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.

VillagerAgent는 대형 언어 모델을 활용하는 AI 에이전트를 구축하는 종합 도구 모음을 제공합니다. 핵심적으로 개발자는 웹 검색, 데이터 검색 또는 사용자 지정 API와 같은 모듈형 도구 인터페이스를 정의합니다. 프레임워크는 대화 맥락, 사실 및 세션 상태를 저장하여 원활한 다중 턴 상호작용을 관리합니다. 유연한 프롬프트 템플릿 시스템은 일관된 메시징과 행동 제어를 보장합니다. 고급 기능에는 여러 에이전트가 협력하거나 백그라운드 작업을 예약하는 기능이 포함됩니다. Python으로 개발된 VillagerAgent는 pip를 통한 손쉬운 설치와 인기 있는 LLM 제공자와의 통합을 지원합니다. 고객 지원 봇, 연구 보조 도구 또는 워크플로우 자동화 도구 개발에 있어 VillagerAgent는 설계, 테스트, 배포를 간소화합니다.

Agent-Baba는 특정 작업에 맞춘 자율 AI 에이전트를 생성하고 관리하기 위한 종합 툴킷을 제공합니다. 능력 확장을 위한 플러그인 구조, 대화 맥락을 유지하는 메모리 시스템, 연속 작업 수행을 위한 워크플로우 자동화를 특징으로 합니다. 웹 스크래퍼, 데이터베이스, 맞춤 API 등 도구를 에이전트에 통합할 수 있습니다. YAML 또는 JSON 스키마를 통해 구성하는 방식으로 프레임워크를 쉽게 설정하며, 다중 에이전트 협업을 지원하고 성능과 로그를 추적하는 모니터링 대시보드를 제공합니다. 이를 통해 반복적 개선과 원활한 배포를 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.

AgentForge는 개별 AI 기술을 정의, 결합, 오케스트레이션하여 유기적인 자율 에이전트로 만드는 구조화된 환경을 제공합니다. 대화 맥락 유지를 위한 대화 기억, 외부 서비스 통합 플러그인, 다중 에이전트 간 통신, 작업 스케줄링, 오류 처리를 지원합니다. 개발자는 사용자 정의 기술 핸들러를 구성하고, 내장 모듈을 활용하여 자연어 이해를 수행하며, OpenAI의 GPT 시리즈와 같은 인기 LLM들과 통합할 수 있습니다. AgentForge의 모듈러 설계는 개발 주기를 가속하고, 테스트를 용이하게 하며, 챗봇, 가상 비서, 데이터 분석 에이전트, 도메인별 자동화 봇의 배포를 간소화합니다.

Agentic-Systems는 에이전트, 도구, 메모리 구성요소로 이루어진 모듈식 아키텍처를 제공하여 정교한 자율형 AI 애플리케이션 개발을 간소화합니다. 개발자는 외부 API 또는 내부 기능을 캡슐화하는 커스텀 도구를 정의할 수 있으며, 메모리 모듈은 에이전트 반복 간에 맥락 정보를 유지합니다. 내장된 오케스트레이션 엔진은 작업을 스케줄링하고 의존성을 해결하며, 다중 에이전트 간의 상호작용을 관리합니다. 에이전트 로직과 실행 세부 사항을 분리함으로써 빠른 실험, 용이한 확장, 세밀한 에이전트 행동 제어가 가능합니다. 연구 보조 도구 프로토타이핑, 데이터 파이프라인 자동화, 의사결정 지원 에이전트 배치 등 다양한 용도에 적합하며, Agentic-Systems는 이러한 개발을 가속화하기 위한 추상화와 템플릿을 제공합니다.

Agentic Shared Memory는 AI 기반 멀티 에이전트 환경에서 컨텍스트 데이터를 관리하기 위한 강력한 솔루션을 제공합니다. 벡터 임베딩과 효율적인 데이터 구조를 활용하여 에이전트의 관찰, 결정 및 상태 전이를 저장하며, 원활한 컨텍스트 검색과 업데이트를 가능하게 합니다. 에이전트는 공유 메모리를 조회하여 과거 상호작용이나 글로벌 지식을 접근할 수 있으며, 일관된 행동과 협력 문제 해결을 촉진합니다. 이 라이브러리는 LangChain과 같은 인기 AI 프레임워크 또는 맞춤형 에이전트 오케스트레이터와의 플러그 앤 플레이 통합을 지원하며, 사용자 정의 유지 정책, 컨텍스트 윈도우 크기, 검색 기능을 제공합니다. 메모리 관리를 추상화하여 개발자는 에이전트 로직에 집중하면서 분산 또는 중앙 집중 배포 환경에서도 확장 가능하고 일관된 메모리 처리를 보장할 수 있습니다. 이는 시스템 전체 성능 향상, 중복 계산 감소, 에이전트 지능 향상에 기여합니다.

