Evolving Agents는 모듈형 AI 에이전트를 구축하고 진화시키기 위한 유전 프로그래밍 기반의 프레임워크입니다. 사용자는 교체 가능한 구성요소로 에이전트 아키텍처를 조립하고 환경 시뮬레이션과 적합도 지표를 정의한 후, 진화 주기를 실행하여 향상된 에이전트 행동을 자동으로 생성합니다. 이 라이브러리에는 돌연변이, 교차, 집단 관리, 진화 모니터링을 위한 도구가 포함되어 있으며, 다양한 시뮬레이션 환경에서 자율 에이전트를 프로토타이핑, 테스트, 개선할 수 있습니다.

하이퍼볼릭 타임 챔버는 메모리 관리, 컨텍스트 윈도우 오케스트레이션, 프롬프트 체인, 도구 통합, 실행 제어를 위한 구성요소를 제공하여 유연한 AI 에이전트 구축 환경을 제공합니다. 개발자는 모듈식 빌딩 블록을 통해 에이전트 동작을 정의하고, 맞춤형 메모리(단기 및 장기)를 구성하며, 외부 API 또는 로컬 도구를 연동할 수 있습니다. 이 프레임워크는 비동기 지원, 로깅, 디버깅 유틸리티도 포함하여, 고급 대화형 또는 작업 지향 에이전트를 빠르게 프로토타입 및 배포할 수 있게 합니다.

Isek는 모듈형 아키텍처를 갖춘 개발자 중심 플랫폼입니다. 도구와 데이터 소스를 위한 플러그인 시스템, 컨텍스트 유지를 위한 내장 메모리, 그리고 다단계 작업 조정을 위한 계획 엔진을 제공합니다. 로컬 또는 클라우드에 배포 가능하며, 어떤 LLM 백엔드도 통합할 수 있고, 커뮤니티 또는 커스텀 모듈을 통해 확장할 수 있습니다. Isek는 템플릿, SDK, CLI 도구를 통해 챗봇, 가상 비서, 자동화 워크플로의 빠른 개발을 간소화합니다.

mcp-agent-graph는 AI 에이전트용 그래프 기반 오케스트레이션 레이어를 제공하여 개발자가 복잡한 다단계 워크플로우를 방향 그래프로 매핑할 수 있게 합니다. 그래프의 각 노드는 작업 또는 함수를 나타내며, 입력, 출력, 종속성을 포착합니다. 간선은 에이전트 간의 데이터 흐름을 정의하여 올바른 실행 순서를 보장합니다. 엔진은 순차 및 병렬 실행 모드를 지원하며, 자동 종속성 해결과 커스텀 파이썬 함수 또는 외부 서비스와의 통합을 제공합니다. 내장 시각화를 통해 사용자들은 그래프 토폴로지를 검사하고 워크플로우를 디버그할 수 있습니다. 이 프레임워크는 데이터 처리, 자연어 워크플로우 또는 결합된 AI 모델 파이프라인을 위한 모듈식이고 확장 가능한 멀티 에이전트 시스템 개발을 촉진합니다.

OpenMAS는 분산형 AI 에이전트와 다중 에이전트 조정 전략 개발 및 평가를 돕기 위해 설계되었습니다. 사용자 정의 에이전트 행동, 동적 환경 모델, 에이전트 간 메시징 프로토콜을 정의할 수 있는 모듈식 구조를 갖추고 있습니다. 물리 시뮬레이션, 이벤트 기반 실행, AI 알고리즘 플러그인 지원을 제공합니다. 사용자들은 YAML 또는 Python을 통해 시나리오를 구성하고, 에이전트 상호작용을 시각화하며, 내장된 분석 도구로 성능 지표를 수집할 수 있습니다. OpenMAS는 군집 지능, 협력 로보틱스, 분산 의사 결정 등의 연구 프로토타입을 간소화합니다.

