이 저장소는 JADE 프레임워크 기반 에이전트 간 양방향 통신의 실습 데모를 제공합니다. 에이전트 설정, FIPA-ACL 호환 메시지 생성, 비동기 행동 처리 예제를 포함합니다. 개발자는 에이전트 A가 REQUEST를 보내고, 에이전트 B가 요청을 처리하며, INFORM 메시지를 반환하는 과정을 학습할 수 있습니다. 코드는 디렉터리 담당자에 에이전트 등록, 순환형 및 단발성 행동 사용, 메시지 템플릿을 통한 메시지 필터링, 대화 시퀀스 로깅을 보여줍니다. 이는 다중 에이전트 교환 프로토콜 개발, 맞춤형 프로토콜 또는 JADE 에이전트를 더 큰 분산 AI 시스템과 통합하는 데 이상적인 출발점입니다.

Fetch.ai의 자율경제에이전트(AEA)는 상호작용, 외부 환경, 디지털 원장과 통신할 수 있는 자율 소프트웨어 에이전트의 설계, 구현, 조정을 가능하게 하는 다목적 프레임워크입니다. 플agin 기반 아키텍처를 활용하며, 통신 프로토콜, 암호화 원장 API, 분산 신원확인 및 맞춤형 의사결정 기술용 사전 제작 모듈을 제공합니다. 에이전트는 분산 시장 내에서 발견되고 거래할 수 있으며, 목표 기반 행동을 수행하고, 실시간 데이터 피드를 통해 적응 가능합니다. 이 프레임워크는 다중 에이전트 시나리오 용 시뮬레이션 도구와 실제 블록체인 또는 P2P 네트워크 배포를 지원합니다. 내장된 상호 운영성과 에이전트 간 메시징으로, 에이전트 간 조정이 핵심인 에너지 거래, 공급망 최적화 및 IoT 스마트 코디네이션 등 복잡한 자율 경제 애플리케이션 개발을 간소화합니다.

Fetch.ai의 Autonomous Economic Agents (AEA) 프레임워크는 분산 환경에서 협상, 거래, 협력을 할 수 있는 모듈형 자율 에이전트를 생성하기 위한 오픈소스 Python SDK 및 CLI 도구 세트입니다. 에이전트 프로젝트 생성용 스캐포딩 명령, 프로토콜 및 기술 템플릿, 이더리움, Cosmos 등의 여러 블록체인과 통합하는 연결 모듈, 계약 인터페이스, 행동 및 의사결정 구성 요소, 테스트와 시뮬레이션 도구, Open Economic Framework 네트워크 내 에이전트 배포를 위한 게시 메커니즘을 포함합니다. 개발자는 모듈식 아키텍처를 활용하여 DeFi 거래, 데이터 마켓, IoT 협력, 공급망 자동화를 위한 디지털 워커를 빠르게 프로토타이핑합니다.

JaCaMo는 Jason 기반 BDI 에이전트, CArtAgO 환경 모델링, Moise 조직 구조 및 역할 지정의 핵심 3가지 구성요소를 통합하여 설계 및 실행을 위한 통합 환경을 제공합니다. 개발자는 에이전트 계획서를 작성하고, 작업이 포함된 아티팩트를 정의하며, 규범적 틀에 따라 그룹을 조직할 수 있습니다. 또한, 이 플랫폼은 MAS 상호작용의 시뮬레이션, 디버깅, 시각화를 위한 도구를 포함하며, 분산 실행, 아티팩트 저장소, 유연한 메시징을 지원하여 스웜 인텔리전스, 협력 로봇공학, 분산 의사결정 분야의 빠른 프로토타입 제작 및 연구를 가능하게 합니다. 모듈화된 설계는 학술 및 산업 프로젝트 전반에 걸친 확장성과 유연성을 보장합니다.

이 프로젝트는 JADE(Java Agent DEvelopment) 프레임워크를 사용하여 다중 에이전트 환경을 구축합니다. 에이전트는 플랫폼의 AMS와 DF에 등록하고, ACL 메시지를 교환하며, 순환, 일회성, FSM과 같은 행동을 수행합니다. 예제 시나리오에는 구매자-판매자 협상, 계약 넷 프로토콜, 작업 배분이 포함됩니다. GUI 에이전트 컨테이너는 런타임 동안 에이전트 상태와 메시지 흐름을 모니터링하는 데 도움이 됩니다.

MultiAgentes는 환경과 에이전트 정의를 위한 모듈식 아키텍처를 제공하며, 동기 및 비동기 멀티 에이전트 상호 작용을 지원합니다. 환경과 에이전트용 기본 클래스, 협력 및 경쟁 작업용 사전 정의된 시나리오, 보상 함수 사용자 지정 도구, 에이전트 간 메시징 및 관찰 공유를 위한 API를 포함합니다. 시각화 유틸리티는 에이전트 행동을 실시간으로 모니터링할 수 있으며, 로깅 모듈은 성능 메트릭을 기록하여 분석합니다. 이 프레임워크는 Gym 호환 강화 학습 라이브러리와 원활하게 통합되어 기존 알고리즘을 사용한 에이전트 훈련이 가능합니다. 확장성을 고려하여 개발자가 새로운 환경 템플릿, 에이전트 유형 및 통신 프로토콜을 추가할 수 있으며, 다양한 연구 및 교육 용도에 적합합니다.

