GoLC는 Go로 언어 모델 체인과 에이전트를 구축할 수 있는 통합 도구 세트를 제공합니다. 핵심 기능에는 체인 관리, 맞춤형 프롬프트 템플릿, 주요 LLM 공급자와의 원활한 통합이 포함됩니다. 문서 로더와 벡터 저장소를 통해 임베딩 기반 검색을 가능하게 하여 RAG 워크플로우를 지원하며, 상태를 유지하는 메모리 모듈과 다중 단계 추론 및 도구 호출을 조율하는 가벼운 에이전트 아키텍처를 지원합니다. 모듈형 설계로 사용자 정의 도구, 데이터 소스, 출력 핸들러를 쉽게 연결할 수 있습니다. 고네이티브 성능과 최소 의존성을 갖춘 GoLC는 챗봇, 지식 지원, 자동 추론 에이전트, 생산 수준의 백엔드 AI 서비스 구축에 이상적입니다.

Isek는 모듈형 아키텍처를 갖춘 개발자 중심 플랫폼입니다. 도구와 데이터 소스를 위한 플러그인 시스템, 컨텍스트 유지를 위한 내장 메모리, 그리고 다단계 작업 조정을 위한 계획 엔진을 제공합니다. 로컬 또는 클라우드에 배포 가능하며, 어떤 LLM 백엔드도 통합할 수 있고, 커뮤니티 또는 커스텀 모듈을 통해 확장할 수 있습니다. Isek는 템플릿, SDK, CLI 도구를 통해 챗봇, 가상 비서, 자동화 워크플로의 빠른 개발을 간소화합니다.

LinkAgent는 플러그인 가능한 컴포넌트로 구성된 경량 마이크로커널을 제공하며, 사용자는 언어 모델 백엔드, 검색 모듈, 외부 API를 도구로 등록한 후 내장된 플래너와 라우터를 사용하여 워크플로우를 구성할 수 있습니다. 메모리 핸들러를 통해 문맥 지속 및 저장, 동적 도구 호출, 복잡한 다단계 추론을 위한 결정 로직을 지원합니다. 최소한의 코드로, 팀은 QA, 데이터 추출, 프로세스 오케스트레이션, 보고서 생성과 같은 작업을 자동화할 수 있습니다.

MASChat은 언어 모델로 구동되는 여러 AI 에이전트 간의 대화를 유연하게 조율할 수 있는 프레임워크를 제공합니다. 연구원, 요약자, 비평가와 같은 특정 역할을 가진 에이전트를 정의하고, 이들의 프롬프트, 권한, 통신 프로토콜을 지정할 수 있습니다. MASChat의 중앙 관리자가 메시지 라우팅, 컨텍스트 유지, 상호작용을 기록하여 추적 가능성을 보장합니다. 전문화된 에이전트를 조율하여 연구, 콘텐츠 생성, 데이터 분석 등의 복잡한 작업을 병렬 워크플로우로 분해하여 효율성과 통찰력을 향상시킵니다. OpenAI GPT API 또는 로컬 LLM과 통합되며, 맞춤형 행동을 위한 플러그인 확장도 지원합니다. MASChat은 프로토타이핑, 협력 환경 시뮬레이션, AI 시스템에서의 자발적 행동 탐구에 이상적입니다.

mcp-agent-graph는 AI 에이전트용 그래프 기반 오케스트레이션 레이어를 제공하여 개발자가 복잡한 다단계 워크플로우를 방향 그래프로 매핑할 수 있게 합니다. 그래프의 각 노드는 작업 또는 함수를 나타내며, 입력, 출력, 종속성을 포착합니다. 간선은 에이전트 간의 데이터 흐름을 정의하여 올바른 실행 순서를 보장합니다. 엔진은 순차 및 병렬 실행 모드를 지원하며, 자동 종속성 해결과 커스텀 파이썬 함수 또는 외부 서비스와의 통합을 제공합니다. 내장 시각화를 통해 사용자들은 그래프 토폴로지를 검사하고 워크플로우를 디버그할 수 있습니다. 이 프레임워크는 데이터 처리, 자연어 워크플로우 또는 결합된 AI 모델 파이프라인을 위한 모듈식이고 확장 가능한 멀티 에이전트 시스템 개발을 촉진합니다.

OpenMAS는 분산형 AI 에이전트와 다중 에이전트 조정 전략 개발 및 평가를 돕기 위해 설계되었습니다. 사용자 정의 에이전트 행동, 동적 환경 모델, 에이전트 간 메시징 프로토콜을 정의할 수 있는 모듈식 구조를 갖추고 있습니다. 물리 시뮬레이션, 이벤트 기반 실행, AI 알고리즘 플러그인 지원을 제공합니다. 사용자들은 YAML 또는 Python을 통해 시나리오를 구성하고, 에이전트 상호작용을 시각화하며, 내장된 분석 도구로 성능 지표를 수집할 수 있습니다. OpenMAS는 군집 지능, 협력 로보틱스, 분산 의사 결정 등의 연구 프로토타입을 간소화합니다.

