Agents-Deep-Research는 사용자 정의 목표를 하위 작업으로 분해하는 태스크 계획 엔진, 컨텍스트를 저장하고 검색하는 장기 메모리 모듈, 외부 API와 시뮬레이션 환경과 상호 작용할 수 있는 도구 통합 계층을 제공하여 자율 AI 에이전트 개발과 테스트를 간소화하도록 설계되었습니다. 또한 다양한 시나리오에서 에이전트 성능을 측정할 수 있는 평가 스크립트와 벤치마크 도구도 제공합니다. Python 위에 구축되고 다양한 LLM 백엔드에 적응 가능하며, 연구자와 개발자가 빠르게 새로운 에이전트 아키텍처를 프로토타입하고, 재현 가능한 실험을 수행하며, 제어된 환경에서 다양한 계획 전략을 비교할 수 있도록 합니다.

BotPlayers는 AI 기반 게임 플레이 에이전트의 개발과 배포를 간소화하는 데 목적이 있는 다목적 오픈 소스 프레임워크입니다. 화면 캡처, 웹 API 또는 맞춤 시뮬레이션 인터페이스를 지원하는 유연한 환경 추상화 계층이 특징이며, 봇이 다양한 게임과 상호작용할 수 있게 합니다. 내장 강화 학습 알고리즘, 유전 알고리즘, 규칙 기반 휴리스틱과 데이터 로깅, 모델 체크포인팅, 성능 시각화 도구를 포함합니다. 모듈형 플러그인 시스템을 통해 개발자는 센서, 행동, AI 정책을 Python 또는 Java로 맞춤화할 수 있습니다. YAML 기반 구성으로 빠른 프로토타이핑과 훈련, 평가를 위한 자동화 파이프라인도 제공합니다. Windows, Linux, macOS에서 지원되어 실험과 지능형 게임 에이전트의 생산을 가속화합니다.

CrewAI-Learning은 다중 에이전트 강화 학습 프로젝트를 간소화하도록 설계된 오픈소스 라이브러리입니다. 환경 구조, 모듈형 에이전트 정의, 사용자 정의 보상 함수, DQN, PPO, A3C와 같은 협력 작업에 적합한 내장 알고리즘을 제공합니다. 사용자는 시나리오 정의, 훈련 루프 관리, 메트릭 로깅 및 결과 시각화를 수행할 수 있습니다. 프레임워크는 에이전트 팀 및 보상 공유 전략의 동적 구성을 지원하여 다양한 분야에서 프로토타이핑, 평가 및 최적화를 용이하게 합니다.

crewAI Playground는 AI 기반 에이전트를 구축하고 실험하는 개발자 도구와 샌드박스입니다. 프롬프트, 도구, 메모리 모듈을 지정하여 구성 파일 또는 코드를 통해 에이전트를 정의합니다. 이 플랫폼은 여러 에이전트를 동시에 실행하고, 메시지 라우팅을 처리하며, 대화 기록을 로그에 남깁니다. 외부 데이터 소스용 플러그인 통합, 메모리 백엔드(메모리 또는 영구적), 테스트를 위한 웹 인터페이스를 지원합니다. 챗봇, 가상 비서, 자동화 워크플로우의 프로토타입 제작에 사용하세요.

Flocking Multi-Agent는 군집 지능을 보여주는 자율 에이전트 시뮬레이션을 위한 모듈식 라이브러리를 제공합니다. 결속, 분리, 정렬의 핵심 조종 행동과 장애물 회피, 동적 목표 추적을 포함합니다. Python과 Pygame을 이용한 시각화를 통해, 이 프레임워크는 이웃 반경, 최대 속도, 회전 힘 등의 파라미터를 조정할 수 있습니다. 사용자 정의 행동 함수와 로보틱스 또는 게임 엔진 통합을 위한 훅을 통해 확장 가능하며, AI, 로보틱스, 게임 개발, 학술 연구에 이상적입니다. 간단한 지역 규칙이 어떻게 복잡한 글로벌 형태를 만들어내는지 보여줍니다.

MARFT는 재현 가능한 실험과 협력 AI 시스템의 빠른 프로토타이핑을 가능하게 하는 Python 기반의 LLM입니다.

