MultiAgentPacman은 사용자들이 팩맨 도메인에서 여러 AI 에이전트를 구현, 시각화, 벤치마크할 수 있는 Python 기반의 게임 환경을 제공합니다. minimax, expectimax, alpha-beta 가지치기와 같은 적대적 탐색 알고리즘 및 맞춤형 강화 학습 또는 휴리스틱 기반 에이전트도 지원합니다. 이 프레임워크는 간단한 GUI, 명령줄 제어, 게임 통계 기록 및 경쟁 또는 협력 시나리오에서 에이전트 성능 비교 유틸리티를 포함합니다.

RL Collision Avoidance는 다중 로봇 충돌 회피 정책을 개발, 훈련, 배포하기 위한 전체 파이프라인을 제공합니다. 강화 학습 알고리즘을 통해 충돌 없는 탐색을 학습하는 Gym 호환 시뮬레이션 시나리오 세트가 있으며, 환경 파라미터를 사용자 정의하고 GPU 가속을 활용하여 더 빠른 훈련이 가능하며, 학습된 정책을 내보낼 수 있습니다. 또한 ROS와 통합되어 실 환경 테스트가 가능하며, 즉시 평가할 수 있는 사전 학습된 모델도 지원하고, 에이전트의 궤적 및 성능 지표 시각화 도구를 제공합니다.

ThreeAgents는 Python으로 구축되었으며, OpenAI의 채팅 완료 API를 활용하여 역할이 다른 여러 AI 에이전트를 인스턴스화합니다(시스템, 어시스턴트, 사용자). 에이전트 프롬프트, 역할 기반 메시지 처리, 맥락 메모리 관리를 위한 추상화를 제공합니다. 개발자는 커스텀 프롬프트 템플릿을 정의하고, 에이전트 성격을 설정하며, 상호작용을 연결하여 현실적인 대화 또는 작업 중심 워크플로우를 시뮬레이션할 수 있습니다. 프레임워크는 메시지 전달, 컨텍스트 창 관리, 로깅을 처리하여 협력적 의사결정 또는 계층적 작업 분해에 대한 실험을 지원합니다. 환경 변수 및 모듈형 에이전트 지원으로 OpenAI와 로컬 LLM 백엔드 간의 전환이 원활하며, 빠른 프로토타이핑이 가능합니다. 예제 스크립트와 Docker 지원으로 빠른 설정이 가능합니다.

Thufir는 복잡한 작업 계획 및 실행이 가능한 자율 AI 에이전트를 제작하는 데 도움을 주도록 설계된 파이썬 기반의 오픈소스 에이전트 프레임워크입니다. 핵심적으로, Thufir는 높은 수준의 목표를 실현 가능한 단계로 분해하는 계획 엔진, 세션 간 맥락 정보를 저장하고 검색하는 기억 모듈, 그리고 외부 API, 데이터베이스 또는 코드 실행 환경과 상호작용할 수 있는 플러그 앤 플레이 도구 인터페이스를 제공합니다. 개발자는 Thufir의 모듈식을 활용하여 에이전트 행동을 맞춤화하고, 사용자 정의 도구를 정의하며, 에이전트 상태를 관리하고, 다중 에이전트 작업 흐름을 조정할 수 있습니다. 낮은 수준의 인프라 관리를 추상화함으로써 Thufir는 가상 비서, 워크플로 자동화, 연구, 디지털 작업자와 같은 사용 사례에 적합한 지능형 에이전트의 개발과 배포를 빠르게 합니다.

AgentServe는 AI 에이전트를 생성하고 배포하는 통합 인터페이스를 제공합니다. 사용자들은 구성 파일 또는 코드로 에이전트 동작을 정의하고 외부 도구 또는 지식 소스를 통합하며 REST 엔드포인트를 통해 에이전트를 노출합니다. 이 프레임워크는 모델 라우팅, 병렬 요청 처리, 상태 점검, 로그 기록, 메트릭 수집을 기본으로 처리하며, 모듈식 설계를 통해 새로운 모델, 커스텀 도구, 스케줄링 정책을 손쉽게 추가할 수 있어 채팅봇, 자동화 워크플로우, 다중 에이전트 시스템 개발에 적합합니다.