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.

CrewAI Studio는 개발자가 멀티 에이전트 AI 워크플로우를 설계, 시각화 및 모니터링할 수 있는 웹 기반 플랫폼입니다. 사용자는 각 에이전트의 프롬프트, 체인 로직, 메모리 설정 및 외부 API 통합을 그래픽 캔버스를 통해 구성할 수 있습니다. 스튜디오는 인기 있는 벡터 데이터베이스, LLM 공급자, 플러그인 엔드포인트에 연결됩니다. 실시간 디버깅, 대화 기록 추적, 원클릭 배포를 지원하여 강력한 디지털 보조 도구 제작을 간소화합니다.

DSpy Agents는 자율 AI 에이전트 제작을 간소화하는 오픈소스 Python 도구킷입니다. 모듈식 아키텍처를 통해 웹 스크래핑, 문서 분석, 데이터베이스 쿼리, 언어 모델(OpenAI, Hugging Face) 연동이 가능한 커스터마이징 도구로 에이전트를 구성할 수 있습니다. 개발자는 사전 작성된 템플릿을 이용하거나 맞춤 도구 세트를 정의하여 연구 요약, 고객 지원, 데이터 파이프라인 작업과 같은 과제들을 자동화할 수 있습니다. 내장된 메모리 관리, 로깅, 검색 강화 생성, 다중 에이전트 협력, 컨테이너 또는 서버리스 환경을 통한 손쉬운 배포로 boilerplate 코드 없이 에이전트 기반 애플리케이션 개발을 가속화합니다.

에이전트의 자발적 통신은 멀티 에이전트 시스템이 자체 통신 프로토콜을 개발하는 방법을 탐구하는 연구자를 위해 설계된 오픈소스 PyTorch 프레임워크입니다. 이 라이브러리는 참조 게임, 결합 게임, 객체 식별 과제 등을 포함하는 협력 강화 학습 과제의 유연한 구현을 제공합니다. 사용자는 발신자와 수신자 에이전트의 아키텍처를 정의하고, 어휘 크기와 시퀀스 길이와 같은 메시지 채널 속성을 지정하며, 정책 기울기 또는 감독 학습과 같은 훈련 전략을 선택할 수 있습니다. 프레임워크에는 실험 수행, 통신 효율성 분석, 자발적 언어 시각화를 위한 엔드투엔드 스크립트가 포함되어 있습니다. 모듈식 설계로 새로운 게임 환경이나 맞춤형 손실 함수를 쉽게 확장할 수 있습니다. 연구자들은 발표된 연구를 재현하고, 새로운 알고리즘을 벤치마킹하며, 자발적 에이전트 언어의 구성적 특성과 의미를 탐구할 수 있습니다.

GA 기반 NQueen 해결사는 각 에이전트가 N-Queen 후보 구성을 인코딩하는 모듈식 2APL 다중 에이전트 아키텍처를 사용합니다. 에이전트는 비공격 퀸 쌍 수를 계산하여 적합도를 평가하고, 높은 적합도 구성을 다른 에이전트와 공유합니다. 선택, 교차, 돌연변이와 같은 유전 연산자는 새로운 후보 체스판 생성에 사용되며, 연속적인 반복을 통해 에이전트들은 유효한 N-Queen 해에 수렴합니다. 이 프레임워크는 자바로 구현되었으며, 인구 크기, 교차율, 돌연변이 확률, 에이전트 통신 프로토콜 등에 대한 매개변수 튜닝을 지원하며, 상세 로그와 진화 과정 시각화를 출력합니다.

GenWorlds는 다중 에이전트 시스템의 생성을 촉진하기 위해 설계된 AI 개발 프레임워크입니다. 웹소켓을 통한 이벤트 기반 통신 프레임워크를 활용하여 개발자는 자율 에이전트가 비동기적으로 서로 및 주변과 상호작용할 수 있는 인터랙티브한 환경을 설정할 수 있습니다. 이 에이전트들은 협력하고, 행동을 계획하며, 복잡한 작업을 공동으로 수행함으로써 GenWorlds는 확장 가능하고 유연한 AI 생태계를 구축하는 강력한 플랫폼입니다.

