CodeFuse-muAgent는 여러 자율 AI 에이전트를 조정하여 복합 업무를 공동으로 해결하는 파이썬 기반 오픈 소스 프레임워크입니다. 개발자는 데이터 처리, 자연어 이해 또는 외부 API 상호작용과 같은 전문 기술을 가진 개별 에이전트를 정의하고, 동적 작업 위임을 위한 통신 프로토콜을 구성합니다. 이 프레임워크는 중앙 집중식 메모리 관리, 로깅, 모니터링을 제공하며, 모델에 독립적이고, 인기 있는 LLM 및 사용자 정의 AI 모델과의 통합을 지원합니다. CodeFuse-muAgent를 활용하면, 팀은 모듈형 AI 워크플로를 구축하고, 다단계 프로세스를 자동화하며, 다양한 환경에서 배포를 확장할 수 있습니다. 유연한 구성 파일과 확장 가능한 API를 통해 빠른 프로토타이핑, 테스트, 미세 조정이 가능하여 고객 지원, 콘텐츠 생성 파이프라인, 연구 보조자 등 활용 사례에 적합합니다.

이 리포지토리는 FIPA Contract Net 상호작용 프로토콜의 완전한 Java 구현을 제공합니다. 개발자는 관리 에이전트와 계약 에이전트를 생성하여 CFP, 제안, 수락, 거절 등을 에이전트 통신 채널을 통해 교환할 수 있습니다. 주요 모듈에는 작업 브로드캐스팅, 입찰 수집, 사용자 지정 기준에 따른 제안 평가, 계약 수여, 실행 상태 모니터링이 포함되며, 연구 시뮬레이션, 산업 스케줄링, 로봇 협력 등에 활용할 수 있습니다.

CrewAI 에이전트 생성기는 명령줄 인터페이스를 활용하여, 의견이 분분한 폴더 구조, 샘플 프롬프트 템플릿, 도구 정의, 테스트 스텁이 포함된 새로운 AI 에이전트 프로젝트를 초기화합니다. OpenAI, Azure 또는 사용자 맞춤 LLM 엔드포인트에 연결을 구성할 수 있으며, 벡터 스토어를 이용한 에이전트 메모리 관리, 협력 워크플로우에서 다수의 에이전트를 조정, 세부 대화 로그를 확인, Vercel, AWS Lambda 또는 Docker에 배포하는 내장 스크립트로 개발을 가속화하고 일관된 아키텍처를 보장합니다.

demo_smolagents는 대규모 언어 모델로 구동되는 자율 AI 에이전트를 생성하기 위한 Python 기반 마이크로프레임워크인 SmolAgents의 참조 구현입니다. 이 데모는 특정 도구킷으로 개별 에이전트를 구성하는 방법, 에이전트 간 통신 채널을 수립하는 방법, 작업 전달을 동적으로 관리하는 방법의 예를 포함합니다. LLM 통합, 도구 호출, 프롬프트 관리, 에이전트 조율 패턴을 보여주어 사용자 입력과 중간 결과에 기반한 협력 행동이 가능한 다중 에이전트 시스템 구축을 지원합니다。

Dial4JaCa는 JaCaMo 다중 에이전트 플랫폼용 Java 라이브러리 플러그인으로, 에이전트 간 메시지를 가로채어 에이전트 의도를 인코딩하고 이를 LLM 백엔드(OpenAI, 로컬 모델)로 라우팅합니다. 대화 컨텍스트를 관리하고, 신념 기반을 갱신하며, 응답 생성 기능을 AgentSpeak(L)의 추론 주기 내에 직접 통합합니다. 개발자는 프롬프트를 커스터마이징하고 대화 아티팩트를 정의하며 비동기 호출을 처리하여 에이전트가 사용자 발화를 해석하고, 작업을 조정하며, 외부 정보를 자연어로 검색할 수 있도록 합니다. 모듈식 설계로 오류 처리, 로깅, 다중 LLM 선택을 지원하며, 연구, 교육, 빠른 프로토타이핑에 이상적입니다.

