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-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.

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.

autogen_multiagent는 Python에서 여러 AI 에이전트를 인스턴스화, 구성, 조정하기 위한 구조화된 방법을 제공합니다. 동적 에이전트 생성, 에이전트 간 메시징 채널, 작업 계획, 실행 루프, 모니터링 유틸리티를 포함하며, OpenAI API와 원활하게 통합되어 각 에이전트에 플래너, 실행자, 요약자 등의 역할을 부여하고 상호 작용을 조율할 수 있습니다. 이 프레임워크는 모듈식이고 확장 가능한 AI 워크플로우가 필요한 자동화 문서 분석, 고객 지원 오케스트레이션, 다단계 코드 생성 등에 이상적입니다.

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.

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.

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.

Microsoft AutoGen은 메모리 관리, 작업 계획, 도구 통합 및 통신을 위한 모듈형 컴포넌트를 제공하여 엔드 투 엔드 자율 AI 에이전트 개발을 촉진합니다. 개발자는 구조화된 스키마를 갖는 커스텀 도구를 정의하고, OpenAI와 Azure OpenAI 같은 주요 LLM 제공업체에 연결할 수 있습니다. 이 프레임워크는 단일 또는 다중 에이전트 오케스트레이션을 지원하며, 에이전트가 협력하여 복잡한 작업을완수하는 워크플로우를 가능하게 합니다. 플러그 앤 플레이 방식의 아키텍처로 새로운 메모리 저장소, 계획 전략 및 통신 프로토콜을 쉽게 확장할 수 있습니다. 저수준 통합 세부사항을 추상화하여, AutoGen은 다양한 도메인에서 AI 기반 애플리케이션의 프로토타이핑과 배포를 빠르게 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.

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.

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.

OpenAI Agents는 OpenAI의 언어 모델을 지원하는 모듈형 환경으로서, 개발자는 메모리 저장소, 맞춤 도구 또는 플러그인 등록, 다중 에이전트 협력 조율, 내장 로깅을 통한 실행 모니터링이 가능합니다. 프레임워크는 API 호출, 컨텍스트 관리, 비동기 작업 스케줄링을 처리하여 데이터 추출, 고객 지원 자동화, 코드 생성, 연구 지원과 같은 복잡한 AI 기반 작업의 빠른 프로토타이핑을 가능하게 합니다.