GPT-agents는 GPT를 활용하여 자율 AI 에이전트의 생성과 오케스트레이션을 간소화하는 개발자 중심 도구 키트입니다. 내장된 에이전트 클래스, 모듈형 도구 통합 시스템, 지속적 메모리 관리 기능을 제공하여 계속적인 컨텍스트를 지원합니다. 이 프레임워크는 대화 계획 루프와 다중 에이전트 협업을 처리하여 목표 지정, 하위 작업 예약 및 복잡한 워크플로우에서 에이전트 연결을 가능하게 합니다. 사용자 정의 도구, 모델 선택, 오류 처리를 지원하여 다양한 분야에 대해 강력하고 확장 가능한 자동화를 제공합니다.

LiteSwarm은 여러 전문화된 에이전트 간의 협업을 촉진하기 위해 설계된 포괄적인 AI 에이전트 오케스트레이션 프레임워크입니다. 사용자는 데이터 수집, 분석, 요약 또는 외부 API 호출과 같은 역할을 가진 개별 에이전트를 정의하고, 이를 시각적 워크플로우 내에 연결합니다. LiteSwarm은 에이전트 간 통신, 영속적 메모리 저장, 오류 복구, 로깅을 처리합니다. API 연동, 맞춤형 코드 확장, 실시간 모니터링을 지원하여 팀이 복잡한 다중 에이전트 솔루션을 프로토타이핑, 테스트, 배포하는 데 높은 엔지니어링 부담 없이 진행할 수 있게 합니다.

Swarms.ai는 여러 AI 에이전트를 지능형 작업 흐름으로 정의하고 연결하는 시각적 인터페이스를 제공합니다. 각 에이전트는 역할, 데이터 소스, 맞춤 API 통합을 통해 구성할 수 있습니다. 에이전트들은 메시지 전달, 행동 트리거, 컨텍스트 공유를 통해 복잡한 작업을 끝에서 끝으로 처리하며 협력합니다. 이 플랫폼은 역할 기반 접근 제어, 버전 관리, 실시간 분석을 제공하여 군집 성능을 모니터링합니다. 코딩이 필요 없으며, 사용자는 드래그 앤 드롭으로 구성 요소를 배치하고 트리거를 설정하며 출력을 연결하여 지원, 영업, 운영 등을 위한 자동 프로세스를 설계할 수 있습니다.

Meta-Agent-with-More-Agents는 복수의 전문 하위 에이전트가 협력하는 메타 에이전트 아키텍처를 구현하는 확장 가능한 오픈 소스 프레임워크입니다. LangChain을 이용한 에이전트 조정과 OpenAI API를 활용한 자연어처리를 지원합니다. 개발자는 데이터 추출, 감정 분석, 의사 결정 또는 콘텐츠 생성과 같은 맞춤형 에이전트를 정의할 수 있습니다. 메타 에이전트는 작업 분해, 목표 배분, 결과 수집, 피드백 루프로 결과를 반복적으로 개선합니다. 모듈형 설계로 병렬 처리, 로깅, 에러 핸들링을 지원하며, 다단계 워크플로우, 연구 파이프라인, 역동적 의사결정 지원 시스템을 자동화하는 데 적합합니다. 에이전트 간 통신과 라이프사이클 관리를 추상화하여 견고한 분산 AI 시스템 구축을 용이하게 합니다.

Multi-Agent-LLM은 대규모 언어 모델 기반 여러 AI 에이전트의 오케스트레이션을 간소화하도록 설계되었습니다. 사용자는 개별 에이전트에 고유한 페르소나, 메모리 저장소 및 외부 도구 또는 API와의 통합을 정의할 수 있습니다. 중앙의 AgentManager는 통신 루프를 관리하여 에이전트들이 공유 환경 내에서 메시지를 교환하며 협력하여 복잡한 목표를 달성할 수 있게 합니다. 프레임워크는 LLM 제공자(OpenAI, Hugging Face 등) 교체, 유연한 프롬프트 템플릿, 대화 기록, 단계별 도구 컨텍스트를 지원합니다. 개발자는 로깅, 오류 처리, 동적 에이전트 생성과 같은 내장 유틸리티를 활용하여 다단계 워크플로우, 연구 작업, 의사결정 파이프라인을 확장 가능하게 자동화할 수 있습니다.