RAG-Llama3 멀티 에이아이 Django 웹사이트 코드 생성기는 검색 기반 증강 생성 기법과 여러 Llama3 기반 에이전트를 결합한 특수 AI 프레임워크입니다. 사용자 정의 요구 사항과 외부 문서를 처리하여 관련 코드 조각을 검색하며, 여러 AI 에이전트를 조율하여 Django 모델 정의, 뷰 로직, 템플릿, URL 라우팅 및 프로젝트 설정을 협력적으로 초안 작성합니다. 이 반복적 접근 방식은 생성된 코드가 사용자 기대와 최선의 실천 사례에 부합하도록 보장합니다. 사용자는 문서 또는 코드 샘플을 기반 지식으로 구성하고, 특정 기능에 대해 에이전트에게 요청합니다. 시스템은 모듈화된 앱, REST API 엔드포인트, 및 사용자 정의 가능한 템플릿을 포함하는 완전한 Django 프로젝트 기반을 반환합니다. 모듈화된 구조는 개발자가 맞춤 비즈니스 로직을 통합하고, 바로 프로덕션 환경에 배포할 수 있도록 합니다.

Fetch.ai는 분산 네트워크 상에서 디지털 트윈을 나타내는 자율 에이전트를 구축하기 위해 설계된 오픈 소스 플랫폼과 소프트웨어 개발 키트입니다. Python과 Rust용 SDK, 피어 검색을 위한 오픈 이코노믹 프레임워크(OEF), 그리고 안전한 거래를 위한 원장과의 원활한 통합을 제공합니다. 개발자는 시장 형성, 데이터 제공 또는 작업 입찰과 같은 맞춤형 에이전트 기술을 정의하고 테스트 네트워크 또는 메인넷에 배포할 수 있습니다. Fetch.ai의 에이전트는 자율적으로 통신, 협상, 스마트 계약 실행을 수행하며, 공급망, IoT 생태계, 모빌리티 서비스, 에너지 그리드 등 다양한 분야에서 강력한 다중 에이전트 조정을 가능하게 합니다.

에이전트의 자발적 통신은 멀티 에이전트 시스템이 자체 통신 프로토콜을 개발하는 방법을 탐구하는 연구자를 위해 설계된 오픈소스 PyTorch 프레임워크입니다. 이 라이브러리는 참조 게임, 결합 게임, 객체 식별 과제 등을 포함하는 협력 강화 학습 과제의 유연한 구현을 제공합니다. 사용자는 발신자와 수신자 에이전트의 아키텍처를 정의하고, 어휘 크기와 시퀀스 길이와 같은 메시지 채널 속성을 지정하며, 정책 기울기 또는 감독 학습과 같은 훈련 전략을 선택할 수 있습니다. 프레임워크에는 실험 수행, 통신 효율성 분석, 자발적 언어 시각화를 위한 엔드투엔드 스크립트가 포함되어 있습니다. 모듈식 설계로 새로운 게임 환경이나 맞춤형 손실 함수를 쉽게 확장할 수 있습니다. 연구자들은 발표된 연구를 재현하고, 새로운 알고리즘을 벤치마킹하며, 자발적 에이전트 언어의 구성적 특성과 의미를 탐구할 수 있습니다.

Esquilax는 복잡한 AI 에이전트 워크플로우 구축과 오케스트레이션을 위해 설계된 가벼운 TypeScript 프레임워크입니다. 명확한 API를 통해 에이전트를 선언적으로 정의하고, 메모리 모듈을 할당하며, API 호출 또는 데이터베이스 쿼리와 같은 커스텀 플러그인 액션을 통합할 수 있습니다. 내장된 컨텍스트 처리와 다중 에이전트 조정을 지원하며, 챗봇, 디지털 어시스턴트, 자동화 프로세스 생성을 간소화합니다. 이벤트 기반 아키텍처를 통해 작업을 체인하거나 동적으로 트리거하며, 로그 및 디버깅 도구가 에이전트 상호작용을 완벽하게 파악할 수 있도록 합니다. 보일러플레이트 코드를 추상화하여 팀이 확장 가능한 AI 기반 애플리케이션의 빠른 프로토타이핑을 할 수 있도록 돕습니다.