이 오픈소스 프로젝트는 PyTorch와 Unity ML-Agents를 기반으로 구축된 완전한 다중 에이전트 강화 학습 프레임워크를 제공합니다. 분산 DDPG 알고리즘, 환경 래퍼, 훈련 스크립트를 포함하며, 사용자들은 에이전트 정책, 비평 네트워크, 재현 버퍼, 병렬 훈련 워커를 구성할 수 있습니다. 로깅 후크는 TensorBoard 모니터링을 가능하게 하며, 모듈화된 코드는 사용자 지정 보상 함수와 환경 매개변수를 지원합니다. 저장된 Unity 예제 씬은 협력 탐색 작업을 시연하며, 시뮬레이션에서 다중 에이전트 시나리오 확장과 벤치마킹에 이상적입니다.

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.

PettingZoo 게임을 위한 강화 학습 에이전트는 Python 기반 코드 라이브러리로, PettingZoo 환경에서 사용할 수 있는 다중 에이전트 RL용 DQN, PPO 및 A2C 알고리즘을 즉시 제공하며 표준화된 훈련 및 평가 스크립트, 조정 가능한 하이퍼파라미터, TensorBoard 로깅, 경쟁 및 협력 게임 지원 등을 갖추고 있습니다. 연구원과 개발자는 이 저장소를 클론하여 환경 및 알고리즘 파라미터를 조정하고, 훈련 세션을 실행하며, 메트릭을 시각화하여 빠르게 실험하고 비교할 수 있습니다.

StoreforGPT는 사용자 정의 GPT 작품을 전시하는 데 전념하는 온라인 플랫폼입니다. 사용자는 다양한 목적으로 맞춤 제작된 다양한 GPT를 탐색할 수 있으므로 특정 요구 사항에 맞는 AI 솔루션을 쉽게 찾을 수 있습니다. 이 플랫폼은 사용자가 자신의 GPT를 시험하고 공유할 수 있도록 하여 혁신과 커뮤니티 참여를 촉진합니다. 생산성을 높이거나Tasks를 단순화하거나 AI를 실험해보고 싶다면 StoreforGPT는 새로운 가능성을 발견할 수 있는 장소입니다.

DemoGPT는 OpenAI GPT 모델을 사용하여 AI 에이전트의 핵심 개념을 보여주는 오픈소스 파이썬 프로젝트입니다. 지속성 있는 메모리를 JSON 파일에 저장하여 세션 간 컨텍스트 인식 상호작용이 가능합니다. 프레임워크는 웹 검색, 계산, 맞춤 확장 등과 같은 동적 도구 실행을 플러그인 스타일의 아키텍처로 지원합니다. API 키를 구성하고 종속성을 설치하기만 하면, 사용자들은 로컬에서 DemoGPT를 실행하여 챗봇 프로토타입, 다중 턴 대화 흐름 탐색, 에이전트 기반 워크플로를 테스트할 수 있습니다. 이 포괄적 데모는 개발자와 연구자가 현실 세계 시나리오에서 GPT 기반 에이전트를 구축, 커스터마이즈, 실험할 수 있는 실용적 토대를 제공합니다.

Dreamspace.art는 AI 모델을 실험하기 위한 무한 캔버스를 제공하는 다목적 플랫폼입니다. 사용자는 프롬프트를 실행하고, 출력을 시각화 및 비교하며, 더 나은 이해와 대규모 언어 모델에서의 통찰을 제공하기 위해 이를 연결할 수 있습니다. AI 출력을 분석하는 연구자든, 사고를 시각적 형식으로 조직하고자 하는 창의적인 전문가든, Dreamspace.art는 AI 기술로 책임감 있게 실험하고 혁신할 수 있는 도구를 제공합니다.

