JADE는 Java 기반의 에이전트 개발 프레임워크로, 분산형 다중 에이전트 시스템의 구축을 단순화합니다. FIPA 호환 인프라를 제공하며, 여기에는 런타임 환경, 메시지 전송, 디렉터리 Facilitator, 에이전트 관리가 포함됩니다. 개발자는 Java로 에이전트 클래스를 작성하여 컨테이너에 배포하고, RMA, Sniffer와 같은 그래픽 도구를 사용하여 디버깅 및 모니터링을 수행합니다. JADE는 에이전트 이동성, 행동 스케줄링, 라이프사이클 작업을 지원하여 연구, IoT 조정, 시뮬레이션, 기업 자동화 등을 위한 확장 가능하고 모듈화된 설계를 가능하게 합니다.

JARVIS-1은 자연어 인터페이스, 메모리 모듈, 플러그인 기반 작업 실행기를 결합한 모듈형 아키텍처를 제공합니다. GPT-index를 기반으로 하여, 대화를 유지하고 컨텍스트를 검색하며 사용자 인터랙션과 함께 발전합니다. 사용자들은 간단한 프롬프트로 작업을 정의하며, JARVIS-1은 작업 스케줄링, 코드 실행, 파일 조작, 웹 브라우징을 조율합니다. 플러그인 시스템은 데이터베이스, 이메일, PDF, 클라우드 서비스와의 맞춤 통합을 가능하게 합니다. Linux, macOS, Windows에서 Docker 또는 CLI로 배포 가능하며, 오프라인 동작과 데이터 제어를 보장하여 개발자, DevOps 팀 및 파워 유저에게 안전하고 확장 가능한 자동화 솔루션입니다.

JASA는 다중 에이전트 시스템 시뮬레이션을 구축하고 실행하는 데 필요한 포괄적인 Java 라이브러리 세트를 제공합니다. 에이전트 생명주기 관리, 이벤트 스케줄링, 비동기 메시지 전달, 환경 모델링을 지원합니다. 개발자는 핵심 클래스를 확장하여 맞춤 행동을 구현하고, 외부 데이터 소스를 통합하며 시뮬레이션 결과를 시각화할 수 있습니다. 모듈형 설계와 명확한 API 문서화는 신속한 프로토타이핑과 확장성을 용이하게 하여 학술 연구, 교육 및 에이전트 기반 모델링의 개념 증명에 적합합니다.

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.

LangChain은 외부 데이터 소스와 도구를 연결하여 고급 AI 애플리케이션을 만드는 데 도움을 주는 모듈식 프레임워크입니다. 순차적 LLM 호출을 위한 체인 추상화, 의사 결정 워크플로우를 위한 에이전트 오케스트레이션, 맥락 유지를 위한 메모리 모듈, 문서 로더, 벡터 저장소 및 API 기반 도구와의 통합을 제공합니다. Python 및 JavaScript SDK를 지원하며, 챗봇, QA 시스템, 맞춤형 도우미의 프로토타입화와 배포를 가속화합니다.

LangChain은 개발자를 위한 프레임워크로, 지능형 AI 에이전트와 애플리케이션 생성 과정을 효율화합니다. LLM 호출의 체인, 도구 통합이 포함된 에이전트 행동, 컨텍스트 유지용 메모리 관리, 커스터마이징 가능한 프롬프트 템플릿을 추상화합니다. 내장 문서 로더, 벡터 저장소, 다양한 모델 제공자를 지원하여 검색 강화를 통한 생성 파이프라인, 자율 에이전트, API, 데이터베이스, 외부 시스템과 인터랙션하는 대화형 어시스턴트 등을 구성할 수 있습니다.

Langchainrb는 에이전트, 체인, 도구를 위한 모듈식 프레임워크를 제공하는 오픈소스 Ruby 라이브러리입니다. 개발자는 프롬프트 템플릿 정의, LLM 호출 체인 구성, 컨텍스트 유지를 위한 메모리 컴포넌트 통합, 문서 로더 또는 검색 API와 같은 커스텀 도구 연결이 가능합니다. 의미 검색용 임베딩 생성, 내장된 오류 처리, 유연한 모델 구성도 지원합니다. 에이전트 추상화를 통해 사용자 입력에 따라 어떤 도구 또는 체인을 호출할지 결정하는 대화형 비서 구현이 가능합니다. 확장 가능한 구조로 빠른 프로토타이핑이 가능하며, 챗봇, 자동 요약 파이프라인, 질의응답 시스템, 복잡한 워크플로우 자동화에 적합합니다.

LangGraph Cookbook은 워크플로우를 유도 그래프로 표현하여 정교한 AI 에이전트를 구축하기 위한 바로 사용할 수 있는 레시피를 제공합니다. 각 노드는 프롬프트, 도구 호출, 데이터 커넥터 또는 후처리 단계 등을 캡슐화할 수 있습니다. 레시피는 문서에 대한 질문 답변, 요약, 코드 생성, 다중 도구 조정 등 작업을 다루며, 개발자는 이러한 패턴을 연구하고 적응시켜 사용자 맞춤 LLM 기반 애플리케이션의 신속한 프로토타입 제작, 모듈화, 재사용성, 실행 투명성을 향상시킬 수 있습니다.

