AI-Agents는 Python 기반 AI 에이전트를 정의하고 실행하기 위한 모듈식 아키텍처를 제공합니다. 개발자는 에이전트 행동을 구성하고, 외부 API 또는 도구를 통합하며, 세션 간 에이전트 메모리를 관리할 수 있습니다. 이는 인기 있는 LLM을 활용하며, 다중 에이전트 협업을 지원하고, 데이터 분석, 자동화 지원 및 개인 맞춤형 어시스턴트와 같은 복잡한 워크플로우를 위한 플러그인 확장을 가능하게 합니다.

CArtAgO (AGents Open environments를 위한 일반 아티팩트 인프라)는 다중 에이전트 시스템에서 환경 인프라를 구현하기 위한 가볍고 확장 가능한 프레임워크입니다. 아티팩트라는 개념을 도입하는데, 이는 환경 자원을 나타내는 일급 객체이며, 정의된 작업, 관찰 가능한 속성, 이벤트 인터페이스를 갖추고 있습니다. 개발자는 Java에서 아티팩트 타입을 정의하고, 환경 클래스에 등록하며, 작업과 이벤트를 노출하여 에이전트가 이를 활용하게 합니다. 에이전트는 표준 액션(예: createArtifact, observe)을 사용하여 아티팩트와 상호작용하며, 비동기 알림을 통해 상태 변화를 파악하고 공유 자원을 통해 조율합니다. CArtAgO는 Jason, JaCaMo, JADE, Spring Agent 등과 쉽게 통합되어 하이브리드 시스템 개발이 가능합니다. 프레임워크는 내장된 아티팩트 문서화, 동적 로드, 실시간 모니터링 기능을 제공하여 복잡한 에이전트 기반 애플리케이션의 빠른 프로토타이핑을 지원합니다.

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.

OpenAI Agents MCP Server는 OpenAI 모델로 구동되는 자율 에이전트를 배포하고 관리하기 위한 강력한 기반을 제공합니다. 유연한 RESTful API를 통해 에이전트 생성, 구성, 제어를 할 수 있으며, 개발자는 다단계 작업의 오케스트레이션, 에이전트 간 상호작용 조정, 세션 간 지속되는 메모리 유지를 할 수 있습니다. 이 프레임워크는 플러그인 같은 도구 통합, 고급 대화 로그, 맞춤형 계획 전략을 지원합니다. 인프라 문제를 추상화함으로써, MCP Server는 개발 파이프라인을 간소화하여 빠른 프로토타이핑과 확장 가능한 배포를 지원하며, 생산 환경에서 대화형 어시스턴트, 워크플로우 자동화, AI 기반 디지털 워커의 빠른 배포를 가능하게 합니다.

셰퍼딩은 강화 학습 연구자와 개발자를 위해 설계된 오픈소스 시뮬레이션 프레임워크로, 콘티뉴어스 또는 디스크리트 공간에서 플랭킹, 수집, 분산 목표 그룹과 같은 행동을 수행하도록 에이전트를 훈련시킵니다. 모듈식 보상 설계, 환경 파라미터 설정, 훈련 성능을 모니터링하는 로깅 유틸리티를 포함하며, 사용자 정의 장애물, 동적 에이전트 군집, 맞춤 정책을 TensorFlow 또는 PyTorch로 정의할 수 있습니다. 시각화 스크립트는 궤적 차트와 에이전트 상호작용의 비디오를 생성합니다. 셰퍼딩의 모듈식 설계 덕분에 기존 RL 라이브러리와 원활히 통합되어 재현 가능한 실험, 새로운 협력 전략 벤치마킹, 빠른 AI 기반 목양 솔루션 프로토타이핑이 가능합니다.

CommNet은 다중 에이전트가 각각의 시간 단계에서 숨겨진 상태를 공유하고 협력 환경에서 행동 조정을 학습할 수 있도록 하는 연구 지향 라이브러리입니다. 이 라이브러리에는 PyTorch 모델 정의, 훈련 및 평가 스크립트, OpenAI Gym 환경 래퍼, 통신 채널, 에이전트 수, 네트워크 깊이 등을 사용자 정의할 수 있는 유틸리티가 포함되어 있습니다. 연구자와 개발자는 CommNet을 사용하여 내비게이션, 추적-회피, 자원 수집 작업에서 에이전트 간 통신 전략을 프로토타입하고 벤치마킹할 수 있습니다.

ePH-MAPF는 격자 기반 맵에서 수십에서 수백 개의 에이전트에 대해 충돌 없는 경로 계산을 위한 효율적인 파이프라인을 제공합니다. 우선순위 휴리스틱, 증분 검색 기법 및 사용자 정의 비용 지표(맨하탄, 유클리드)를 사용하여 속도와 해결책 품질을 균형 있게 조절합니다. 사용자들은 다양한 휴리스틱 기능을 선택하고, 라이브러리를 Python 기반 로보틱스 시스템에 통합하며, 표준 MAPF 시나리오에서 성능을 벤치마킹할 수 있습니다. 모듈식이고 잘 문서화된 코드베이스로, 연구자와 개발자가 동적 장애물 또는 특수 환경에 맞게 확장할 수 있습니다.