Dual Coding Agents는 원활하게 시각적 이해와 언어 생성을 결합하는 모듈식 아키텍처를 제공합니다. 프레임워크는 OpenAI CLIP과 같은 이미지 인코더, GPT와 같은 트랜스포머 기반 언어 모델을 기본 지원하며, 이들을 체인-오브-쏘트 파이프라인으로 조율합니다. 사용자들은 이미지를 입력하고 프롬프트 템플릿을 제공하여, 시각적 특징을 처리하고 맥락에 대해 추론하며, 상세한 텍스트 출력을 생성할 수 있습니다. 연구자와 개발자는 모델 교체, 프롬프트 구성, 플러그인 확장을 통해 쉽게 활용할 수 있습니다. 이 툴킷은 멀티모달 AI 실험을 쉽게 하여 시각적 질문응답, 문서 분석, 접근성 도구, 교육 플랫폼 등 다양한 응용 분야의 신속한 프로토타입 제작을 지원합니다.

echoOLlama은 Ollama 생태계를 활용하여 최소한의 에이전트 프레임워크를 제공합니다. 터미널에서 사용자 입력을 읽고, 이를 구성된 로컬 LLM에 전송하며, 실시간으로 응답을 스트리밍합니다. 사용자는 상호작용 시퀀스를 스크립트화하고, 프롬프트를 연결하며, 기본 모델 코드를 수정하지 않고 프롬프트 엔지니어링을 실험할 수 있습니다. 이는 대화 패턴 테스트, 간단한 명령 기반 도구 구축, 반복적 에이전트 작업 처리에 이상적입니다.

LLM Clash는 AI 애호가, 연구자 및 취미 활동가가 다른 LLM과의 실시간 논쟁에서 자신의 대규모 언어 모델(LLMs)에 도전할 수 있도록 설계된 다이내믹 플랫폼입니다. 플랫폼은 다양하며, 미세 조정 모델과 추가 설치 없이 사용할 수 있는 모델을 모두 지원합니다. 이는 로컬에서 호스팅되든 클라우드 기반이든 상관없이 사용할 수 있습니다. 이것은 당신의 LLM의 성능과 주장을 개선할 수 있는 이상적인 환경이 됩니다. 때로는 잘 만들어진 프롬프트 하나로도 논쟁의 결과가 뒤바뀔 수 있습니다!

multi_agent_celar는 시뮬레이션 환경에서 여러 지능형 에이전트 간의 출현 언어 통신을 가능하게 하는 모듈식 AI 플랫폼입니다. 사용자는 정책 파일을 통해 에이전트 행동을 정의하고, 환경 매개변수를 구성하며, 에이전트가 협력 과제를 해결하기 위해 자체 통신 프로토콜을 발전시키는 조정된 훈련 세션을 실행할 수 있습니다. 이 프레임워크는 평가 스크립트, 시각화 도구 및 확장 가능한 실험 지원을 포함하여, 다중 에이전트 협업, 출현 언어, 의사 결정 과정에 관한 연구에 이상적입니다.

PommerLearn은 연구자와 개발자가 Pommerman 게임 환경에서 다중 에이전트 RL 봇을 훈련할 수 있도록 합니다. 인기 있는 알고리즘(PPO, DQN)의 준비된 구현, 하이퍼파라미터용 유연한 구성 파일, 자동 로깅 및 훈련 지표 시각화, 모델 체크포인트, 평가 스크립트를 포함합니다. 모듈식 아키텍처를 통해 새로운 알고리즘 추가, 환경 맞춤화, 표준 ML 라이브러리(PyTorch 등)와의 통합이 용이합니다.

ThreeAgents는 Python으로 구축되었으며, OpenAI의 채팅 완료 API를 활용하여 역할이 다른 여러 AI 에이전트를 인스턴스화합니다(시스템, 어시스턴트, 사용자). 에이전트 프롬프트, 역할 기반 메시지 처리, 맥락 메모리 관리를 위한 추상화를 제공합니다. 개발자는 커스텀 프롬프트 템플릿을 정의하고, 에이전트 성격을 설정하며, 상호작용을 연결하여 현실적인 대화 또는 작업 중심 워크플로우를 시뮬레이션할 수 있습니다. 프레임워크는 메시지 전달, 컨텍스트 창 관리, 로깅을 처리하여 협력적 의사결정 또는 계층적 작업 분해에 대한 실험을 지원합니다. 환경 변수 및 모듈형 에이전트 지원으로 OpenAI와 로컬 LLM 백엔드 간의 전환이 원활하며, 빠른 프로토타이핑이 가능합니다. 예제 스크립트와 Docker 지원으로 빠른 설정이 가능합니다.