенсоры, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
Обработка естественного языка ( NLP ): помогает ИИ АГЕНТУ понимать и генерировать человеческий язык.
Слияние датчиков: интеграция данных от нескольких датчиков в единый обзор.
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 осуществляет логические рассуждения и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или двигателей вывода, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Правилообразующий механизм: простые решения на основе заданных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и др., используются для сложного распознавания шаблонов и прогнозирования.
Укрепляющее обучение: позволяя AI АГЕНТУ постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, осуществляющим действия по принятым решениям в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение robotic arm.
API вызов: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым сервисам.
Автоматизированное управление процессами: в корпоративной среде, с помощью RPA( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.
1.2.4 Учебный модуль
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, позволяя агентам со временем становиться более умными. Постоянное улучшение через цикл обратной связи или "данные-флайвера" включает в себя обратную связь генерируемых данных в системе для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для повышения 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 потенциальных паттернов из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели на основе данных в реальном времени, чтобы поддерживать производительность агента в динамичной среде.
1.2.5 Реальное время обратной связи и коррекция
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3Текущая рыночная ситуация
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, принося революцию в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства было трудно оценить, AI AGENT также демонстрирует такие же перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent, по прогнозам, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовым среднегодовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Крупные компании значительно увеличили вложения в открытые прокси-фреймворки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, а TAM также расширяется.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
6 Лайков
Награда
6
5
Поделиться
комментарий
0/400
GasGrillMaster
· 13ч назад
агент является необходимостью!
Посмотреть ОригиналОтветить0
CounterIndicator
· 13ч назад
В 2025 году определенно будет большой дамп, не верите? Смотрите.
AI-агент ведет новую экономическую экосистему, ожидается, что рынок превысит 47 миллиардов долларов.
AI AGENT: Умная сила для формирования новой экономики будущего
1. Фоновая информация
1.1 Введение: "новый партнер" в эпоху умных технологий
Каждый цикл криптовалюты 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 рыночных циклов. Когда возможности встречают подходящее время, это может привести к огромным изменениям. Смотрим в 2025 год, очевидно, что новыми областями цикла 2025 года станут 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. Затем, 16 октября, один протокол представил Luna, впервые появившись в образе IP-стриминга соседской девушки, что взорвало всю индустрию.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет 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 схожего. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, AI Agent проникли во все сферы, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними возможностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному увеличению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизированной торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итераций. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный AI агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Творческий AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный 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 перерабатывают ландшафт отрасли, и обсудим тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT показывает эволюцию AI от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к созданию первых AI-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены 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 исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях AI после первоначального периода восторга, что вызвало огромную утрату уверенности в AI среди академических учреждений(, включая финансирующие организации). После 1973 года финансирование исследований AI значительно сократилось, и в области AI началась первая "зима AI", увеличившаяся недоверие к потенциалу AI.
В 1980-х годах развитие и коммерциализация экспертных систем заставили мировые компании начать использовать 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. Появление первых автономных транспортных средств и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также стали знаковыми событиями в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Кроме того, как масштабировать ИИ-системы и успешно интегрировать их в реальные приложения, по-прежнему остается постоянной 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 положило начало развитию ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительной мощности способствовал возникновению глубокого обучения, такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкрепляющим обучением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model,LLM) стало важной вехой в развитии ИИ, особенно запуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT некоторыми компаниями крупномасштабные предварительно обученные модели с сотнями миллиардов, а даже триллионов параметров продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся достижения в обработке естественного языка позволили ИИ-агентам продемонстрировать четкую и последовательную способность взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-помощники и виртуальные службы поддержки, и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ и креативное письмо ).
Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологий (Обучение с подкреплением) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ, управляемых AI, AI-агенты могут корректировать стратегию поведения в зависимости от ввода игроков, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "ум" в AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя в новую эпоху, управляемую AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных независимо действовать в цифровой экономике.
Ядро AI AGENT заключается в его "интеллекте" ------ то есть в симуляции человеческого или другого биологического интеллекта с помощью алгоритмов для 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 ощущениям, используя сенсоры, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых 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 осуществляет логические рассуждения и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или двигателей вывода, 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 шагов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, осуществляющим действия по принятым решениям в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
1.2.4 Учебный модуль
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, позволяя агентам со временем становиться более умными. Постоянное улучшение через цикл обратной связи или "данные-флайвера" включает в себя обратную связь генерируемых данных в системе для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для повышения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Реальное время обратной связи и коррекция
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3Текущая рыночная ситуация
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, принося революцию в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства было трудно оценить, AI AGENT также демонстрирует такие же перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent, по прогнозам, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовым среднегодовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Крупные компании значительно увеличили вложения в открытые прокси-фреймворки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, а TAM также расширяется.