이 저장소는 PyTorch를 사용하여 다중 에이전트 강화학습에서 출현하는 커뮤니케이션을 구현합니다. 사용자들은 송신자와 수신자 신경망을 구성하여 참조 게임이나 협력 네비게이션을 수행하게 하고, 에이전트들이 이산 또는 연속 통신 채널을 개발하도록 격려합니다. 학습, 평가, 학습된 프로토콜 시각화 스크립트와 환경 생성, 메시지 인코딩/디코딩 유틸리티를 제공합니다. 연구자들은 맞춤형 작업을 확장하거나 네트워크 구조를 변경하고, 프로토콜 효율성을 분석하여 빠른 실험을 촉진할 수 있습니다.

MACL은 여러 개의 AI 에이전트 생성과 조정을 단순화하도록 설계된 모듈형 Python 프레임워크입니다. 개별 에이전트에 커스텀 기술을 정의하고, 통신 채널을 설정하며, 에이전트 네트워크 전체의 작업을 스케줄할 수 있습니다. 에이전트는 메시지를 교환하고, 책임을 협상하며, 공유된 데이터를 기반으로 동적으로 적응할 수 있습니다. 인기 LLM 지원과 확장성을 위한 플러그인 시스템을 내장하여, 고객 서비스 자동화, 데이터 분석 파이프라인, 시뮬레이션 환경과 같은 분야에서 확장 가능하고 유지보수 용이한 AI 워크플로우를 지원합니다.

Open ACN은 분산형 멀티에이전트 시스템 구축을 위해 설계된 견고한 AI 플랫폼 및 프레임워크 솔루션입니다. 에이전트 협력을 위한 컨센서스 프로토콜 세트를 제공하며, 지리적으로 분산된 노드 간 신뢰성 있는 의사 결정을 보장합니다. 프레임워크에는 모듈형 통신 계층, 사용자 정의 가능한 전략 플러그인, 종단 간 테스트를 위한 내장 시뮬레이션 환경이 포함되어 있습니다. 개발자는 에이전트 행동을 정의하고 Linux, macOS, Windows 또는 Docker에 배포할 수 있으며, 실시간 로그 기록과 모니터링 도구를 활용할 수 있습니다. 확장 가능한 API와 기존 머신러닝 모델과의 원활한 통합을 통해, Open ACN은 복잡한 오케스트레이션 작업을 간소화하고, 로보틱스, 공급망 자동화, 분산 금융, IoT 분야에 적합한 상호 운용 가능하고 견고한 자율 네트워크를 촉진합니다.

PrisimAI는 사용자가 빠르게 인텔리전트 에이전트를 프로토타입하고 배포할 수 있는 브라우저 기반 환경을 제공합니다. 비주얼 플로우 빌더를 통해 LLM 기반 구성요소를 조합하고, 외부 API를 통합하며, 장기 메모리를 관리하고, 다단계 작업을 조율할 수 있습니다. 내장된 디버깅과 모니터링은 테스트와 반복 작업을 간소화하며, 플러그인 마켓플레이스를 통해 맞춤형 도구로 확장할 수 있습니다. PrisimAI는 팀 간 협업, 버전 제어, 원클릭 배포를 지원합니다.

Agent-FLAN은 작업을 기획 역할과 실행 역할로 나누어 정교한 AI 에이전트 기반 애플리케이션 개발을 간소화하도록 설계되었습니다. 사용자는 구성 파일을 통해 에이전트 행동과 워크플로우를 정의하며, 입력 포맷, 도구 인터페이스, 통신 프로토콜을 지정합니다. 기획 에이전트는 상위 수준의 작업 계획을 생성하고, 실행 에이전트는 API 호출, 데이터 처리 또는 대형 언어 모델을 활용한 콘텐츠 생성과 같은 구체적 작업을 수행합니다. 모듈형 구조는 플러그앤플레이 도구 어댑터, 사용자 지정 프롬프트 템플릿 및 실시간 모니터링 대시보드도 지원합니다. OpenAI, Anthropic, Hugging Face와 같은 인기 LLM 제공업체와 통합이 원활하며, 개발자는 다양한 시나리오(자동 연구 도우미, 동적 콘텐츠 생성 파이프라인, 기업 프로세스 자동화 등)용 워크플로우를 빠르게 프로토타이핑, 테스트 및 배포할 수 있습니다.

