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.

이 저장소는 StarCraft II 게임 플레이 연구를 위한 엔드-투-엔드 강화학습 프레임워크를 제공합니다. 핵심 에이전트는 PySC2 환경의 관측 데이터를 해석하여 정밀한 게임 내 행동을 출력하는 정책 네트워크를 학습하기 위해 PPO를 사용합니다. 개발자는 신경망 계층, 보상 설계, 학습 일정을 구성하여 성능을 최적화할 수 있습니다. 이 시스템은 샘플 수집의 효율성을 위한 다중 프로세싱, 학습 곡선을 모니터링하는 로깅 유틸리티, 스크립트 또는 내장 AI 대전용 평가 스크립트를 지원합니다. 코드는 Python으로 작성되었으며 TensorFlow를 활용하여 모델 정의 및 최적화를 수행합니다. 사용자는 사용자 정의 보상 함수, 상태 전처리, 네트워크 아키텍처 등 구성요소를 확장할 수 있습니다.

TexasHoldemAgent는 Python 기반의 모듈형 환경으로, 헤드업 제한 텍사스 홀덤 포커용 AI 플레이어를 훈련, 평가, 배포합니다. 커스텀 시뮬레이션 엔진과 DQN을 포함한 딥 강화 학습 알고리즘을 통합하여 정책을 반복적으로 개선합니다. 주요 기능에는 핸드 상태 인코딩, 액션 공간 정의(폴드, 콜, 레이즈), 보상 설계, 실시간 의사결정 평가가 포함됩니다. 사용자들은 학습 파라미터를 조정하고, CPU/GPU 가속을 활용하며, 훈련 진행 상황을 모니터링하고, 학습된 모델을 로드하거나 저장할 수 있습니다. 이 프레임워크는 배치 시뮬레이션을 지원하여 다양한 전략 테스트, 성능 지표 생성, 승률 시각화를 가능하게 하며, 연구자, 개발자, 포커 열정가들이 AI 기반 게임 전략 실험을 할 수 있도록 돕습니다.

Text-to-Reward는 텍스트 기반 작업 설명 또는 피드백을 RL 에이전트의 스칼라 보상 값으로 매핑하는 보상 모델을 훈련하는 파이프라인을 제공합니다. 트랜스포머 기반 아키텍처와 수집된 인간 선호 데이터로 미세 조정하여 자연어 지시문을 보상 신호로 해석하는 방식을 자동으로 학습합니다. 사용자는 텍스트 프롬프트를 통해 임의의 작업 정의가 가능하며, 모델을 훈련시키고 학습된 보상 함수를 어떤 RL 알고리즘에든 통합할 수 있습니다. 이 방식은 수작업 보상 설계를 제거하고 샘플 효율성을 향상시키며, 에이전트가 복잡한 다단계 지시를 따라가도록 지원합니다.

uAgents는 개발자가 자율적이고 분산된 AI 에이전트를 구축할 수 있는 모듈형 JavaScript 프레임워크로, 이 에이전트들은 피어를 발견하고 메시지를 교환하며 작업에 협력하고 학습을 통해 적응합니다. 에이전트는 libp2p 기반의 가십 프로토콜을 사용하여 통신하며, 온체인 등록소를 통해 능력을 등록하고, 스마트 계약으로 서비스 수준 계약을 협상합니다. 핵심 라이브러리는 에이전트의 수명 이벤트, 메시지 라우팅, 강화 학습 및 시장 기반 작업 할당과 같은 확장 가능한 동작을 처리합니다. 맞춤형 플러그인을 통해 uAgents는 Fetch.ai의 원장, 외부 API, 오라클 네트워크와 통합되어, 에이전트가 실세계 행동을 수행하고 데이터를 수집하며 분산 환경에서 중앙화 없는 의사결정을 할 수 있도록 합니다.

