Memonto는 AI 에이전트의 미들웨어 라이브러리로, 전체 메모리 수명 주기를 조율합니다. 각 대화 턴마다 사용자 및 AI 메시지를 기록하고, 중요한 세부 정보를 요약하며, 이 요약을 임베딩으로 변환하여 저장합니다. 새 프롬프트를 생성할 때, Memonto는 의미론적 검색을 수행하여 가장 관련성 높은 과거 기억을 검색하며, 에이전트가 맥락을 유지하고, 사용자 선호도를 기억하며, 맞춤형 응답을 제공할 수 있도록 합니다. SQLite, FAISS, Redis 등 여러 저장소 백엔드를 지원하며, 임베딩, 요약, 검색을 위한 구성 가능한 파이프라인을 제공합니다. 개발자는 기존 에이전트 프레임워크에 쉽게 통합하여 일관성과 장기 참여를 강화할 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.

멀티-에이전트 코디네이션은 AI 에이전트를 정의하고, 중앙 코디네이터에 등록하며, 협력적 문제 해결을 위한 작업을 배포하는 경량 API를 제공합니다. 메시지 라우팅, 동시성 제어, 결과 집계를 처리합니다. 개발자는 맞춤형 에이전트 동작, 통신 채널 확장, 내장 로깅과 후크를 통해 상호작용을 모니터링할 수 있습니다. 이 프레임워크는 분산 AI 워크플로우 개발을 간소화하며, 각 에이전트는 하위 작업에 특화되고, 코디네이터는 원활한 협업을 보장합니다.

확장 가능한 MADDPG는 연구 중심의 다중 에이전트 강화 학습 프레임워크로, MADDPG 알고리즘의 확장 가능한 구현을 제공하며, 훈련 중 중앙 집중식 크리틱과 실행 시 독립적 액터를 특징으로 하여 안정성과 효율성을 도모합니다. 이 라이브러리에는 사용자 정의 환경 정의, 네트워크 아키텍처 구성, 하이퍼파라미터 조정용 파이썬 스크립트가 포함되어 있으며, 사용자들은 병렬로 여러 에이전트를 훈련하고, 지표를 모니터링하며, 학습 곡선을 시각화할 수 있습니다. 또한 OpenAI Gym과 유사한 환경과 GPU 가속(TensorFlow 지원)을 지원하며, 모듈형 구성요소를 통해 협력, 경쟁 또는 혼합 다중 에이전트 과제에 대한 유연한 실험과 빠른 프로토타이핑, 벤치마킹을 가능하게 합니다.