이 저장소는 StarCraft II 게임 플레이 연구를 위한 엔드-투-엔드 강화학습 프레임워크를 제공합니다. 핵심 에이전트는 PySC2 환경의 관측 데이터를 해석하여 정밀한 게임 내 행동을 출력하는 정책 네트워크를 학습하기 위해 PPO를 사용합니다. 개발자는 신경망 계층, 보상 설계, 학습 일정을 구성하여 성능을 최적화할 수 있습니다. 이 시스템은 샘플 수집의 효율성을 위한 다중 프로세싱, 학습 곡선을 모니터링하는 로깅 유틸리티, 스크립트 또는 내장 AI 대전용 평가 스크립트를 지원합니다. 코드는 Python으로 작성되었으며 TensorFlow를 활용하여 모델 정의 및 최적화를 수행합니다. 사용자는 사용자 정의 보상 함수, 상태 전처리, 네트워크 아키텍처 등 구성요소를 확장할 수 있습니다.

Wizard Language는 개발자가 마법사 형태로 AI 어시스턴트를 만들기 위한 선언형 도메인 특화 언어입니다. 개발자는 의도 기반 단계, 프롬프트, 도구 호출, 메모리 저장소, 분기 로직을 간결한 DSL에 정의합니다. 내부적으로 Wizard Language는 이 정의들을 조율된 LLM 호출로 컴파일하며, 컨텍스트, 비동기 흐름, 오류를 관리합니다. 챗봇, 데이터 검색 어시스턴트, 자동화 워크플로 프로토타입을 빠르게 생성할 수 있도록 프롬프트 설계와 상태 관리를 재사용 가능한 컴포넌트로 추상화합니다.

AskAtlasAI-Agent는 MongoDB Atlas에 저장된 임의의 문서 세트에 대해 자연어 질의에 응답하는 AI 에이전트 배포를 가능하게 합니다. 임베딩, 검색, 응답 생성을 위한 LLM 호출을 조율하고, 대화 맥락을 처리하며, 구성 가능한 프롬프트 체인을 제공합니다. JavaScript/TypeScript로 구축되어 최소한의 환경설정만 필요합니다: Atlas 클러스터에 연결하고, OpenAI 자격 증명을 제공하며, 문서를 인제스트하거나 참조하여 간단한 API를 통해 질의를 시작하세요. 맞춤형 랭킹 함수, 메모리 백엔드, 다중 모델 오케스트레이션도 확장 가능합니다.

autogen4j는 자율형 AI 에이전트 구축의 복잡성을 추상화하는 경량 Java 라이브러리입니다. 계획, 메모리 저장 및 행동 실행을 위한 핵심 모듈을 제공하여, 고수준 목표를 순차적 하위 작업으로 분해할 수 있습니다. 이 프레임워크는 OpenAI, Anthropic 등 여러 LLM 제공자와 통합되며, 커스텀 도구(HTTP 클라이언트, 데이터베이스 커넥터, 파일 I/O) 등록도 지원합니다. 개발자는 유창한 DSL 또는 애노테이션을 통해 에이전트를 정의하고, 데이터 강화, 자동 보고서, 대화형 봇을 위한 파이프라인을 빠르게 구성할 수 있습니다. 확장 가능한 플러그인 시스템으로 다양한 애플리케이션에서 유연성을 보장합니다.

Controllable RAG 프레임워크는 리트리버 강화 생성 시스템을 모듈식으로 구축하는 접근 방식을 제공합니다. 검색 구성요소, 메모리 모듈, 생성 전략을 구성하고 연결할 수 있습니다. 개발자는 문서 검색 및 처리 방식을 조정하기 위해 다양한 LLM, 벡터 데이터베이스, 정책 컨트롤러를 연결할 수 있습니다. Python을 기반으로 하여 인덱싱, 쿼리, 대화 기록 추적, 행동 기반 제어 흐름 유틸리티를 포함하며, 챗봇, 지식 지원자, 연구 도구에 적합합니다.

GenAI Processors는 재사용 가능하고 구성 가능한 프로세서 라이브러리를 제공하여 엔드 투 엔드 생성 AI 워크플로우를 구축합니다. 문서를 수집하고 의미 단위로 나누며 임베딩을 생성, 저장 및 검색하는 것뿐만 아니라 검색 전략을 적용하고 동적으로 프롬프트를 생성하여 대형 언어 모델 호출을 할 수 있습니다. 플러그 앤 플레이 디자인 덕분에 맞춤형 처리 단계 확장, Google Cloud 서비스 또는 외부 벡터 저장소와의 원활한 통합, 질문 답변, 요약, 지식 검색과 같은 복잡한 RAG 파이프라인 오케스트레이션이 용이합니다.