Vanilla Agents는 핵심 강화 학습 에이전트의 모듈형 및 확장 가능한 구현을 제공하는 경량 PyTorch 기반 프레임워크입니다. DQN, Double DQN, PPO, A2C와 같은 알고리즘을 지원하며, OpenAI Gym과 호환 가능한 플러그인 환경 래퍼를 갖추고 있습니다. 사용자는 하이퍼파라미터를 조정하고, 학습 메트릭을 로깅하며, 체크포인트를 저장하고, 학습 곡선을 시각화할 수 있습니다. 코드베이스는 명확하게 구성되어 있어 연구 프로토타이핑, 교육용, 새 아이디어의 벤치마킹에 이상적입니다.

VMAS는 딥 강화 학습을 활용하여 다중 에이전트 시스템을 구축하고 훈련하는 종합 도구 키트입니다. 수백 개의 환경 인스턴스에 대한 GPU 기반 병렬 시뮬레이션을 지원하여 높은 처리량의 데이터 수집과 확장 가능한 훈련을 가능하게 합니다. 인기 있는 MARL 알고리즘인 PPO, MADDPG, QMIX, COMA의 구현과 빠른 프로토타이핑을 위한 모듈형 정책 및 환경 인터페이스를 포함합니다. 프레임워크는 분산 실행을 지원하는 중앙 집중식 훈련(CTDE)을 촉진하며, 사용자 정의 보상 조정, 관측 공간, 로깅 및 시각화를 위한 콜백 훅을 제공합니다. 모듈식 설계 덕분에 VMAS는 PyTorch 모델과 외부 환경과 원활하게 통합되어 협력형, 경쟁형, 혼합 목적의 작업에서 연구에 적합하며, 로보틱스, 교통 제어, 자원 배분, 게임 AI 시나리오에 이상적입니다.

YGO-Agent 프레임워크는 연구원과 열정가들이 강화 학습을 사용하여 Yu-Gi-Oh 카드 게임을 플레이하는 AI 봇을 개발할 수 있도록 합니다. 이 프레임워크는 YGOPRO 게임 시뮬레이터를 OpenAI Gym 호환 환경으로 감싸며, 손패, 필드, 라이프 포인트와 같은 상태 표현과 소환, 주문/함정 활성화, 공격을 포함한 액션 표현을 정의합니다. 보상은 승패 결과, 데미지, 게임 진행 상황에 기반합니다. 에이전트 아키텍처는 PyTorch를 사용하여 DQN을 구현하며, 사용자 커스터마이즈 네트워크 구조, 경험 재생, 이플실론-탐욕 탐색을 선택할 수 있습니다. 로깅 모듈은 훈련 곡선, 승률, 상세 이동 로그를 기록하여 분석에 활용됩니다. 이 프레임워크는 모듈식으로 설계되어 있으며, 보상 함수 또는 액션 공간과 같은 구성요소를 교체하거나 확장할 수 있습니다.

GYM_XPLANE_ML은 X-Plane 비행 시뮬레이터를 OpenAI Gym 환경으로 래핑하여 스로틀, 엘리베이터, 알러런, 러더 조종을 행동 공간으로 노출시키고, 고도, 속도, 오리엔테이션 등 비행 파라미터를 관측으로 제공함. 사용자는 Python으로 훈련 워크플로를 스크립트 작성 가능하며, 사전 정의된 시나리오를 선택하거나 웨이포인트, 기상 조건, 항공기 모델 등을 맞춤화할 수 있음. 이 라이브러리는 낮은 대기 시간 통신, 동기 모드에서의 에피소드 실행, 성능 측정 기록, 실시간 렌더링을 지원하여 고충실도 비행 환경에서 ML 기반 오토파일럿과 RL 알고리즘의 반복 개발을 가능하게 함.

AI 기반 에이전트 기계 번역은 연구 및 개발을 위한 오픈소스 프레임워크로, 세 가지 핵심 에이전트(생성, 평가, 개선)가 협력하여 번역물을 만들고 평가하며 개선하는 시스템입니다. PyTorch와 트랜스포머 모델 위에서 작동하며, 감독 사전 학습, 강화 학습 최적화, 구성 가능한 에이전트 정책을 지원합니다. 표준 데이터셋으로 벤치마킹하고, BLEU 점수를 추적하며, 맞춤형 에이전트 또는 보상 함수를 통해 에이전트 간 협력을 탐구할 수 있습니다.

