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.

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.

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.

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.

AgentScope는 동적 계획, 컨텍스트 기반 메모리 저장 및 도구/API 통합을 위한 모듈형 구성요소를 제공하여 지능형 에이전트 생성을 간소화하는 개발자 중심 프레임워크입니다. OpenAI, Anthropic, Hugging Face 등 여러 LLM 백엔드를 지원하며, 작업 실행, 응답 생성을 위한 맞춤형 파이프라인과 데이터 검색 기능을 제공합니다. AgentScope의 아키텍처는 대화형 봇, 워크플로우 자동화 에이전트, 연구 보조 도구의 신속한 프로토타이핑을 가능하게 하며 확장성과 확장성을 유지합니다.

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.

cpp-langchain은 C++에서 LangChain 생태계의 핵심 기능을 구현합니다. 개발자는 대형 언어 모델 호출을 래핑하고, 프롬프트 템플릿을 정의하며, 체인을 조합하고, 외부 도구 또는 API를 호출하는 에이전트를 조정할 수 있습니다. 대화 상태 유지를 위한 메모리 모듈, 유사성 검색을 위한 임베딩 지원, 벡터 데이터베이스 통합이 포함됩니다. 모듈식 설계로 LLM 클라이언트, 프롬프트 전략, 메모리 백엔드 및 툴킷을 특정 용도에 맞게 맞춤화할 수 있습니다. 헤더 전용 라이브러리와 CMake 지원을 제공하여 Windows, Linux, macOS에서 Python 런타임 없이 네이티브 AI 애플리케이션 빌드를 간소화합니다.

Esquilax는 복잡한 AI 에이전트 워크플로우 구축과 오케스트레이션을 위해 설계된 가벼운 TypeScript 프레임워크입니다. 명확한 API를 통해 에이전트를 선언적으로 정의하고, 메모리 모듈을 할당하며, API 호출 또는 데이터베이스 쿼리와 같은 커스텀 플러그인 액션을 통합할 수 있습니다. 내장된 컨텍스트 처리와 다중 에이전트 조정을 지원하며, 챗봇, 디지털 어시스턴트, 자동화 프로세스 생성을 간소화합니다. 이벤트 기반 아키텍처를 통해 작업을 체인하거나 동적으로 트리거하며, 로그 및 디버깅 도구가 에이전트 상호작용을 완벽하게 파악할 수 있도록 합니다. 보일러플레이트 코드를 추상화하여 팀이 확장 가능한 AI 기반 애플리케이션의 빠른 프로토타이핑을 할 수 있도록 돕습니다.

GPA-LM은 파이썬 기반 프레임워크로, 대형 언어 모델을 기반으로 하는 AI 에이전트의 생성과 조정을 쉽게 합니다. 상위 명령을 하위 태스크로 분해하는 플래너, 도구 호출과 상호작용을 관리하는 실행기, 세션 간 맥락을 유지하는 메모리 모듈이 포함되어 있습니다. 플러그인 아키텍처는 개발자가 커스텀 도구, API, 결정 논리를 추가할 수 있게 합니다. 다중 에이전트 지원으로 역할 조율, 작업 분산, 결과 집계가 가능합니다. OpenAI GPT 같은 인기 LLM과 원활하게 통합하며 다양한 환경에서 배포할 수 있습니다. 이 프레임워크는 연구, 자동화, 애플리케이션 프로토타이핑을 위한 자율 에이전트 개발을 가속화합니다.

HexaBot은 지능형 자율 에이전트의 개발과 배포를 간소화하도록 설계되었습니다. 복잡한 작업을 관리 가능한 단계로 나누는 모듈형 워크플로우 파이프라인과 세션 간 맥락 유지를 위한 지속성 저장소를 제공합니다. 개발자는 플러그인 생태계를 통해 외부 API, 데이터베이스, 서드파티 서비스에 에이전트를 연결할 수 있습니다. 실시간 모니터링과 로그는 에이전트 동작을 가시화하며, Python 및 JavaScript SDK는 기존 애플리케이션에 빠르게 통합할 수 있도록 합니다. HexaBot의 확장 가능한 인프라는 높은 동시성을 처리하고 신뢰성 있는 프로덕션 배포를 위해 버전 관리를 지원합니다.