LifelongAgentBench는 현실 세계의 지속적 학습 환경을 시뮬레이션하도록 설계되어 개발자가 진화하는 작업 시퀀스에서 AI 에이전트를 테스트할 수 있도록 합니다. 프레임워크는 새로운 시나리오 정의, 데이터셋 로드, 메모리 관리 정책 설정을 위한 플러그 앤 플레이 API를 제공합니다. 내장된 평가 모듈은 순방향 전달, 역방향 전달, 망각률, 누적 성과와 같은 지표를 계산합니다. 사용자는 기본 구현을 배포하거나 독자적인 에이전트를 통합하여 동일한 환경에서 직접 비교할 수 있습니다. 결과는 표준화된 보고서로 내보내지며, 인터랙티브한 그래프와 표를 포함합니다. 모듈식 구조는 맞춤 데이터 로더, 지표, 시각화 플러그인으로 확장 가능하여 연구자와 엔지니어가 다양한 애플리케이션 도메인에 플랫폼을 적응시킬 수 있도록 합니다.

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.

LLMWare는 대형 언어 모델로 구동되는 AI 에이전트를 구축하기 위한 종합 툴킷입니다. 재사용 가능한 체인 정의, 외부 도구 간단 인터페이스 통합, 컨텍스트 메모리 상태 관리, 언어 모델과 후단 서비스 간의 다단계 추론 오케스트레이션이 가능합니다. LLMWare를 통해 개발자는 다양한 모델 백엔드를 플러그인하고, 에이전트 결정 로직을 설정하며, 웹 브라우징, 데이터베이스 쿼리, API 호출과 같은 작업을 위한 맞춤형 툴킷을 부착할 수 있습니다. 모듈식 설계 덕분에 자율 에이전트, 챗봇 또는 연구 지원 도구를 빠르게 프로토타입할 수 있으며, 내장된 로깅, 오류 처리, 배포용 어댑터를 제공합니다. 개발 및 프로덕션 환경 모두에 적합합니다.

MAGI(모듈형 AI 생성 지능)는 AI 에이전트의 생성과 관리를 단순화하도록 설계된 오픈소스 프레임워크입니다. 플러그인 아키텍처를 통해 맞춤 도구 통합, 지속형 메모리 모듈, 사고 체인 계획, 실시간 다단계 워크플로우 오케스트레이션을 제공합니다. 개발자는 외부 API 또는 로컬 스크립트를 에이전트 도구로 등록하고, 메모리 백엔드를 구성하며, 작업 정책을 정의할 수 있습니다. MAGI의 확장 가능한 설계는 동기 및 비동기 작업 모두를 지원하며, 챗봇, 자동화 파이프라인, 연구 프로토타입에 적합합니다.

MAPF_G2RL은 그래프 이론과 딥 강화 학습을 연결하여 다중 에이전트 경로 탐색(MAPF) 문제를 해결하는 오픈소스 연구 프레임워크입니다. 노드와 엣지를 벡터 표현으로 인코딩하고, 공간적 및 충돌 인지 보상 함수를 정의하며, DQN, PPO, A2C와 같은 다양한 RL 알고리즘을 지원합니다. 이 프레임워크는 랜덤 그래프 생성 또는 실제 지도 임포트로 시나리오 생성을 자동화하고, 동시에 여러 에이전트의 정책을 최적화하는 훈련 루프를 조율합니다. 학습 후, 에이전트는 시뮬레이션 환경에서 경로 최적성, 소요 시간, 성공률을 평가합니다. 모듈형 설계로 연구자는 핵심 컴포넌트를 확장하고, 새로운 MARL 기법을 통합하며, 기존 솔버와 비교 벤치마킹할 수 있습니다.

MARL-DPP는 결정점 프로세스(DPP)를 통해 다양성을 강제하는 오픈소스 프레임워크입니다. 전통적인 MARL 접근법은 정책이 유사한 행동에 수렴하는 문제를 겪는데, MARL-DPP는 DPP 기반 지표를 활용하여 에이전트가 다양한 행동 분포를 유지하도록 장려합니다. 모듈형 코드를 제공하여 DPP를 훈련 목표, 정책 샘플링, 탐색 관리에 포함시키며, OpenAI Gym 및 Multi-Agent Particle Environment(MPE)와 즉시 통합됩니다. 또한 하이퍼파라미터 관리, 로깅, 다양성 메트릭 시각화 유틸리티를 포함합니다. 연구자는 협력적 과제, 자원 할당 및 경쟁 게임에서 다양성 제약의 영향을 평가할 수 있으며, 확장 가능한 설계 덕분에 사용자 정의 환경과 고급 알고리즘도 지원하여 새로운 MARL-DPP 변형을 탐구할 수 있습니다.

