이 저장소는 PyTorch를 사용하여 다중 에이전트 강화학습에서 출현하는 커뮤니케이션을 구현합니다. 사용자들은 송신자와 수신자 신경망을 구성하여 참조 게임이나 협력 네비게이션을 수행하게 하고, 에이전트들이 이산 또는 연속 통신 채널을 개발하도록 격려합니다. 학습, 평가, 학습된 프로토콜 시각화 스크립트와 환경 생성, 메시지 인코딩/디코딩 유틸리티를 제공합니다. 연구자들은 맞춤형 작업을 확장하거나 네트워크 구조를 변경하고, 프로토콜 효율성을 분석하여 빠른 실험을 촉진할 수 있습니다.

MACL은 여러 개의 AI 에이전트 생성과 조정을 단순화하도록 설계된 모듈형 Python 프레임워크입니다. 개별 에이전트에 커스텀 기술을 정의하고, 통신 채널을 설정하며, 에이전트 네트워크 전체의 작업을 스케줄할 수 있습니다. 에이전트는 메시지를 교환하고, 책임을 협상하며, 공유된 데이터를 기반으로 동적으로 적응할 수 있습니다. 인기 LLM 지원과 확장성을 위한 플러그인 시스템을 내장하여, 고객 서비스 자동화, 데이터 분석 파이프라인, 시뮬레이션 환경과 같은 분야에서 확장 가능하고 유지보수 용이한 AI 워크플로우를 지원합니다.

Agent-FLAN은 작업을 기획 역할과 실행 역할로 나누어 정교한 AI 에이전트 기반 애플리케이션 개발을 간소화하도록 설계되었습니다. 사용자는 구성 파일을 통해 에이전트 행동과 워크플로우를 정의하며, 입력 포맷, 도구 인터페이스, 통신 프로토콜을 지정합니다. 기획 에이전트는 상위 수준의 작업 계획을 생성하고, 실행 에이전트는 API 호출, 데이터 처리 또는 대형 언어 모델을 활용한 콘텐츠 생성과 같은 구체적 작업을 수행합니다. 모듈형 구조는 플러그앤플레이 도구 어댑터, 사용자 지정 프롬프트 템플릿 및 실시간 모니터링 대시보드도 지원합니다. OpenAI, Anthropic, Hugging Face와 같은 인기 LLM 제공업체와 통합이 원활하며, 개발자는 다양한 시나리오(자동 연구 도우미, 동적 콘텐츠 생성 파이프라인, 기업 프로세스 자동화 등)용 워크플로우를 빠르게 프로토타이핑, 테스트 및 배포할 수 있습니다.

AWS Bedrock Multi-Agent Blueprint는 AWS Bedrock 위에 다중 에이전트 아키텍처를 구현할 수 있는 모듈식 프레임워크를 제공합니다. 공유 메시지 큐를 통해 협력하는 기획자, 연구원, 실행자, 평가자를 정의하는 샘플 코드를 포함하며, 각 에이전트는 커스텀 프롬프트로 다양한 Bedrock 모델을 호출하고, 중간 출력을 다음 에이전트에 전달합니다. 내장된 CloudWatch 로깅, 에러 처리 패턴, 동기 또는 비동기 실행 지원으로 모델 선택, 배치 작업, 전체 오케스트레이션의 관리 방법을 보여줍니다. 개발자는 저장소를 클론하고, AWS IAM 역할과 Bedrock 엔드포인트를 구성하며, CloudFormation 또는 CDK로 배포합니다. 오픈 소스 설계는 역할 확장, 작업 간 에이전트 확장, S3, Lambda, Step Functions와의 통합을 권장합니다.

Swarms World는 다중 에이전트 시스템 설계를 위한 통합 인터페이스를 제공하며, 사용자는 역할, 통신 프로토콜, 워크플로를 시각적 또는 코드로 정의할 수 있습니다. 에이전트는 실시간으로 협력, 하위 작업 위임, 결과 병합이 가능하며, 온프레미스, 클라우드, 엣지 배포를 지원하고, 내장 로깅, 성능 지표, 자동 확장을 제공합니다. 분산 마켓플레이스를 통해 사용자는 에이전트 모듈을 발견, 공유, 수익화할 수 있으며, 인기 LLM, API, 맞춤형 모델 지원으로 강력한 기업용 AI 자동화 개발을 가속화합니다.

