YGO-Agent 프레임워크는 연구원과 열정가들이 강화 학습을 사용하여 Yu-Gi-Oh 카드 게임을 플레이하는 AI 봇을 개발할 수 있도록 합니다. 이 프레임워크는 YGOPRO 게임 시뮬레이터를 OpenAI Gym 호환 환경으로 감싸며, 손패, 필드, 라이프 포인트와 같은 상태 표현과 소환, 주문/함정 활성화, 공격을 포함한 액션 표현을 정의합니다. 보상은 승패 결과, 데미지, 게임 진행 상황에 기반합니다. 에이전트 아키텍처는 PyTorch를 사용하여 DQN을 구현하며, 사용자 커스터마이즈 네트워크 구조, 경험 재생, 이플실론-탐욕 탐색을 선택할 수 있습니다. 로깅 모듈은 훈련 곡선, 승률, 상세 이동 로그를 기록하여 분석에 활용됩니다. 이 프레임워크는 모듈식으로 설계되어 있으며, 보상 함수 또는 액션 공간과 같은 구성요소를 교체하거나 확장할 수 있습니다.

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.