AgentForge는 개별 AI 기술을 정의, 결합, 오케스트레이션하여 유기적인 자율 에이전트로 만드는 구조화된 환경을 제공합니다. 대화 맥락 유지를 위한 대화 기억, 외부 서비스 통합 플러그인, 다중 에이전트 간 통신, 작업 스케줄링, 오류 처리를 지원합니다. 개발자는 사용자 정의 기술 핸들러를 구성하고, 내장 모듈을 활용하여 자연어 이해를 수행하며, OpenAI의 GPT 시리즈와 같은 인기 LLM들과 통합할 수 있습니다. AgentForge의 모듈러 설계는 개발 주기를 가속하고, 테스트를 용이하게 하며, 챗봇, 가상 비서, 데이터 분석 에이전트, 도메인별 자동화 봇의 배포를 간소화합니다.

Agentic Shared Memory는 AI 기반 멀티 에이전트 환경에서 컨텍스트 데이터를 관리하기 위한 강력한 솔루션을 제공합니다. 벡터 임베딩과 효율적인 데이터 구조를 활용하여 에이전트의 관찰, 결정 및 상태 전이를 저장하며, 원활한 컨텍스트 검색과 업데이트를 가능하게 합니다. 에이전트는 공유 메모리를 조회하여 과거 상호작용이나 글로벌 지식을 접근할 수 있으며, 일관된 행동과 협력 문제 해결을 촉진합니다. 이 라이브러리는 LangChain과 같은 인기 AI 프레임워크 또는 맞춤형 에이전트 오케스트레이터와의 플러그 앤 플레이 통합을 지원하며, 사용자 정의 유지 정책, 컨텍스트 윈도우 크기, 검색 기능을 제공합니다. 메모리 관리를 추상화하여 개발자는 에이전트 로직에 집중하면서 분산 또는 중앙 집중 배포 환경에서도 확장 가능하고 일관된 메모리 처리를 보장할 수 있습니다. 이는 시스템 전체 성능 향상, 중복 계산 감소, 에이전트 지능 향상에 기여합니다.

AIPE는 메모리, 계획, 도구 사용 및 다중 에이전트 협력을 위한 플러그인 가능한 모듈로 AI 에이전트 오케스트레이션을 중앙 집중화합니다. 개발자는 에이전트 페르소나를 정의하고, 벡터 저장소를 통해 컨텍스트를 통합하며, 외부 API 또는 데이터베이스를 연동할 수 있습니다. 이 프레임워크는 내장된 웹 대시보드 및 CLI를 제공하여 프롬프트 테스트, 에이전트 상태 모니터링 및 작업 체인을 수행합니다. Redis, SQLite 및 인메모리 등의 다양한 메모리 백엔드를 지원합니다. 다중 에이전트 구성에서는 데이터 추출기, 분석가, 요약자와 같은 역할을 부여하여 협력하여 복잡한 쿼리를 해결할 수 있습니다. 프롬프트 엔지니어링, API 래퍼, 오류 처리를 추상화하여, 문서 QA, 고객 지원 및 자동 workflow를 위한 AI 기반 어시스턴트 배포를 빠르게 합니다.