LLM-Agent는 대형 언어 모델로 구동되는 AI 에이전트를 구축하기 위한 가볍고 확장 가능한 프레임워크입니다. 대화 기록, 동적 프롬프트 템플릿, 사용자 정의 도구 또는 API의 원활한 통합을 위한 추상화를 제공합니다. 개발자는 다단계 유추 프로세스를 조율하고, 상호작용 간 상태를 유지하며, 데이터 검색, 보고서 생성, 의사 결정 지원과 같은 복잡한 작업을 자동화할 수 있습니다. 메모리 관리와 도구 사용, 계획을 결합하여 LLM-Agent는 Python에서 지능적이고 작업 지향적인 에이전트 개발을 간소화합니다.

Multi-Agent는 병렬로 실행되는 여러 AI 에이전트를 구축하고 오케스트레이션하는 데 도움을 주는 개발자 도구 키트입니다. 각 에이전트는 자체 메모리 저장소, 프롬프트 구성, 메시지 큐를 유지합니다. 사용자 정의 행동을 정의하고, 에이전트 간 통신 채널을 설정하며, 역할에 따라 작업을 자동으로 위임할 수 있습니다. 언어 이해 및 생성 용도로 OpenAI의 Chat API를 활용하며, 워크플로 오케스트레이션, 로깅, 오류 처리 위한 모듈식 컴포넌트를 제공합니다. 이를 통해 연구 조수, 데이터 처리자, 고객 지원 봇과 같은 전문 에이전트들을 만들어 복합적인 작업에 함께 활용할 수 있습니다.

Odyssey는 협업형 다중 에이전트 시스템 구축을 위한 유연한 아키텍처를 제공합니다. 핵심 구성 요소에는 하위 작업을 정의하고 배포하는 태스크 매니저, 맥락과 대화 기록을 저장하는 메모리 모듈, LLM 기반 에이전트 조정을 담당하는 에이전트 컨트롤러, 외부 API 또는 사용자 정의 기능을 통합하는 도구 매니저가 포함됩니다. 개발자는 YAML 파일로 워크플로를 구성하고, 사전 구축된 LLM 커널(GPT-4, 로컬 모델 등)을 선택하며, 새로운 도구 또는 메모리 백엔드도 손쉽게 확장할 수 있습니다. Odyssey는 상호작용 기록, 비동기 작업 수행, 반복적 개선 루프를 지원하여 연구, 프로토타이핑, 실전 애플리케이션에 이상적입니다.

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.

Universal Basic Compute는 다양한 워크플로우에 걸친 AI 에이전트 설계, 훈련 및 배포를 위한 통합 환경을 제공합니다. 사용자는 여러 대형 언어 모델 중에서 선택하고, 컨텍스트 인식용 맞춤형 메모리 저장소를 구성하며, 외부 API와 도구를 통합하여 기능을 확장할 수 있습니다. 이 플랫폼은 오케스트레이션, 장애 허용성, 확장성을 자동으로 처리하며, 실시간 모니터링과 성능 분석을 위한 대시보드도 제공합니다. 인프라 세부 사항을 추상화하여, 백엔드 복잡성 대신 에이전트 로직과 사용자 경험에 집중할 수 있도록 지원합니다.

Autonomys Agents를 사용하면 개발자가 수작업 개입 없이 복잡한 작업을 수행할 수 있는 자율 AI 에이전트를 만들 수 있습니다. Python 기반으로, 에이전트 행동 정의, 외부 API와 사용자 정의 기능 통합, 상호작용 간 대화 기억 유지 등을 위한 도구를 제공합니다. 에이전트는 다중 에이전트 환경에서 협력하고, 지식을 공유하며, 행동을 조율할 수 있습니다. 관측 모듈은 실시간 로그 기록, 성능 추적, 디버깅 인사이트를 제공합니다. 모듈형 구조로, 팀은 핵심 구성요소를 확장하고, 새로운 LLM을 통합하며, 다양한 환경에서 에이전트를 배포할 수 있습니다. 고객 지원 자동화, 데이터 분석, 연구 워크플로우 조정 등에 유용하며, Autonomys Agents는 종단 간 지능형 자율 시스템의 개발과 관리를 간소화합니다.