Patrolling-Zoo는 Python에서 다중 에이전트 순찰 작업을 생성하고 실험할 수 있는 유연한 프레임워크를 제공합니다. 이 라이브러리에는 감시, 모니터링, 커버리지 시나리오를 시뮬레이션하는 다양한 격자 기반 및 그래프 기반 환경이 포함되어 있습니다. 사용자는 에이전트 수, 맵 크기, 토폴로지, 보상 함수, 관측 공간을 구성할 수 있습니다. PettingZoo 및 Gym API와의 호환성 덕분에 인기 있는 강화 학습 알고리즘과 원활하게 통합됩니다. 이 환경은 일관된 설정에서 MARL 기법의 벤치마크 및 비교를 용이하게 합니다. 표준 시나리오와 새로운 시나리오를 맞춤화하는 도구를 제공하여 Patrolling-Zoo는 자율 로보틱스, 보안 감시, 수색 및 구조 작업, 대규모 영역 커버리지 연구를 가속화합니다.

A2A(Agent-to-Agent Architecture)는 구글이 개발한 분산형 AI 에이전트의 공동 개발과 운용을 가능하게 하는 오픈소스 프레임워크입니다. 역할, 통신 채널, 공유 메모리를 정의하는 모듈식을 제공합니다. 개발자는 다양한 LLM 제공자를 통합하고, 에이전트 행동을 커스터마이징하며, 다단계 워크플로우를 조율할 수 있습니다. A2A에는 에이전트 간 상호작용을 추적할 수 있는 내장 모니터링, 오류 관리, 리플레이 기능이 포함되어 있습니다. 표준화된 프로토콜을 통해 에이전트 발견, 메시지 전달, 작업 할당을 단순화하여 복잡한 조정 패턴을 간소화하고 다양한 환경에서 에이전트 기반 애플리케이션의 신뢰성을 향상시킵니다.

AI-Agents는 Python 기반 AI 에이전트를 정의하고 실행하기 위한 모듈식 아키텍처를 제공합니다. 개발자는 에이전트 행동을 구성하고, 외부 API 또는 도구를 통합하며, 세션 간 에이전트 메모리를 관리할 수 있습니다. 이는 인기 있는 LLM을 활용하며, 다중 에이전트 협업을 지원하고, 데이터 분석, 자동화 지원 및 개인 맞춤형 어시스턴트와 같은 복잡한 워크플로우를 위한 플러그인 확장을 가능하게 합니다.

Agents with ADK는 대형 언어 모델로 구동되는 지능형 에이전트 생성을 간소화하도록 설계된 오픈 소스 Python 프레임워크입니다. 모듈형 에이전트 템플릿, 내장 메모리 관리, 도구 실행 인터페이스, 다중 에이전트 조정 기능을 포함하고 있습니다. 개발자는 사용자 정의 기능이나 외부 API를 신속하게 연결하고, 계획 및 추론 체인을 구성하며, 에이전트 상호 작용을 모니터링할 수 있습니다. 이 프레임워크는 인기 있는 LLM 제공업체와의 통합을 지원하며, 로깅, 재시도 로직 및 프로덕션 배포를 위한 확장성도 제공합니다.

CArtAgO (AGents Open environments를 위한 일반 아티팩트 인프라)는 다중 에이전트 시스템에서 환경 인프라를 구현하기 위한 가볍고 확장 가능한 프레임워크입니다. 아티팩트라는 개념을 도입하는데, 이는 환경 자원을 나타내는 일급 객체이며, 정의된 작업, 관찰 가능한 속성, 이벤트 인터페이스를 갖추고 있습니다. 개발자는 Java에서 아티팩트 타입을 정의하고, 환경 클래스에 등록하며, 작업과 이벤트를 노출하여 에이전트가 이를 활용하게 합니다. 에이전트는 표준 액션(예: createArtifact, observe)을 사용하여 아티팩트와 상호작용하며, 비동기 알림을 통해 상태 변화를 파악하고 공유 자원을 통해 조율합니다. CArtAgO는 Jason, JaCaMo, JADE, Spring Agent 등과 쉽게 통합되어 하이브리드 시스템 개발이 가능합니다. 프레임워크는 내장된 아티팩트 문서화, 동적 로드, 실시간 모니터링 기능을 제공하여 복잡한 에이전트 기반 애플리케이션의 빠른 프로토타이핑을 지원합니다.

