LLM State Machine은 명시적 상태 기계를 사용하여 AI 에이전트를 구축하는 오픈소스 Python 프레임워크입니다. 개발자는 상태를 개별 단계로 정의하며, 각 단계는 대형 언어 모델 또는 사용자 정의 로직을 호출하고, 출력에 따라 전이합니다. 이 방식은 문서 처리, 대화형 봇 또는 자동화 파이프라인과 같은 다단계, LLM 기반 워크플로우에 대해 명확성, 유지보수성, 견고한 오류 처리를 제공합니다.

Modus는 LLM 통합, 메모리 저장소, 도구 조정을 위한 핵심 컴포넌트를 제공하여 AI 에이전트 개발을 간소화하는 개발자 중심 프레임워크입니다. 플러그인 기반 도구 라이브러리를 지원하여 데이터 수집, 분석, 행동 실행과 같은 작업을 수행할 수 있습니다. 내장된 메모리 모듈을 통해 에이전트는 대화 맥락을 유지하고 상호작용을 통해 학습할 수 있습니다. 확장 가능한 아키텍처는 다양한 애플리케이션에서 AI 개발과 배포를 가속화합니다.

MultiAgent-Systems-StarCraft2-PySC2-Raw는 StarCraft II에서 다중 AI 에이전트 개발, 훈련 및 평가를 위한 완전한 툴킷을 제공합니다. 유닛 이동, 대상 지정, 능력에 대한 저수준 제어를 제공하며, 유연한 보상 설계와 시나리오 구성이 가능합니다. 사용자는 맞춤형 신경망 아키텍처를 쉽게 연결하고, 팀 기반 협력 전략을 정의하며, 지표를 기록할 수 있습니다. PySC2를 기반으로 병렬 훈련, 체크포인트 및 시각화를 지원하여 협력과 경쟁 다중 에이전트 강화학습 연구에 이상적입니다.

Trainable Agents는 최첨단 대형 언어 모델을 탑재한 AI 에이전트의 신속한 개발과 훈련을 위한 모듈식 확장 툴킷으로 설계되었습니다. 이 프레임워크는 인터랙션 환경, 정책 인터페이스, 피드백 루프와 같은 핵심 컴포넌트를 추상화하여, 개발자가 작업 정의, 데모 제공, 보상 함수 구현을 쉽게 수행할 수 있도록 합니다. OpenAI GPT 및 Anthropic Claude를 기본 지원하며, 경험 재생, 배치 훈련, 성능 평가를 용이하게 합니다. 또한 로깅, 지표 추적, 훈련된 정책의 배포를 위한 유틸리티도 포함되어 있습니다. 대화형 봇 제작, 워크플로 자동화, 연구 수행 등 전체 수명 주기를 하나로 통합된 Python 패키지로 제공합니다.

Coffee-Shop-AI-Agents는 핵심 커피숍 기능을 자동화하는 전문 AI 에이전트를 구축하고 배포하는 오픈소스 프레임워크입니다. LangChain과 OpenAI 언어 모델을 활용하며, 복잡한 음료 주문을 처리하고 사용자 맞춤 추천 및 재료 가용량 관리를 하는 바리스타 에이전트, 결제 처리와 디지털 영수증 발행, 판매 지표 추적을 하는 계산원 에이전트, 재고 예측, 재입고 일정 제안, 성과 분석을 하는 매니저 에이전트를 제공합니다. 맞춤형 프롬프트와 파이프라인 구성으로 개발자는 매장 정책과 메뉴 항목에 빠르게 적응할 수 있습니다. 리포지터리에는 셋업 스크립트, API 통합, 실시간 고객 상호작용과 운영 분석을 시뮬레이션하는 예제 워크플로우가 포함되어 있어 개발자 친화적인 환경에서 활용 가능합니다.