이 저장소는 DeepSeek를 활용하여 고차원 벡터 검색을 수행하는 ReAct 기반 AI 에이전트 제작을 위한 단계별 튜토리얼과 참조 구현체를 제공합니다. 환경 세팅, 의존성 설치, 맞춤 데이터용 벡터 저장소 구성 등을 다루며, 에이전트는 ReAct 패턴을 활용하여 추론과 외부 지식 검색을 결합해 투명하고 설명 가능한 답변을 만들어냅니다. 사용자들은 추가 문서 로더 연동, 프롬프트 템플릿 조정, 벡터 데이터베이스 교체 등을 통해 시스템을 확장할 수 있으며, 이 유연한 프레임워크는 개발자와 연구자가 간단한 파이썬 코드로 강력한 대화형 에이전트를 빠르게 프로토타이핑할 수 있게 합니다.

RepoAgent는 모든 코드 저장소를 인터랙티브한 지식 기반으로 변환하는 AI 프레임워크입니다. 소스 파일, 함수, 클래스, 문서를 벡터 스토어에 인덱싱하여 빠른 검색과 컨텍스트 인식 응답이 가능하게 합니다. 개발자는 자연어 질문을 통해 코드 기능, 아키텍처 또는 의존성에 대해 문의할 수 있습니다. 자동 코드 요약, 문서 생성, 테스트 케이스 생성은 LLM과 통합하여 지원합니다. RepoAgent는 또한 이슈, PR, 커밋 히스토리를 분석하여 코드 품질과 잠재적 버그에 대한 인사이트를 제공합니다. 모듈식 설계로 검색 파이프라인, 모델 선택 및 출력 형식의 맞춤화가 가능합니다. CI/CD 파이프라인이나 IDE에 바로 통합하여 개발 효율을 높이고 온보딩 시간을 단축하며 팀 생산성을 향상시킵니다.

데드심플 셀프러닝은 Python에서 강화학습 에이전트를 만들고 훈련하는 매우 간단한 접근 방식을 제공합니다. 이 프레임워크는 환경 래퍼, 정책 모듈, 경험 버퍼와 같은 핵심 RL 구성 요소를 간결한 인터페이스로 추상화합니다. 사용자는 환경을 빠르게 초기화하고, 익숙한 PyTorch 또는 TensorFlow 백엔드를 이용해 커스텀 정책을 정의하며, 내장된 로깅과 체크포인트를 갖춘 훈련 루프를 실행할 수 있습니다. 이 라이브러리는 온-폴리시와 오프-폴리시 알고리즘을 지원하며, Q-학습, 정책 그래디언트, 액터-크리틱 방법 등을 유연하게 실험할 수 있습니다. 보일러플레이트 코드를 줄여 데드심플 셀프러닝은 실무자, 교육자, 연구자가 최소한의 구성으로 알고리즘을 프로토타이핑, 가설 검증, 에이전트 성능 시각화를 할 수 있게 돕습니다. 모듈식 설계로 기존 ML 스택과의 통합도 용이합니다.

CASA는 Robot Operating System(ROS) 생태계 위에 구축된 모듈형 플러그 앤 플레이 자율성 프레임워크로 설계되었습니다. 각 로봇은 로컬 플래너와 행동 트리 노드를 실행하며, 공유 블랙보드에 세계 상태를 게시하여 분산된 아키텍처를 특징으로 합니다. 작업 할당은 로봇 능력과 가용성에 따라 미션을 할당하는 옥션 기반 알고리즘으로 처리됩니다. 통신 계층은 표준 ROS 메시지를 멀티로봇 네트워크를 통해 사용하여 에이전트들을 동기화합니다. 개발자는 미션 파라미터를 사용자 맞춤형으로 설정하고, 센서 드라이버를 통합하며, 행동 라이브러리를 확장할 수 있습니다. CASA는 시나리오 시뮬레이션, 실시간 모니터링 및 로깅 도구를 지원합니다. 확장 가능한 설계로 연구팀은 새로운 조정 알고리즘을 실험하고 무인 지상 차량부터 공중 드론까지 다양한 로봇 플랫폼에 원활하게 배포할 수 있습니다.