Janus Pro는 텍스트 설명에서 고품질 이미지를 생성하는 최첨단 AI 이미지 생성기입니다. 70억 개의 매개변수를 가진 DeepSeek-LLM 아키텍처를 기반으로 구축되어, Janus Pro는 다중 모드 이해 및 시각 생성 작업 모두에서 뛰어난 성능을 제공합니다. 새로운 자기 회귀 프레임워크와 개별 인코딩 경로를 활용하여 우수한 이미지 품질, 세부 정보 및 정확도를 제공합니다. 무료 및 오픈 소스로 제공되는 Janus Pro는 사용 용이성을 염두에 두고 설계되어 사용자가 창의적인 아이디어를 쉽게 놀라운 비주얼로 변환할 수 있도록 합니다.

Mina는 Python으로 AI 에이전트를 구축하기 위한 가볍지만 강력한 기반을 제공합니다. 웹 스크래퍼, 계산기, 데이터베이스 커넥터와 같은 사용자 정의 도구를 정의하고, 대화 맥락을 유지하는 메모리 버퍼를 붙이며, 다단계 추론을 위한 언어 모델 호출 시퀀스를 조율할 수 있습니다. 일반 LLM API 위에 구축되어 비동기 실행, 오류 처리 및 로깅을 기본 제공하며, 모듈식 설계를 통해 새로운 기능을 쉽게 확장할 수 있고, CLI 인터페이스를 통해 빠른 프로토타이핑과 에이전트 구동 애플리케이션 배포가 가능합니다.

MS-Office-AI는 오픈소스 Python 프레임워크로, COM API를 통해 OpenAI GPT-3/GPT-4 모델을 Microsoft Office와 원활하게 통합합니다. 개발자와 고급 사용자가 Word, Excel, PowerPoint 내에서 콘텐츠 생성과 데이터 분석을 자동화할 수 있는 기능 세트를 제공합니다. 간단한 메서드 호출로 전체 문서 초안 생성, 기존 텍스트의 핵심 내용 요약, 자연어 쿼리에 따른 표 및 차트 자동 생성, 구조화된 슬라이드 데크 조립이 가능합니다. API 통신, 오류 관리, Office 오브젝트 모델과의 상호작용을 처리하여, 사용자들은 프롬프트와 워크플로우 작성에 집중할 수 있습니다. 보고서 작성, 데이터 세트 분석, 프레젠테이션 제작 등 다양한 작업을 AI를 통해 빠르게 수행할 수 있으며, MS-Office-AI는 AI를 바로 워크플로우에 통합하여 생산성을 향상시킵니다.

Llama-Agent는 대형 언어 모델에 의해 구동되는 지능형 AI 에이전트를 만드는 개발자 중심 도구 키트입니다. 외부 API 또는 기능 호출을 위한 도구 통합, 컨텍스트 저장 및 검색을 위한 메모리 관리, 복잡한 작업을 분할하는 사고 체인 계획을 제공합니다. 에이전트는 행동을 수행하고, 사용자 지정 환경과 상호 작용하며, 플러그인 시스템을 통해 적응할 수 있습니다. 오픈 소스 프로젝트로서 핵심 구성 요소를 쉽게 확장할 수 있어 다양한 도메인에서 빠른 실험과 자동화된 워크플로우 배포를 지원합니다.

MADDPG-Keras는 Keras에 구현된 MADDPG 알고리즘을 통해 다중 에이전트 강화 학습 연구를 위한 완전한 프레임워크를 제공합니다. 연속 행동 공간, 여러 에이전트, 표준 OpenAI Gym 환경을 지원하며, 연구자와 개발자는 신경망 구조, 학습 하이퍼파라미터, 보상 함수를 구성할 수 있으며, 내장 로깅과 모델 체크포인트 기능을 이용하여 실험을 빠르게 수행하고 벤치마킹할 수 있습니다.

MAGAIL은 전문가 시범에서 협력 행동을 학습할 수 있도록 하는 다중 에이전트 확장을 구현한 것으로, 파이썬 기반으로 PyTorch(또는 TensorFlow 버전)를 지원하며, 정책(생성기)과 판별자 모듈이 적대적 루프에서 훈련됩니다. 에이전트는 OpenAI Multi-Agent Particle Environment 또는 PettingZoo와 같은 환경에서 궤적을 생성하며, 판별자는 이를 전문 데이터와 일치 여부를 평가하는 데 사용합니다. 반복적인 업데이트를 통해 정책 네트워크는 명시적 보상 함수 없이 전문가와 유사한 전략으로 수렴합니다. MAGAIL의 모듈형 설계는 네트워크 구조, 전문가 데이터 입력, 환경 통합, 학습 하이퍼파라미터를 사용자 정의할 수 있도록 합니다. 또한, 내장된 로깅과 TensorBoard 시각화를 통해 멀티에이전트 학습의 진행 상황과 성능 지표를 모니터링하고 분석할 수 있습니다.