LLM Agents Example은 Python으로 AI 에이전트를 구축할 수 있는 실습용 코드 베이스를 제공합니다. 커스텀 도구(웹 검색, WolframAlpha를 통한 수학 해결, CSV 분석, Python REPL)를 등록하고, 채팅 및 검색 기반 에이전트 생성, 벡터 저장소와 연결하여 문서 질문 응답을 시연합니다. 이 저장소는 대화 기억 유지, 도구 호출의 동적 분배, 복수의 LLM 프롬프트를 연결하여 복잡한 작업을 해결하는 패턴을 보여줍니다. 사용자는 서드파티 API 통합, 에이전트 워크플로우 구성 및 새 기능 확장 방법을 배워 개발자 실험과 프로토타이핑에 활용할 수 있습니다.

pyafai는 개발자가 자율 AI 에이전트를 설계, 구성 및 실행하는 데 도움을 주는 오픈소스 Python 라이브러리입니다. 이 라이브러리는 문맥 유지를 위한 메모리 관리, 외부 API 호출용 도구 통합, 환경 모니터링을 위한 옵서버, 결정 내리기 위한 플래너, 에이전트 루프를 관리하는 오케스트레이터를 위한 플러그인 가능한 모듈을 제공합니다. 로깅과 모니터링 기능은 에이전트의 성능과 행동을 투명하게 보여줍니다. pyafai는 주요 LLM 공급자를 기본 제공하며, 커스텀 모듈 제작을 지원하고 템플릿 코드를 줄여 신속한 프로토타이핑, 연구봇, 자동화 워크플로우 개발을 가능하게 합니다.

X AI Agent는 지능형 에이전트를 구축하기 위한 모듈식 아키텍처를 제공합니다. 원활한 외부 도구 및 API 통합, 구성 가능한 메모리 모듈, 다중 LLM 조정을 지원합니다. 개발자는 코드 내에서 사용자 정의 기술, 도구 연결자 및 워크플로우를 정의하고, 데이터를 검색하며 콘텐츠를 생성하고, 프로세스를 자동화하며, 복잡한 대화를 자율적으로 처리하는 에이전트를 배포할 수 있습니다.

Fetch.ai의 자율경제에이전트(AEA)는 상호작용, 외부 환경, 디지털 원장과 통신할 수 있는 자율 소프트웨어 에이전트의 설계, 구현, 조정을 가능하게 하는 다목적 프레임워크입니다. 플agin 기반 아키텍처를 활용하며, 통신 프로토콜, 암호화 원장 API, 분산 신원확인 및 맞춤형 의사결정 기술용 사전 제작 모듈을 제공합니다. 에이전트는 분산 시장 내에서 발견되고 거래할 수 있으며, 목표 기반 행동을 수행하고, 실시간 데이터 피드를 통해 적응 가능합니다. 이 프레임워크는 다중 에이전트 시나리오 용 시뮬레이션 도구와 실제 블록체인 또는 P2P 네트워크 배포를 지원합니다. 내장된 상호 운영성과 에이전트 간 메시징으로, 에이전트 간 조정이 핵심인 에너지 거래, 공급망 최적화 및 IoT 스마트 코디네이션 등 복잡한 자율 경제 애플리케이션 개발을 간소화합니다.

HFO_DQN은 Python과 TensorFlow를 결합하여 Deep Q-Network을 사용하는 축구 에이전트 훈련을 위한 완전한 파이프라인을 제공합니다. 사용자는 저장소를 복제(clone)하고, HFO 시뮬레이터와 Python 라이브러리 포함 의존성을 설치하며, YAML 파일에서 훈련 매개변수를 구성할 수 있습니다. 이 프레임워크는 경험 재생, 타깃 네트워크 업데이트, 이플슨 탐색(epsilon-greedy), 그리고 하프 필드 오펜스 도메인에 특화된 보상 조정을 구현합니다. 에이전트 훈련, 성능 로깅, 평가 경기, 결과 플로팅을 위한 스크립트를 포함하며, 모듈형 코드 설계는 커스텀 신경망 아키텍처, 대체 RL 알고리즘, 다중 에이전트 협력 전략의 통합을 허용합니다. 출력에는 훈련된 모델, 성능 지표, 행동 시각화가 포함되어 있으며, 강화학습 및 다중 에이전트 시스템 분야 연구를 지원합니다.