고급 에이전트 레시피는 LangChain 기반 AI 에이전트 레시피 라이브러리를 제공하는 커뮤니티 주도 프로젝트입니다. 여기에는 컨텍스트 유지용 메모리 모듈, 외부 데이터 및 API 호출용 커스텀 도구 통합, 구조화된 응답을 위한 함수 호출 패턴, 복잡한 의사결정을 위한 사고 사슬 계획, 다단계 워크플로우 오케스트레이션이 포함됩니다. 개발자는 이 예제들을 사용하여 최선의 실천 방안 파악, 행동 맞춤화, 지능형 에이전트 자동화 애플리케이션 개발 가속화 가능합니다.

ai-agents-trial은 LLM을 사용하여 자율 AI 에이전트를 구축하는 방식을 보여주는 오픈소스 Python 프로젝트입니다. 에이전트 계획, 도구 호출(예: 웹 검색, 계산기) 및 메모리 관리를 위한 모듈화된 추상화를 제공합니다. 개발자는 사용자 정의 도구를 정의하고, 여러 단계를 거치는 작업을 연결하며, 세션 간 컨텍스트를 유지할 수 있습니다. 이 코드베이스는 OpenAI API와 보조 유틸리티를 사용하여 워크플로우를 오케스트레이션하며, 채팅 기반 어시스턴트, 연구용 봇 또는 도메인별 자동화 에이전트의 빠른 프로토타이핑에 적합합니다. 확장 포인트를 통해 새로운 커넥터와 데이터 소스를 추가할 수 있으며, 핵심 로직은 변경하지 않습니다.

Swarms는 복잡한 워크플로우를 해결하기 위해 협력하는 자율 AI 에이전트의 생성과 조정을 간소화하도록 설계된 개발자용 툴킷 및 프레임워크입니다. 각 에이전트는 역할, 도구, 메모리 맥락이 다르게 구성될 수 있으며, 정보를 조사하거나 데이터 분석, 창의적 출력 생성 또는 외부 API 호출에 특화될 수 있습니다. 플랫폼은 커맨드라인 인터페이스, Python SDK, YAML 구성 파일을 제공하여 에이전트 행동, 스케줄 전략, 에이전트 간 통신을 정의합니다. Swarms는 OpenAI, Anthropic, Azure, 오픈소스 LLM과의 연동을 지원하며, 내장된 로그, 모니터링 대시보드, 모듈식 영속성 계층을 통해 다단계 추론 프로세스의 연속성을 지원합니다. 이를 통해 최소한의 코드로 분산된 자율 AI 솔루션을 설계, 테스트, 배포할 수 있으며, 전체 가시성을 확보할 수 있습니다.

Clear Agent는 AI 기반 에이전트 구축을 간소화하는 개발자 중심 프레임워크입니다. 도구 등록, 메모리 관리, 사용자 지시를 처리하고 API 또는 지역 함수 호출, 구조화된 응답 반환이 가능한 맞춤형 에이전트 클래스를 제공합니다. 개발자는 워크플로우를 정의하고, 플러그인으로 기능을 확장하며, 여러 플랫폼에서 에이전트를 배포할 수 있습니다. Clear Agent는 명확성, 모듈성, 생산 준비된 AI 어시스턴트와의 통합 용이성을 강조합니다.

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.

Dev-Agent는 개발자가 자율 에이전트를 빠르게 구축하고 배포할 수 있도록 하는 오픈 소스 AI 에이전트 프레임워크입니다. 모듈식 플러그인 아키텍처와 HTTP 엔드포인트, 데이터베이스 쿼리, 사용자 지정 스크립트 등의 쉽게 구성 가능한 도구 호출을 결합합니다. 에이전트는 과거 상호작용을 참조하는 지속적인 메모리 계층을 활용하고, 복잡한 작업을 위한 다단계 추론 흐름을 오케스트레이션할 수 있습니다. OpenAI GPT 모델에 내장된 지원을 통해 사용자는 간단한 JSON 또는 YAML 사양으로 에이전트 행동을 정의합니다. CLI 도구는 인증, 세션 상태, 로깅을 관리하며, 고객 지원 봇, 데이터 검색 어시스턴트, 자동화 CI/CD 도우미 등 다양한 AI 기반 애플리케이션의 개발에서 개발 비용을 절감하고 커뮤니티 주도 플러그인을 통한 확장성을 제공합니다.