F1Tenth Two-Agent Simulator는 ROS와 Gazebo 기반으로 구축된 특수한 시뮬레이션 프레임워크로, 사용자 지정 트랙에서 경쟁 또는 협력하는 두 대의 1/10 스케일 자율 차량을 에뮬레이션합니다. 현실적인 타이어 모델 물리, 센서 에뮬레이션, 충돌 감지, 데이터 로깅을 지원하며, 사용자는 자신만의 계획 및 제어 알고리즘을 연결하고, 에이전트 파라미터를 조정하며, 성능, 안전성 및 협력 전략을 평가하는 대전 시나리오를 실행할 수 있습니다.

Fabrice AI는 Node.js 및 브라우저 환경에서 대규모 언어 모델(LLMs)에 기반한 정교한 AI 에이전트 시스템을 개발할 수 있게 합니다. 대화 기록을 유지하는 내장 메모리 모듈, 사용자 정의 API로 에이전트 기능을 확장하는 도구 통합, 커뮤니티 기반 확장을 위한 플러그인 시스템을 제공합니다. 타입 안정성이 보장된 프롬프트 템플릿, 여러 에이전트 간 조정, 구성 가능한 런타임 동작으로 챗봇, 작업 자동화, 가상 비서 개발을 간소화합니다. 크로스 플랫폼 설계로 웹 애플리케이션, 서버리스 함수 또는 데스크톱 앱에 원활하게 배포할 수 있어 지능적이고 맥락 인식이 가능한 AI 서비스 개발을 가속화합니다.

GenWorlds는 다중 에이전트 시스템의 생성을 촉진하기 위해 설계된 AI 개발 프레임워크입니다. 웹소켓을 통한 이벤트 기반 통신 프레임워크를 활용하여 개발자는 자율 에이전트가 비동기적으로 서로 및 주변과 상호작용할 수 있는 인터랙티브한 환경을 설정할 수 있습니다. 이 에이전트들은 협력하고, 행동을 계획하며, 복잡한 작업을 공동으로 수행함으로써 GenWorlds는 확장 가능하고 유연한 AI 생태계를 구축하는 강력한 플랫폼입니다.

AWS Bedrock Multi-Agent Collaboration은 복잡한 작업을 수행하기 위해 기초 모델 기반의 여러 AI 에이전트를 오케스트레이션할 수 있는 관리형 서비스 기능입니다. 사용자는 에이전트 페르소나와 역할을 구성하고, 통신을 위한 메시징 스키마를 정의하며, 컨텍스트 유지를 위한 공유 메모리를 설정합니다. 실행 중에는 에이전트가 하류 소스에서 데이터를 요청하고, 하위 작업을 위임하며, 서로의 출력을 집계할 수 있습니다. 이 협력적 접근 방식은 반복적 사고 루프를 지원하고, 작업 정확성을 향상시키며, 작업 부하에 따라 동적으로 에이전트를 확장할 수 있게 합니다. AWS 콘솔, CLI, SDK와 통합되어 있으며, 서비스는 에이전트 상호작용과 성능 지표를 시각화하는 모니터링 대시보드를 제공하여 개발과 운영의 복잡성을 줄입니다.

Hashiru AgentX는 Hugging Face Spaces에 호스팅된 통합 AI 워크플로우 오케스트레이터입니다. 사용자는 자연어 명령을 입력하고 미리 구축된 에이전트들 중에서 선택하여 코드 실행, 웹 검색, 문서 분석을 수행할 수 있습니다. 배후에서는 도구 체인을 동적 구성하며, 안전한 샌드박스 내에서 파이썬 스니펫을 실행하고 온라인 리소스를 조회하며 업로드된 파일에서 인사이트를 추출합니다. 결과는 대화 형식으로 반환되며, 반복적인 개선과 출력 파일의 손쉬운 다운로드가 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.

