Avalon-LLM은 여러 LLM 기반 에이전트를 조정된 환경에서 오케스트레이션할 수 있는 파이썬 기반의 멀티 에이전트 AI 프레임워크입니다. 각각의 에이전트는 웹 검색, 파일 작업, 맞춤 API 등 특정 도구를 구성하여 전문적인 작업을 수행할 수 있습니다. 이 프레임워크는 대화 맥락과 장기 지식을 저장하는 메모리 모듈, 의사 결정 능력을 향상시키는 사고의 연속(chain-of-thought) 추론, 에이전트 성능을 벤치마킹하는 내장 평가 파이프라인을 지원합니다. Avalon-LLM은 개발자가 모델 제공자, 툴킷, 메모리 저장소 등 컴포넌트를 쉽게 추가 또는 교체할 수 있는 모듈형 플러그인 시스템을 제공합니다. 간단한 구성 파일과 명령줄 인터페이스를 통해 연구, 개발, 프로덕션에 적합한 자율 AI 워크플로우를 배포하고 모니터링하며 확장할 수 있습니다.

SWE-agent는 개발자 중심의 AI 에이전트 프레임워크로, GitHub과 통합되어 코드를 자율적으로 진단하고 해결합니다. Docker 또는 GitHub Codespaces 환경에서 실행되며, 선호하는 언어 모델을 사용하고 린팅, 테스트, 배포 등의 작업을 위한 도구 번들을 구성할 수 있습니다. SWE-agent는 명확한 액션 경로를 생성하고, 수정 내용을 포함하는 풀 리퀘스트를 적용하며, 단계별 출력이 포함된 경로 인스펙터를 통해 팀이 코드 검토, 버그 수정, 저장소 정리를 효율적으로 자동화할 수 있게 합니다.

CAMEL-AI는 개발자와 연구자가 LLM 기반의 여러 자율 AI 에이전트를 구축, 구성, 실행할 수 있도록 하는 파이썬 기반 프레임워크입니다. 검색 증강 생성(RAG), 외부 도구 사용, 에이전트 간 통신, 메모리 및 상태 관리, 스케줄링을 지원하며, 모듈형 구성요소와 손쉬운 통합으로 복잡한 다중 에이전트 시스템 프로토타이핑, 워크플로 자동화, 다양한 LLM 백엔드간 확장이 가능합니다.

HMAS는 계층형 다중 에이전트 시스템 개발을 가능하게 하는 오픈 소스 Python 프레임워크입니다. 에이전트 계층, 에이전트 간 통신 프로토콜, 환경 통합, 내장 훈련 루프를 위한 추상화를 제공합니다. 연구자와 개발자는 HMAS를 사용하여 복잡한 에이전트 상호 작용의 프로토타입을 만들고, 협력 정책을 훈련하며, 시뮬레이션 환경에서 성능을 평가할 수 있습니다. 모듈식 설계를 통해 에이전트, 환경, 훈련 전략을 확장하고 사용자 지정하기 쉽습니다.

Jaaz는 높은 상호작용성을 갖춘 채팅봇 및 음성 비서 솔루션을 제작할 수 있도록 설계된 확장 가능한 AI 에이전트 프레임워크입니다. Node.js와 JavaScript를 기반으로, 대화 관리, 컨텍스트 인식 장기 기억, 타사 API 연동을 위한 핵심 모듈을 제공하며, 대화 중 도구를 동적으로 사용할 수 있습니다. 개발자는 사용자 지정 스킬을 정의하고, 자연어 이해를 위한 대형 언어 모델을 활용하며, 음성 인식을 텍스트로 변환하는 엔진과 텍스트를 음성으로 변환하는 엔진을 통합할 수 있습니다. 모듈식 아키텍처는 클라우드와 온프레미스 인프라 전반에 배포를 용이하게 하며, 신속한 프로토타이핑과 프로덕션 워크플로우를 지원합니다.