JaCaMo는 Jason 기반 BDI 에이전트, CArtAgO 환경 모델링, Moise 조직 구조 및 역할 지정의 핵심 3가지 구성요소를 통합하여 설계 및 실행을 위한 통합 환경을 제공합니다. 개발자는 에이전트 계획서를 작성하고, 작업이 포함된 아티팩트를 정의하며, 규범적 틀에 따라 그룹을 조직할 수 있습니다. 또한, 이 플랫폼은 MAS 상호작용의 시뮬레이션, 디버깅, 시각화를 위한 도구를 포함하며, 분산 실행, 아티팩트 저장소, 유연한 메시징을 지원하여 스웜 인텔리전스, 협력 로봇공학, 분산 의사결정 분야의 빠른 프로토타입 제작 및 연구를 가능하게 합니다. 모듈화된 설계는 학술 및 산업 프로젝트 전반에 걸친 확장성과 유연성을 보장합니다.

gym-multigrid는 강화학습에서 다중룸 탐색과 탐사를 위해 설계된 맞춤형 그리드월드 환경 모음을 제공합니다. 각 환경은 객체, 키, 문의 장애물로 구성된 연결된 방들로 이루어져 있으며, 사용자는 그리드 크기, 방 구성, 객체 배치를 프로그래밍 방식으로 조정할 수 있습니다. 이 라이브러리는 전체 또는 부분 관측 모드를 지원하며, RGB 또는 행렬 상태 표현을 제공합니다. 동작에는 이동, 객체 상호작용, 문의 조작이 포함됩니다. 이를 Gym 환경으로 통합하여 연구자는 어떤 Gym 호환 에이전트든 활용하여 키-문 퍼즐, 객체 회수, 계층적 계획과 같은 작업에서 알고리즘을 원활하게 학습하고 평가할 수 있습니다. gym-multigrid의 모듈형 설계와 최소한의 의존성으로 인해 새로운 AI 전략 벤치마킹에 이상적입니다.

Julep AI는 데이터 과학 팀이 빠르게 다단계 AI 워크플로를 구축, 반복 및 배포할 수 있도록 설계된 오픈 소스 플랫폼입니다. Julep를 사용하면 에이전트, 작업 및 도구를 사용하여 확장 가능하고 내구성 있으며 장기적으로 실행할 수 있는 AI 파이프라인을 생성할 수 있습니다. 이 플랫폼의 YAML 기반 구성은 복잡한 AI 프로세스를 단순화하고 생산 준비가 된 워크플로를 보장합니다. 그것은 빠른 프로토타이핑, 모듈식 설계 및 기존 시스템과의 원활한 통합을 지원하여 수백만명의 동시 사용자를 처리하면서 AI 운영에 대한 전체 가시성을 제공합니다.

LLM to MCP 통합 엔진은 다양한 메시징 커뮤니케이션 플랫폼(MCP)과 대형 언어 모델(LLMs)을 통합하기 위해 설계된 오픈소스 프레임워크입니다. OpenAI, Anthropic과 같은 LLM API용 어댑터와 Slack, Discord, Telegram과 같은 채팅 플랫폼용 커넥터를 제공합니다. 엔진은 세션 상태를 관리하고, 컨텍스트를 풍부하게 하며, 양방향 메시지 라우팅을 수행합니다. 플러그인 기반 아키텍처를 통해 개발자는 새 제공자를 지원하거나 비즈니스 로직을 맞춤화할 수 있어 생산 환경에서 AI 에이전트 배포를 가속화합니다.

Micro-agent는 대규모 언어 모델을 사용하여 정교한 AI 에이전트를 쉽게 생성할 수 있도록 설계된 가볍고 편향이 없는 JavaScript 라이브러리입니다. 에이전트, 도구, 플래너, 메모리 저장소와 같은 핵심 추상화를 제공하여 개발자가 맞춤형 대화 흐름을 구성할 수 있습니다. 에이전트는 외부 API 또는 내부 유틸리티를 도구로 호출하여 역동적 데이터 검색과 액션 수행이 가능하며, 단기 대화 메모리와 장기 영구 메모리 모두를 지원하여 세션 간 맥락을 유지합니다. 플래너는 사고 체인 과정을 조정하며 복잡한 작업을 도구 호출 또는 언어 모델 쿼리로 분해합니다. 구성 가능한 프롬프트 템플릿과 실행 전략으로, Micro-agent는 프론트엔드 웹 애플리케이션, Node.js 서비스 및 에지 환경에 원활히 적응하여 챗봇, 가상 비서 또는 자율 의사 결정 시스템을 위한 유연한 기반을 제공합니다.