HFO_DQN은 Python과 TensorFlow를 결합하여 Deep Q-Network을 사용하는 축구 에이전트 훈련을 위한 완전한 파이프라인을 제공합니다. 사용자는 저장소를 복제(clone)하고, HFO 시뮬레이터와 Python 라이브러리 포함 의존성을 설치하며, YAML 파일에서 훈련 매개변수를 구성할 수 있습니다. 이 프레임워크는 경험 재생, 타깃 네트워크 업데이트, 이플슨 탐색(epsilon-greedy), 그리고 하프 필드 오펜스 도메인에 특화된 보상 조정을 구현합니다. 에이전트 훈련, 성능 로깅, 평가 경기, 결과 플로팅을 위한 스크립트를 포함하며, 모듈형 코드 설계는 커스텀 신경망 아키텍처, 대체 RL 알고리즘, 다중 에이전트 협력 전략의 통합을 허용합니다. 출력에는 훈련된 모델, 성능 지표, 행동 시각화가 포함되어 있으며, 강화학습 및 다중 에이전트 시스템 분야 연구를 지원합니다.

Microsoft AutoGen은 메모리 관리, 작업 계획, 도구 통합 및 통신을 위한 모듈형 컴포넌트를 제공하여 엔드 투 엔드 자율 AI 에이전트 개발을 촉진합니다. 개발자는 구조화된 스키마를 갖는 커스텀 도구를 정의하고, OpenAI와 Azure OpenAI 같은 주요 LLM 제공업체에 연결할 수 있습니다. 이 프레임워크는 단일 또는 다중 에이전트 오케스트레이션을 지원하며, 에이전트가 협력하여 복잡한 작업을완수하는 워크플로우를 가능하게 합니다. 플러그 앤 플레이 방식의 아키텍처로 새로운 메모리 저장소, 계획 전략 및 통신 프로토콜을 쉽게 확장할 수 있습니다. 저수준 통합 세부사항을 추상화하여, AutoGen은 다양한 도메인에서 AI 기반 애플리케이션의 프로토타이핑과 배포를 빠르게 합니다.

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.

jason-RL은 Jason 멀티 에이전트 프레임워크에 강화학습 계층을 추가하여, AgentSpeak BDI 에이전트가 보상 피드백을 통해 행동 선택 정책을 학습할 수 있게 합니다. Q-학습과 SARSA 알고리즘을 구현하며, 학습 매개변수(학습률, 할인 인자, 탐색 전략) 설정 지원과 학습 지표 로그 기록이 가능합니다. 에이전트 계획 내에 보상 함수를 정의하고 시뮬레이션을 수행함으로써, 개발자는 시간이 지남에 따라 에이전트의 의사결정이 향상되고 환경 변화에 적응하는 모습을 관찰할 수 있습니다.

Layra는 다양한 도구와 메모리 저장소와 통합되는 모듈식 아키텍처를 제공하여 LLM 기반 에이전트 개발을 간소화하도록 설계되었습니다. 작업을 하위 목표로 분해하는 플래너, 대화 및 컨텍스트를 저장하는 메모리 모듈, 외부 API 또는 사용자 정의 기능을 연결하는 플러그인 시스템이 특징입니다. 또한 복잡한 워크플로우에서 협력하는 여러 에이전트 인스턴스 조정을 지원하며, 병렬 실행과 작업 위임을 가능하게 합니다. 도구, 메모리 및 정책 정의를 위한 명확한 추상화로 개발자는 고객 지원, 데이터 분석, RAG 등 다양한 분야의 지능형 에이전트를 빠르게 프로토타이핑하고 배포할 수 있습니다. 이 프레임워크는 OpenAI, Hugging Face, 로컬 LLM을 지원하며 백엔드 모델에 구애받지 않습니다.