협력검색환경은 이산 격자와 연속 공간 모두에서 협력 검색 작업에 적합한 유연한 gym 호환 다중 에이전트 강화 학습 환경을 제공합니다. 에이전트는 부분 관측 하에 작동하며, 사용자 정의 가능한 통신 토폴로지를 기반으로 정보를 공유할 수 있습니다. 이 프레임워크는 검색 및 구호, 동적 목표 추적, 공동 매핑과 같은 사전 정의된 시나리오를 지원하며, 사용자 지정 환경과 보상 구조를 정의하는 API를 제공합니다. Stable Baselines3와 Ray RLlib과 같은 인기 RL 라이브러리와 원활하게 통합되어 있으며, 성능 분석을 위한 로깅 유틸리티와 실시간 모니터링을 위한 시각화 도구를 포함하고 있습니다. 연구자들은 격자 크기, 에이전트 수, 센서 범위, 보상 공유 메커니즘 등을 조정하여 협력 전략을 평가하고 새로운 알고리즘의 벤치마크를 할 수 있습니다.

Halite II는 사용자 작성 봇 간의 턴제 전략 경기 대회를 주최하는 오픈소스 챌린지 프레임워크입니다. 매 턴마다 인공지는 지도 상태를 수신하고, 이동 및 공격 명령을 발행하며, 가장 많은 영역을 통제하기 위해 경쟁합니다. 플랫폼은 게임 서버, 지도 파서, 시각화 도구를 포함하며, 개발자는 로컬에서 테스트하고, 휴리스틱을 조정하며, 성능을 최적화하고, 온라인 리더보드에 제출할 수 있습니다. 시스템은 반복적인 봇 개선, 다중 에이전트 협력, 전략 연구를 표준화된 환경에서 지원합니다.

OpenAI Agents MCP Server는 OpenAI 모델로 구동되는 자율 에이전트를 배포하고 관리하기 위한 강력한 기반을 제공합니다. 유연한 RESTful API를 통해 에이전트 생성, 구성, 제어를 할 수 있으며, 개발자는 다단계 작업의 오케스트레이션, 에이전트 간 상호작용 조정, 세션 간 지속되는 메모리 유지를 할 수 있습니다. 이 프레임워크는 플러그인 같은 도구 통합, 고급 대화 로그, 맞춤형 계획 전략을 지원합니다. 인프라 문제를 추상화함으로써, MCP Server는 개발 파이프라인을 간소화하여 빠른 프로토타이핑과 확장 가능한 배포를 지원하며, 생산 환경에서 대화형 어시스턴트, 워크플로우 자동화, AI 기반 디지털 워커의 빠른 배포를 가능하게 합니다.

셰퍼딩은 강화 학습 연구자와 개발자를 위해 설계된 오픈소스 시뮬레이션 프레임워크로, 콘티뉴어스 또는 디스크리트 공간에서 플랭킹, 수집, 분산 목표 그룹과 같은 행동을 수행하도록 에이전트를 훈련시킵니다. 모듈식 보상 설계, 환경 파라미터 설정, 훈련 성능을 모니터링하는 로깅 유틸리티를 포함하며, 사용자 정의 장애물, 동적 에이전트 군집, 맞춤 정책을 TensorFlow 또는 PyTorch로 정의할 수 있습니다. 시각화 스크립트는 궤적 차트와 에이전트 상호작용의 비디오를 생성합니다. 셰퍼딩의 모듈식 설계 덕분에 기존 RL 라이브러리와 원활히 통합되어 재현 가능한 실험, 새로운 협력 전략 벤치마킹, 빠른 AI 기반 목양 솔루션 프로토타이핑이 가능합니다.

CommNet은 다중 에이전트가 각각의 시간 단계에서 숨겨진 상태를 공유하고 협력 환경에서 행동 조정을 학습할 수 있도록 하는 연구 지향 라이브러리입니다. 이 라이브러리에는 PyTorch 모델 정의, 훈련 및 평가 스크립트, OpenAI Gym 환경 래퍼, 통신 채널, 에이전트 수, 네트워크 깊이 등을 사용자 정의할 수 있는 유틸리티가 포함되어 있습니다. 연구자와 개발자는 CommNet을 사용하여 내비게이션, 추적-회피, 자원 수집 작업에서 에이전트 간 통신 전략을 프로토타입하고 벤치마킹할 수 있습니다.

ePH-MAPF는 격자 기반 맵에서 수십에서 수백 개의 에이전트에 대해 충돌 없는 경로 계산을 위한 효율적인 파이프라인을 제공합니다. 우선순위 휴리스틱, 증분 검색 기법 및 사용자 정의 비용 지표(맨하탄, 유클리드)를 사용하여 속도와 해결책 품질을 균형 있게 조절합니다. 사용자들은 다양한 휴리스틱 기능을 선택하고, 라이브러리를 Python 기반 로보틱스 시스템에 통합하며, 표준 MAPF 시나리오에서 성능을 벤치마킹할 수 있습니다. 모듈식이고 잘 문서화된 코드베이스로, 연구자와 개발자가 동적 장애물 또는 특수 환경에 맞게 확장할 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.