이 프로젝트는 LlamaIndex를 사용하여 검색 강화 AI 에이전트를 만들기 위한 포괄적인 프레임워크를 보여줍니다. 문서 인수와 벡터 저장소 생성부터 시작하여, 상황별 질문-응답을 위한 맞춤형 에이전트 루프를 정의합니다. LlamaIndex의 강력한 인덱싱 및 검색 기능을 활용하여 어떤 OpenAI 호환 모델도 통합하고, 프롬프트 템플릿을 사용자 정의하며, CLI 인터페이스를 통해 대화 흐름을 관리할 수 있습니다. 모듈형 아키텍처는 다양한 데이터 커넥터, 플러그인 확장 및 동적 응답 사용자 정의를 지원하여 기업용 지식 지원자, 인터랙티브 챗봇, 연구 도구의 신속한 프로토타이핑을 촉진합니다. 이 솔루션은 파이썬으로 도메인별 AI 에이전트 구축을 간소화하고 확장성, 유연성, 통합의 용이성을 보장합니다.

Multi-Agent-RAG는 여러 전문 AI 에이전트를 조정하여 검색 강화 생성(RAG) 애플리케이션을 구성하는 모듈형 프레임워크를 제공합니다. 개발자는 개별 에이전트를 구성합니다: 검색 에이전트는 벡터 저장소에 연결해 관련 문서를 검색; 추론 에이전트는 사고 체인 분석을 수행; 생성 에이전트는 대형 언어 모델을 활용하여 최종 응답을 합성합니다. 프레임워크는 플러그인 확장, 구성 가능한 프롬프트, 포괄적 로깅을 지원하며, 인기 있는 LLM API와 벡터 데이터베이스와의 원활한 통합으로 RAG의 정확성, 확장성, 개발 효율성을 향상시킵니다.

ChainLite는 재사용 가능하게 설계된 체인 모듈로 LLM 오케스트레이션의 복잡성을 추상화하여 AI 에이전트 제작을 간소화합니다. 간단한 Python 데코레이터와 구성 파일을 사용하여 개발자는 에이전트의 행동, 도구 인터페이스 및 메모리 구조를 정의합니다. 이 프레임워크는 OpenAI, Cohere, Hugging Face와 같은 인기 LLM 공급자와 외부 데이터 소스(API, 데이터베이스)와 통합되어 에이전트가 실시간 정보를 가져올 수 있도록 지원합니다. Streamlit이 구동하는 브라우저 기반 UI를 통해 사용자는 토큰 수준의 대화 기록 검사, 프롬프트 디버그, 체인 실행 그래프 시각화가 가능합니다. ChainLite는 로컬 개발부터 프로덕션 컨테이너까지 여러 배포 대상 지원으로 데이터 과학자, 엔지니어, 제품팀 간 원활한 협업을 가능하게 합니다.

Minerva는 대형 언어 모델을 사용하여 복잡한 워크플로우를 자동화하도록 설계된 확장 가능한 AI 에이전트 프레임워크입니다. 개발자는 웹 검색, API 호출 또는 파일 처리기와 같은 외부 도구를 통합하고, 사용자 정의 계획 전략을 정의하며, 대화 또는 지속형 메모리를 관리할 수 있습니다. Minerva는 동기 및 비동기 작업 실행, 구성 가능한 로깅, 플러그인 아키텍처를 지원하여 인공지능 에이전트를 프로토타입, 테스트 및 배포하는 데 용이하게 만듭니다. 이러한 에이전트는 추론, 계획 및 도구 사용이 가능합니다.

Pacman AI는 고전적인 Pacman 게임을 위한 완전한 Python 기반 환경과 에이전트 프레임워크를 제공합니다. 이 프로젝트는 Q학습과 가치 반복의 핵심 강화학습 알고리즘을 구현하여 알약 수집, 미로 탐색, 유령 회피에 최적의 정책을 학습할 수 있게 합니다. 사용자는 맞춤형 보상 함수 정의와 학습률, 할인 계수, 탐색 전략과 같은 하이퍼파라미터 조정을 할 수 있습니다. 이 프레임워크는 성능 로깅, 시각화, 재현 가능한 실험 환경을 지원하며, 연구자와 학생들이 새로운 알고리즘이나 신경망 기반 학습 방식을 통합하고, 기존의 격자 기반 방법과 비교할 수 있도록 설계되어 있습니다.

Real-Agents는 복잡한 작업을 자율적으로 수행하는 AI 기반 에이전트의 생성과 조율을 간소화하는 데 초점을 맞추고 있습니다. Python 기반이며 주요 언어 모델과 호환되며, 언어 이해, 추론, 기억 저장, 도구 실행을 위한 핵심 모듈로 구성된 유연한 설계입니다. 개발자는 Web API, 데이터베이스, 사용자 정의 함수 등을 신속히 통합하여 에이전트의 기능을 확장할 수 있습니다. 기억 메커니즘을 통해 상호 작용 전후에 맥락을 유지하며, 멀티 턴 대화와 긴 워크플로우도 지원합니다. 로깅, 디버깅, 확장 유틸리티 포함으로, 개발 과정의 복잡성을 낮추고 빠른 프로덕션 배포가 가능합니다.

TexasHoldemAgent는 Python 기반의 모듈형 환경으로, 헤드업 제한 텍사스 홀덤 포커용 AI 플레이어를 훈련, 평가, 배포합니다. 커스텀 시뮬레이션 엔진과 DQN을 포함한 딥 강화 학습 알고리즘을 통합하여 정책을 반복적으로 개선합니다. 주요 기능에는 핸드 상태 인코딩, 액션 공간 정의(폴드, 콜, 레이즈), 보상 설계, 실시간 의사결정 평가가 포함됩니다. 사용자들은 학습 파라미터를 조정하고, CPU/GPU 가속을 활용하며, 훈련 진행 상황을 모니터링하고, 학습된 모델을 로드하거나 저장할 수 있습니다. 이 프레임워크는 배치 시뮬레이션을 지원하여 다양한 전략 테스트, 성능 지표 생성, 승률 시각화를 가능하게 하며, 연구자, 개발자, 포커 열정가들이 AI 기반 게임 전략 실험을 할 수 있도록 돕습니다.