DEf-MARL(멀티 에이전트 강화 학습을 위한 분산 실행 프레임워크)는 중앙 제어자가 없는 협력 에이전트의 수행과 학습을 위한 견고한 인프라를 제공합니다. 피어 투 피어 통신 프로토콜을 활용하여 정책과 관측 정보를 공유하며, 로컬 상호작용을 통해 조정을 수행합니다. 이 프레임워크는 PyTorch 및 TensorFlow와 원활하게 통합되며, 사용자 정의 환경 래퍼, 분산 롤아웃 수집 및 그래디언트 동기화 모듈을 제공합니다. 사용자들은 에이전트별 관측 공간, 보상 함수, 통신 토폴로지를 정의할 수 있습니다. DEf-MARL은 런타임 동안 에이전트의 동적 추가 및 제거를 지원하며, 노드 간 중요한 상태를 복제하여 장애 내성을 갖추고, 탐색과 활용의 균형을 위한 적응형 통신 스케줄링도 수행합니다. 환경 시뮬레이션을 병렬화하고 중앙 병목 현상을 줄여 훈련 속도를 높이며, 대규모 MARL 연구와 산업용 시뮬레이션에 적합합니다.

Controllable RAG 프레임워크는 리트리버 강화 생성 시스템을 모듈식으로 구축하는 접근 방식을 제공합니다. 검색 구성요소, 메모리 모듈, 생성 전략을 구성하고 연결할 수 있습니다. 개발자는 문서 검색 및 처리 방식을 조정하기 위해 다양한 LLM, 벡터 데이터베이스, 정책 컨트롤러를 연결할 수 있습니다. Python을 기반으로 하여 인덱싱, 쿼리, 대화 기록 추적, 행동 기반 제어 흐름 유틸리티를 포함하며, 챗봇, 지식 지원자, 연구 도구에 적합합니다.

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.