Isaree Platform은 AI 에이전트 개발과 배포를 효율화하도록 설계되었습니다. 본질적으로 대화, 의사 결정, 협업이 가능한 자율 에이전트를 생성하기 위한 통합 아키텍처를 제공합니다. 개발자는 맞춤 역할을 가진 여러 에이전트를 정의하고, 벡터 기반의 메모리 검색을 활용하며, 플러그인 모듈을 통해 외부 데이터를 통합할 수 있습니다. 플랫폼은 Python SDK와 RESTful API를 포함하며, 실시간 응답 스트리밍을 지원하고, 내장 로깅 및 지표를 제공합니다. 유연한 구성으로 Docker 또는 클라우드 서비스에서 환경 간 확장이 가능합니다. 지속적 맥락이 필요한 챗봇, 다단계 워크플로우 자동화, 연구 지원 에이전트 조정 등 다양한 엔터프라이즈 솔루션에 적합합니다.

autogen_multiagent는 Python에서 여러 AI 에이전트를 인스턴스화, 구성, 조정하기 위한 구조화된 방법을 제공합니다. 동적 에이전트 생성, 에이전트 간 메시징 채널, 작업 계획, 실행 루프, 모니터링 유틸리티를 포함하며, OpenAI API와 원활하게 통합되어 각 에이전트에 플래너, 실행자, 요약자 등의 역할을 부여하고 상호 작용을 조율할 수 있습니다. 이 프레임워크는 모듈식이고 확장 가능한 AI 워크플로우가 필요한 자동화 문서 분석, 고객 지원 오케스트레이션, 다단계 코드 생성 등에 이상적입니다.

AWS Bedrock Multi-Agent Blueprint는 AWS Bedrock 위에 다중 에이전트 아키텍처를 구현할 수 있는 모듈식 프레임워크를 제공합니다. 공유 메시지 큐를 통해 협력하는 기획자, 연구원, 실행자, 평가자를 정의하는 샘플 코드를 포함하며, 각 에이전트는 커스텀 프롬프트로 다양한 Bedrock 모델을 호출하고, 중간 출력을 다음 에이전트에 전달합니다. 내장된 CloudWatch 로깅, 에러 처리 패턴, 동기 또는 비동기 실행 지원으로 모델 선택, 배치 작업, 전체 오케스트레이션의 관리 방법을 보여줍니다. 개발자는 저장소를 클론하고, AWS IAM 역할과 Bedrock 엔드포인트를 구성하며, CloudFormation 또는 CDK로 배포합니다. 오픈 소스 설계는 역할 확장, 작업 간 에이전트 확장, S3, Lambda, Step Functions와의 통합을 권장합니다.

Swarms World는 다중 에이전트 시스템 설계를 위한 통합 인터페이스를 제공하며, 사용자는 역할, 통신 프로토콜, 워크플로를 시각적 또는 코드로 정의할 수 있습니다. 에이전트는 실시간으로 협력, 하위 작업 위임, 결과 병합이 가능하며, 온프레미스, 클라우드, 엣지 배포를 지원하고, 내장 로깅, 성능 지표, 자동 확장을 제공합니다. 분산 마켓플레이스를 통해 사용자는 에이전트 모듈을 발견, 공유, 수익화할 수 있으며, 인기 LLM, API, 맞춤형 모델 지원으로 강력한 기업용 AI 자동화 개발을 가속화합니다.

Swarms.rs는 군집 기반 AI 에이전트 프로그램 실행용 Rust 핵심 런타임입니다. 커스텀 로직 또는 AI 모델 통합을 위한 모듈식 플러그인 시스템, 피어투피어 통신을 위한 메시지 전달 계층, 에이전트 행동 스케줄링을 위한 비동기 실행기를 특징으로 하며, 이를 통해 개발자는 복잡한 분산 에이전트 네트워크를 설계, 배포, 확장할 수 있습니다. 이 구성요소들은 시뮬레이션, 자동화, 다중 에이전트 협력 작업에 적합합니다.

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.