AI Hedge Fund 5zu는 다중 자산 클래스 시뮬레이션, 강화 학습 기반 에이전트 모듈, 백테스팅 도구, 실시간 시장 데이터 통합, 위험 관리 도구를 포함하는 완전한 파이프라인을 제공합니다. 사용자는 데이터 소스를 구성하고, 보상 함수를 정의하며, 과거 데이터를 통해 에이전트를 훈련시키고, 핵심 금융 지표로 성과를 평가할 수 있습니다. 이 프레임워크는 모듈식 전략 개발을 지원하며, 실시간 브로커 API로 확장하여 프로덕션 수준의 거래 봇을 배포할 수 있습니다.

가위 바위 보를 위한 AI 에이전트는 랜덤 플레이, 규칙 기반 패턴 인식, 강화를 포함한 다양한 전략을 구축, 훈련, 평가하는 오픈소스 Python 프로젝트입니다. 모듈식 에이전트 클래스, 설정 가능한 게임 실행기, 성능 로깅 및 시각화 유틸리티를 제공합니다. 사용자는 에이전트를 쉽게 교체하고, 학습 파라미터를 조정하며, 경쟁 시나리오에서 AI 행동을 탐색할 수 있습니다.

Beer Game 환경은 4단계(소매점, 도매상, 유통업체, 제조사) 맥주 공급망을 이산 시간으로 시뮬레이션하며, OpenAI Gym 인터페이스를 제공합니다. 에이전트는 재고, 파이프라인 재고, 수신 주문에 대한 관측값을 받고, 주문 수량을 출력합니다. 환경은 매 단계의 재고 보유 및 백오더 비용을 계산하며, 사용자 요구에 따른 분포와 리드타임을 지원합니다. Stable Baselines3와 같은 인기 RL 라이브러리와 원활하게 통합되어 연구자와 교육자가 공급망 최적화 작업에서 알고리즘을 벤치마크하거나 훈련할 수 있습니다.

BotPlayers는 AI 기반 게임 플레이 에이전트의 개발과 배포를 간소화하는 데 목적이 있는 다목적 오픈 소스 프레임워크입니다. 화면 캡처, 웹 API 또는 맞춤 시뮬레이션 인터페이스를 지원하는 유연한 환경 추상화 계층이 특징이며, 봇이 다양한 게임과 상호작용할 수 있게 합니다. 내장 강화 학습 알고리즘, 유전 알고리즘, 규칙 기반 휴리스틱과 데이터 로깅, 모델 체크포인팅, 성능 시각화 도구를 포함합니다. 모듈형 플러그인 시스템을 통해 개발자는 센서, 행동, AI 정책을 Python 또는 Java로 맞춤화할 수 있습니다. YAML 기반 구성으로 빠른 프로토타이핑과 훈련, 평가를 위한 자동화 파이프라인도 제공합니다. Windows, Linux, macOS에서 지원되어 실험과 지능형 게임 에이전트의 생산을 가속화합니다.

CityLearn은 강화학습을 활용한 에너지 관리 연구를 위한 모듈형 시뮬레이션 플랫폼입니다. 사용자는 다구역 건물 클러스터, HVAC 시스템, 저장 유닛, 재생 에너지원을 정의하고 수요 반응 이벤트에 대응하는 RL 에이전트를 훈련시킬 수 있습니다. 환경은 온도, 부하 프로파일, 에너지 가격 등의 상태 관측값을 제공하며, 행동은 설정점과 저장 디스패치를 제어합니다. 유연한 보상 API는 비용 절감 또는 배출 감축과 같은 맞춤형 메트릭을 허용하며, 로깅 유틸리티는 성능 분석을 지원합니다. CityLearn은 벤치마크, 커리큘럼 학습, 새로운 제어 전략 개발에 적합합니다.

