negotiation_agent는 GPT와 유사한 모델로 구동되는 자율 협상 봇을 구축하기 위한 모듈형 툴킷입니다. 개발자는 항목, 선호도, 유틸리티 함수를 정의하여 에이전트 목표를 모델링할 수 있으며, 사전 정의된 에이전트 템플릿을 사용하거나 맞춤 전략을 통합할 수 있습니다. 제안 생성, 역제안 평가, 수락 결정, 거래 종료를 지원하며, 표준화된 프로토콜로 대화 흐름을 관리하고, 토너먼트 형 실험을 위한 배치 시뮬레이션과 합의율, 유틸리티 향상, 공정성 점수와 같은 성과 지표를 계산합니다. 오픈 아키텍처를 통해 기본 LLM 백엔드 교체 및 플러그인을 통한 에이전트 논리 확장도 가능합니다. negotiation_agent를 통해 팀은 전자상거래, 연구, 교육 환경에서 자동화된 교섭 솔루션을 빠르게 프로토타입하고 평가할 수 있습니다.

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.

Azul Game AI 에이전트는 Azul 보드 게임 경쟁을 위한 전문 AI 솔루션입니다. 파이썬으로 구현되었으며, 게임 상태를 모델링하고 결정론적 가지치기를 위해 Minimax 탐색을 적용하며, Monte Carlo Tree Search를 활용하여 확률적 결과를 탐색합니다. 이 에이전트는 높은 점수를 획득하는 타일 배치 패턴을 평가하기 위해 맞춤형 휴리스틱을 사용하며, 헤드-투-헤드 토너먼트 모드, 배치 시뮬레이션, 성능 분석을 위한 결과 기록을 지원합니다. 사용자는 알고리즘 매개변수를 조정하고, 맞춤형 게임 환경과 통합하며, 의사 결정 트리를 시각화하여 수를 선택하는 방식을 이해할 수 있습니다.