GA 기반 NQueen 해결사는 각 에이전트가 N-Queen 후보 구성을 인코딩하는 모듈식 2APL 다중 에이전트 아키텍처를 사용합니다. 에이전트는 비공격 퀸 쌍 수를 계산하여 적합도를 평가하고, 높은 적합도 구성을 다른 에이전트와 공유합니다. 선택, 교차, 돌연변이와 같은 유전 연산자는 새로운 후보 체스판 생성에 사용되며, 연속적인 반복을 통해 에이전트들은 유효한 N-Queen 해에 수렴합니다. 이 프레임워크는 자바로 구현되었으며, 인구 크기, 교차율, 돌연변이 확률, 에이전트 통신 프로토콜 등에 대한 매개변수 튜닝을 지원하며, 상세 로그와 진화 과정 시각화를 출력합니다.

SwarmZero는 AI 에이전트 무리를 정의하고 관리하며 실행하기 위한 확장 가능하고 오픈 소스인 환경을 제공합니다. 개발자는 하나의 오케스트레이터 API를 통해 에이전트 역할을 선언하고, 프롬프트를 사용자 지정하며, 워크플로우를 체인할 수 있습니다. 이 프레임워크는 주요 LLM 제공업체와 통합되며, 플러그인 확장과 세션 데이터 로깅 기능을 지원하여 디버깅과 성능 분석에 활용됩니다. 연구 봇, 콘텐츠 크리에이터 또는 데이터 분석기 등의 협력을 조정하는 경우, SwarmZero는 다중 에이전트 협업을 간소화하고 투명하고 재현 가능한 결과를 보장합니다.

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.

Multi-Agent는 병렬로 실행되는 여러 AI 에이전트를 구축하고 오케스트레이션하는 데 도움을 주는 개발자 도구 키트입니다. 각 에이전트는 자체 메모리 저장소, 프롬프트 구성, 메시지 큐를 유지합니다. 사용자 정의 행동을 정의하고, 에이전트 간 통신 채널을 설정하며, 역할에 따라 작업을 자동으로 위임할 수 있습니다. 언어 이해 및 생성 용도로 OpenAI의 Chat API를 활용하며, 워크플로 오케스트레이션, 로깅, 오류 처리 위한 모듈식 컴포넌트를 제공합니다. 이를 통해 연구 조수, 데이터 처리자, 고객 지원 봇과 같은 전문 에이전트들을 만들어 복합적인 작업에 함께 활용할 수 있습니다.

Multi-Agent-AI-Dynamic-Interaction은 여러 자율 AI 에이전트로 구성된 시스템을 설계, 구성, 실행하는 유연한 환경을 제공합니다. 각 에이전트는 특정 역할, 목표, 통신 프로토콜을 부여받을 수 있습니다. 이 프레임워크는 메시지 전달, 대화 컨텍스트 및 순차적 또는 병렬 상호작용을 관리합니다. OpenAI GPT, 기타 LLM API 및 커스텀 모듈과의 통합을 지원합니다. YAML 또는 Python 스크립트를 통해 시나리오를 정의하며, 에이전트 세부 정보, 작업 흐름 단계 및 정지 조건을 지정합니다. 이 시스템은 디버깅과 분석을 위해 모든 상호작용을 기록하며, 협력, 협상, 의사 결정, 복잡한 문제 해결 실험을 위해 에이전트 행동을 세밀하게 제어할 수 있습니다.

RoboCup Rescue Agent Simulation은 IA 기반 다중 에이전트들이 협력하여 피해자를 찾고 구조하는 도시 재해 환경을 모델링한 오픈소스 프레임워크입니다. 내비게이션, 맵핑, 통신, 센서 통합 인터페이스를 제공하며, 사용자는 맞춤형 에이전트 전략을 스크립트화하고 배치 실험을 수행하며 에이전트 성능 지표를 시각화할 수 있습니다. 시나리오 구성, 로그 기록, 결과 분석을 지원하여 다중 에이전트 시스템과 재해 대응 알고리즘 연구를 가속화합니다.