PersonalAI는 고급 LLM 통합과 지속적인 세멘틱 메모리, 확장 가능 플러그인 시스템을 결합한 포괄적인 에이전트 프레임워크를 제공합니다. 개발자는 Redis, SQLite, PostgreSQL 또는 벡터 스토어와 같은 메모리 백엔드를 구성하여 임베딩을 관리하고 과거 대화를 호출할 수 있습니다. 내장 플러그인은 웹 검색, 파일 읽기/쓰기, 파이썬 코드 실행 등을 지원하며, 강력한 플러그인 API를 통해 커스텀 도구 개발이 가능합니다. 에이전트는 LLM 프롬프트와 도구 호출을 조율하며, 컨텍스트 인식 응답과 자동화된 작업 수행을 합니다. Hugging Face의 로컬 LLM 또는 OpenAI, Azure OpenAI의 클라우드 서비스를 이용할 수 있습니다. PersonalAI의 모듈형 디자인은 도메인 특화 어시스턴트, 자동화 연구 봇, 지식 관리 에이전트의 신속한 프로토타입 제작을 용이하게 합니다.

Mava는 다중 에이전트 강화 학습 시스템 개발, 훈련, 평가를 위한 JAX 기반 오픈소스 라이브러리입니다. MAPPO와 MADDPG 같은 협력 및 경쟁 알고리즘의 사전 구현과 단일 노드 및 분산 워크플로우를 지원하는 구성 가능한 훈련 루프를 제공합니다. 연구자는 PettingZoo에서 환경을 가져오거나 커스텀 환경을 정의할 수 있으며, 정책 최적화, 재생 버퍼 관리, 메트릭 로깅을 위한 Mava의 모듈형 구성요소를 사용할 수 있습니다. 프레임워크의 유연한 구조는 새로운 알고리즘, 사용자 정의 관측 공간, 보상 구조의 원활한 통합을 가능하게 합니다. JAX의 자동 벡터화 및 하드웨어 가속 기능을 활용하여 Mava는 효율적인 대규모 실험과 다양한 다중 에이전트 시나리오에서의 재현 가능한 벤치마킹을 보장합니다.

MCP Browser Agent는 대형 언어 모델을 활용하여 웹 탐색, 데이터 스크래핑, 콘텐츠 요약, 폼 상호작용 및 자동 작업 시퀀스를 수행하는 브라우저 기반 자율 AI 에이전트 프레임워크입니다. 가벼운 JavaScript 라이브러리로 구축되어 있으며, OpenAI의 GPT API와 원활하게 통합되어 개발자가 커스텀 액션, 메모리 저장소, 프롬프트 체인을 프로그래밍적으로 정의할 수 있습니다. 이 에이전트는 링크를 클릭하고, 폼을 작성하며, 표 데이터를 추출하고, 페이지 내용을 요약할 수 있습니다. 비동기 실행, 오류 처리, 브라우저 저장소를 통한 세션 유지도 지원합니다. 사용자 정의 인터페이스와 확장 가능한 액션 모듈을 통해, MCP Browser Agent는 생산성 향상, 워크플로우 최적화, 수작업 브라우징 작업 감소를 위해 지능적 브라우저 어시스턴트 제작을 간소화합니다.

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.

micro-agent는 자율 AI 에이전트를 생성하기 위한 최소한이면서도 강력한 추상화 세트를 제공합니다. TypeScript로 제작되어 있으며, 브라우저와 Node.js 환경 모두에서 원활하게 실행됩니다. 사용자 정의 프롬프트 템플릿, 의사결정 논리, 확장 가능한 도구 연동을 통해 에이전트를 정의할 수 있습니다. 에이전트는 사고 사슬(reasoning chain)을 활용하고, 외부 API와 상호작용하며, 대화 또는 작업별 기억을 유지할 수 있습니다. 이 라이브러리에는 API 응답 처리, 오류 관리, 세션 지속성을 위한 유틸리티도 포함되어 있습니다. micro-agent를 사용하면, 개발자는 다양한 작업(워크플로우 자동화, 대화형 인터페이스 구축, 데이터 처리 파이프라인 오케스트레이션 등)을 위한 에이전트의 프로토타입 제작 및 배포가 가능하며, 큰 프레임워크의 오버헤드 없이도 가능합니다. 모듈식 설계와 명확한 API 표면은 확장과 기존 애플리케이션에의 통합을 용이하게 만듭니다.

MIDCA는 지능형 에이전트의 전체 인지 루프를 지원하도록 설계된 모듈형 인지 아키텍처입니다. 이 시스템은 감각 입력을 인지 모듈을 통해 처리하고, 데이터를 해석하여 목표를 생성 및 우선순위 지정하며, 계획자를 활용해 행동 시퀀스를 생성하고, 작업을 수행하며, 이후 메타인지 계층을 통해 결과를 평가합니다. 이중 사이클 설계는 빠른 반응과 느린 숙고를 구분하여 에이전트가 역동적으로 적응할 수 있게 합니다. MIDCA의 확장 가능 프레임워크와 오픈소스 코드는 자율적 의사결정, 학습, 자기반성 연구를 하는 연구자와 개발자에게 이상적입니다.