CryptoTrader Agents는 암호화폐 시장에서 AI 기반 거래 전략을 설계, 훈련, 배포하는데 필요한 종합 도구를 제공합니다. 데이터 인게스팅, 특징 엔지니어링, 사용자 정의 보상 함수에 대한 모듈형 환경을 포함합니다. 사전 구성된 강화 학습 알고리즘을 사용하거나 자체 모델을 통합할 수 있습니다. 과거 가격 데이터에 대한 가상 백테스팅, 위험 관리 기능, 상세 지표 추적을 지원합니다. 준비가 완료되면, 에이전트는 실시간 거래 API에 연결되어 자동 실행이 가능합니다. Python으로 개발되어 있어 확장 가능하며, 새로운 전술 프로토타입, 파라미터 스윕, 실시간 성능 모니터링이 가능합니다.

Fast Reinforcement Learning은 강화 학습 에이전트의 개발과 실행을 가속화하기 위해 설계된 전문 Python 프레임워크입니다. PPO, A2C, DDPG, SAC와 같은 인기 알고리즘을 바로 사용할 수 있으며, 높은 처리량의 벡터화된 환경 관리를 결합합니다. 사용자는 정책 네트워크를 쉽게 구성하고 학습 루프를 사용자 정의하며, 대규모 실험을 위한 GPU 가속을 활용할 수 있습니다. 이 라이브러리의 모듈식 설계는 OpenAI Gym 환경과 원활하게 통합되어, 연구자와 실무자가 다양한 제어, 게임, 시뮬레이션 작업에서 에이전트를 프로토타이핑, 벤치마킹, 배포할 수 있도록 지원합니다.

DeepSeek R1은 인공지능 분야의 중요한 돌파구를 나타내며, 추론, 수학 및 코딩 작업에서 최상급 성능을 보여줍니다. 37B의 활성화된 매개변수와 671B의 총 매개변수를 갖춘 정교한 MoE(Mixture of Experts) 아키텍처를 활용하여, 첨단 강화 학습 기술을 구현하여 최첨단 성능 기준을 달성합니다. 이 모델은 MATH-500에서 97.3%의 정확도와 Codeforces에서 96.3%의 백분위수 성적을 포함한 강력한 성능을 제공합니다. 오픈 소스의 특성과 비용 효율적인 배포 옵션은 다양한 애플리케이션에 접근할 수 있도록 합니다.

Dino Reinforcement Learning은 강화 학습을 통해 Chrome 공룡 게임을 플레이하는 AI 에이전트 훈련을 위한 종합 도구를 제공합니다. 셀레늄을 통해 헤드리스 Chrome 인스턴스와 통합하여 실시간 게임 프레임을 캡처하고, 딥 Q 네트워크 입력에 최적화된 상태 표현으로 처리합니다. 프레임 재생, 이플실론-탐욕 탐사, 컨볼루션 신경망 모델 및 사용자 맞춤 하이퍼파라미터가 포함된 훈련 루프 모듈이 포함됩니다. 훈련 진행 상황은 콘솔 로그를 통해 확인하며 체크포인트 저장으로 나중에 평가 가능합니다. 훈련 후, 에이전트는 자율적으로 실시간 게임을 플레이하거나 다양한 모델 아키텍처와 벤치마킹할 수 있습니다. 모듈식 설계로 RL 알고리즘을 쉽게 교체할 수 있어 실험에 유연성을 제공합니다.

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow는 Atari Breakout 환경에 특화된 DQN 알고리즘의 완전한 구현입니다. Q 값을 근사하기 위해 컨volutional Neural Network를 사용하고, 연속 관측 간의 상관관계를 끊기 위해 경험 재생을 적용하며, 훈련 안정화를 위해 주기적으로 업데이트되는 대상 네트워크를 사용합니다. 에이전트는 epsilon-greedy 정책을 따르며, 원시 픽셀 입력에서 처음부터 훈련할 수 있습니다. 저장소에는 구성 파일, 에피소드별 보상 성장을 모니터링하는 훈련 스크립트, 훈련된 모델을 평가하는 평가 스크립트, TensorBoard 유틸리티를 통한 훈련 메트릭 시각화 도구가 포함되어 있습니다. 사용자는 학습률, 재생 버퍼 크기, 배치 크기와 같은 하이퍼파라미터를 조절하여 다양한 환경을 실험할 수 있습니다.