Swarms.rs는 군집 기반 AI 에이전트 프로그램 실행용 Rust 핵심 런타임입니다. 커스텀 로직 또는 AI 모델 통합을 위한 모듈식 플러그인 시스템, 피어투피어 통신을 위한 메시지 전달 계층, 에이전트 행동 스케줄링을 위한 비동기 실행기를 특징으로 하며, 이를 통해 개발자는 복잡한 분산 에이전트 네트워크를 설계, 배포, 확장할 수 있습니다. 이 구성요소들은 시뮬레이션, 자동화, 다중 에이전트 협력 작업에 적합합니다.

Halite II는 사용자 작성 봇 간의 턴제 전략 경기 대회를 주최하는 오픈소스 챌린지 프레임워크입니다. 매 턴마다 인공지는 지도 상태를 수신하고, 이동 및 공격 명령을 발행하며, 가장 많은 영역을 통제하기 위해 경쟁합니다. 플랫폼은 게임 서버, 지도 파서, 시각화 도구를 포함하며, 개발자는 로컬에서 테스트하고, 휴리스틱을 조정하며, 성능을 최적화하고, 온라인 리더보드에 제출할 수 있습니다. 시스템은 반복적인 봇 개선, 다중 에이전트 협력, 전략 연구를 표준화된 환경에서 지원합니다.

SwarmZero는 AI 에이전트 무리를 정의하고 관리하며 실행하기 위한 확장 가능하고 오픈 소스인 환경을 제공합니다. 개발자는 하나의 오케스트레이터 API를 통해 에이전트 역할을 선언하고, 프롬프트를 사용자 지정하며, 워크플로우를 체인할 수 있습니다. 이 프레임워크는 주요 LLM 제공업체와 통합되며, 플러그인 확장과 세션 데이터 로깅 기능을 지원하여 디버깅과 성능 분석에 활용됩니다. 연구 봇, 콘텐츠 크리에이터 또는 데이터 분석기 등의 협력을 조정하는 경우, SwarmZero는 다중 에이전트 협업을 간소화하고 투명하고 재현 가능한 결과를 보장합니다.

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.

Multi-Agent-AI-Dynamic-Interaction은 여러 자율 AI 에이전트로 구성된 시스템을 설계, 구성, 실행하는 유연한 환경을 제공합니다. 각 에이전트는 특정 역할, 목표, 통신 프로토콜을 부여받을 수 있습니다. 이 프레임워크는 메시지 전달, 대화 컨텍스트 및 순차적 또는 병렬 상호작용을 관리합니다. OpenAI GPT, 기타 LLM API 및 커스텀 모듈과의 통합을 지원합니다. YAML 또는 Python 스크립트를 통해 시나리오를 정의하며, 에이전트 세부 정보, 작업 흐름 단계 및 정지 조건을 지정합니다. 이 시스템은 디버깅과 분석을 위해 모든 상호작용을 기록하며, 협력, 협상, 의사 결정, 복잡한 문제 해결 실험을 위해 에이전트 행동을 세밀하게 제어할 수 있습니다.

Multiagent-Prediction-Reward는 다중 에이전트 강화 학습을 위해 예측 모델과 보상 분배 메커니즘을 통합하는 연구 지향적 프레임워크입니다. 환경 래퍼, 동료 행동 예측을 위한 신경망 모듈, 에이전트 성능에 적응하는 사용자 정의 가능한 보상 라우팅 로직을 포함합니다. 이 리포지터리는 구성 파일, 예제 스크립트, 평가 대시보드를 제공하여 협력 과제에 대한 실험을 수행할 수 있습니다. 사용자는 새 보상 기능 테스트, 새로운 환경 통합, 기존 다중 에이전트 RL 알고리즘과의 벤치마킹 등을 확장할 수 있습니다.

RoboCup Rescue Agent Simulation은 IA 기반 다중 에이전트들이 협력하여 피해자를 찾고 구조하는 도시 재해 환경을 모델링한 오픈소스 프레임워크입니다. 내비게이션, 맵핑, 통신, 센서 통합 인터페이스를 제공하며, 사용자는 맞춤형 에이전트 전략을 스크립트화하고 배치 실험을 수행하며 에이전트 성능 지표를 시각화할 수 있습니다. 시나리오 구성, 로그 기록, 결과 분석을 지원하여 다중 에이전트 시스템과 재해 대응 알고리즘 연구를 가속화합니다.