MultiAgentSystems는 멀티 에이전트 강화 학습(MARL) 애플리케이션의 구축 및 평가 프로세스를 간소화하는 것을 목표로 합니다. 이 플랫폼은 MADDPG, QMIX, VDN과 같은 최신 알고리즘 구현과 중앙 집중형 학습 및 분산 실행을 포함합니다. OpenAI Gym과 호환되는 모듈형 환경 래퍼, 에이전트 간 통신 프로토콜, 보상 설계 및 수렴률과 같은 메트릭을 추적하는 로깅 유틸리티를 제공합니다. 연구자는 에이전트 아키텍처를 사용자 정의하고, 하이퍼파라미터를 조정하며, 협력 내비게이션, 자원 배분, 적대적 게임 등의 시뮬레이션을 수행할 수 있습니다. PyTorch, GPU 가속, TensorBoard 통합 지원으로, MultiAgentSystems는 협력 및 경쟁 멀티 에이전트 분야의 실험과 벤치마킹을 가속화합니다.

OpenAgentSpec은 AI 에이전트에 대한 포괄적인 JSON 스키마, API 인터페이스, 프로토콜 지침을 정의합니다. 이는 에이전트 등록, 기능 선언, 메시지 형식, 이벤트 핸들링, 메모리 관리, 확장 메커니즘을 포함합니다. 규격을 따르면 조직은 신뢰성 있는 통신이 가능한 에이전트를 생성하여 통합 노력을 줄이고 상호 운용 가능한 AI 구성 요소의 재사용 생태계를 조성할 수 있습니다.

SuperSwarm은 여러 전문 에이전트가 실시간으로 통신하고 협력하는 AI 기반 워크플로우를 오케스트레이션하도록 설계되었습니다. 주요 컨트롤러 에이전트가 복잡한 목표를 하위 작업으로 분해하고 이를 전문가 에이전트에게 할당하는 동적 작업 분해를 지원합니다. 에이전트는 컨텍스트를 공유하고, 메시지를 전달하며, 중간 결과를 기반으로 접근 방식을 적응시킬 수 있습니다. 플랫폼은 웹 기반 대시보드, RESTful API, CLI를 제공하여 배포 및 모니터링을 수행합니다. 개발자는 사용자 정의 역할을 정의하고, 군집 토폴로지를 구성하며, 플러그인을 통해 외부 도구와 통합할 수 있습니다. SuperSwarm은 컨테이너 오케스트레이션을 이용하여 수평 확장을 수행하며, 무거운 작업 부하에서도 견고한 성능을 보장합니다. 로그, 지표 및 시각화를 통해 에이전트 간 상호작용을 최적화하여 고급 연구, 고객 지원 자동화, 코드 생성, 의사결정 프로세스 등에 적합합니다.

AgentMesh는 개별 AI 에이전트를 등록하고 동적으로 메시 네트워크로 연결할 수 있는 개발자 중심 프레임워크입니다. 각 에이전트는 LLM 프롬프트, 검색 또는 맞춤 논리와 같은 특정 작업에 특화할 수 있으며, AgentMesh는 라우팅, 부하 분산, 오류 처리 및 네트워크 전반의 텔레메트리를 처리합니다. 이를 통해 복잡한 다단계 워크플로우 구축, 에이전트 체인화, 수평 확장이 가능합니다. 플러그인 전송, 상태 저장 세션, 확장성 후크를 통해 AgentMesh는 강력하고 분산된 AI 에이전트 시스템의 구축을 빠르게 합니다.

AgentSmith는 Python으로 작성된 모듈형 에이전트 오케스트레이션 프레임워크로, 개발자가 여러 AI 에이전트를 정의, 구성 및 협력하여 실행할 수 있도록 합니다. 각 에이전트는 연구원, 기획자, 코더, 리뷰어 등으로 역할을 지정할 수 있으며 내부 메시지 버스를 통해 통신합니다. FAISS, Pinecone와 같은 벡터 저장소를 활용한 메모리 관리, 작업을 서브태스크로 분할, 목표 달성을 위한 자동 감독을 지원합니다. YAML 파일로 구성된 에이전트와 파이프라인은 사용자 친화적이며, OpenAI API 및 커스텀 LLM과 원활하게 통합됩니다. 로깅, 모니터링, 에러 처리 기능이 내장되어 있어 소프트웨어 개발, 데이터 분석, 의사 결정 지원 시스템의 자동화에 적합합니다.