RepoAgent는 모든 코드 저장소를 인터랙티브한 지식 기반으로 변환하는 AI 프레임워크입니다. 소스 파일, 함수, 클래스, 문서를 벡터 스토어에 인덱싱하여 빠른 검색과 컨텍스트 인식 응답이 가능하게 합니다. 개발자는 자연어 질문을 통해 코드 기능, 아키텍처 또는 의존성에 대해 문의할 수 있습니다. 자동 코드 요약, 문서 생성, 테스트 케이스 생성은 LLM과 통합하여 지원합니다. RepoAgent는 또한 이슈, PR, 커밋 히스토리를 분석하여 코드 품질과 잠재적 버그에 대한 인사이트를 제공합니다. 모듈식 설계로 검색 파이프라인, 모델 선택 및 출력 형식의 맞춤화가 가능합니다. CI/CD 파이프라인이나 IDE에 바로 통합하여 개발 효율을 높이고 온보딩 시간을 단축하며 팀 생산성을 향상시킵니다.

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.

ToolAgents는 복잡한 워크플로를 자동화하기 위해 대형 언어 모델과 외부 도구를 통합하는 모듈식 오픈 소스 AI 에이전트 프레임워크입니다. 개발자는 API 호출, 데이터베이스 쿼리, 코드 실행, 문서 분석 등 작업의 엔드포인트를 통해 도구를 등록합니다. 에이전트는 다단계 작업을 계획하고, LLM의 출력을 기반으로 도구를 동적으로 호출하거나 연결할 수 있습니다. 이 프레임워크는 순차 및 병렬 작업 수행, 오류 처리, 사용자 정의 플러그인 확장을 지원하며, Python 기반 API를 통해 데이터를 검색하고 콘텐츠를 생성하며 스크립트를 실행하고 문서를 처리하는 지능형 에이전트의 구축, 테스트, 배포를 간소화하여 신속한 프로토타이핑과 확장 가능한 자동화를 가능하게 합니다.

Venus는 개발자가 쉽게 지능형 AI 에이전트를 설계, 구성 및 실행할 수 있도록 하는 오픈 소스 Python 라이브러리입니다. 내장된 대화 관리, 지속적 메모리 저장 옵션, 외부 도구 및 API 통합을 위한 유연한 플러그인 시스템을 제공합니다. 사용자는 커스텀 워크플로우를 정의하고, 여러 LLM 호출을 연결하며, 데이터 검색, 웹 스크래핑 또는 데이터베이스 쿼리와 같은 작업 수행을 위한 함수 호출 인터페이스를 통합할 수 있습니다. Venus는 동기 및 비동기 실행, 로깅, 오류 처리, 에이전트 활동 모니터링을 지원합니다. 낮은 수준의 API 상호 작용을 추상화하여 Venus는 챗봇, 가상 비서, 자동화된 워크플로우의 신속한 프로토타이핑과 배포를 가능하게 하면서 에이전트 행동과 자원 활용에 대한 전체 제어를 유지합니다.

Advanced_RAG는 문서 로더, 벡터 인덱스 생성기, 체인 매니저를 포함하는 모듈형 파이프라인을 제공합니다. 사용자는 다양한 벡터 데이터베이스(FAISS, Pinecone)를 구성하고, 유사도 검색, 하이브리드 검색 등 검색 전략을 맞춤화하며, 어떤 LLM이든 연결하여 컨텍스트에 맞는 답변을 생성할 수 있습니다. 또한 성능 평가 지표와 로깅을 지원하여 성능 튜닝에 도움을 주며, 확장성과 유연성을 갖춰 실무 환경에 적합하게 설계되었습니다.

Agentin은 계획, 행동 및 학습이 가능한 지능형 에이전트를 구축하는 데 도움이 되는 오픈 소스 Python 라이브러리입니다. 대화형 메모리 관리, 외부 도구 또는 API 통합, 병렬 또는 계층적 워크플로우 내에서 여러 에이전트를 오케스트레이션하는 추상화를 제공합니다. 구성 가능한 플래너 모듈과 맞춤형 도구 래퍼를 지원하여 자율 데이터 처리 에이전트, 고객 서비스 봇 또는 연구 보조 도구의 빠른 프로토타이핑이 가능합니다. 또한 프레임워크는 확장 가능한 로깅 및 모니터링 후크를 제공하여 에이전트 결정 추적과 복잡한 다단계 상호작용 문제 해결을 쉽게 합니다.

Agentic AI Workflow는 복잡한 작업 자동화를 위해 여러 AI 에이전트를 조율하는 확장 가능한 Python 라이브러리입니다. 목표를 구체적인 단계로 분해하는 계획 에이전트, 연결된 LLM을 통해 해당 단계를 수행하는 실행 에이전트, 결과를 검토하고 전략을 개선하는 반영 에이전트를 포함합니다. 개발자는 프롬프트 템플릿, 메모리 모듈, 커넥터 통합을 주요 언어 모델에 맞게 맞춤 설정할 수 있습니다. 이 프레임워크는 재사용 가능한 구성 요소, 로깅, 성능 지표를 제공하여 자율 연구 보조원, 콘텐츠 파이프라인, 데이터 처리 워크플로의 생성을 간소화합니다.

AgentX는 대형 언어 모델(LLM), 도구 및 API 통합, 메모리 모듈을 활용하여 복잡한 작업을 자율적으로 수행하는 AI 기반 에이전트를 구축하기 위한 확장 가능 아키텍처를 제공합니다. 사용자 정의 도구용 플러그인 시스템, 벡터 기반 검색지원, 연쇄 사고(chain-of-thought) 추론, 세부 실행 로그를 특징으로 합니다. 사용자는 유연한 구성 파일 또는 코드를 통해 모델, Chroma DB와 같은 메모리 백엔드, 추론 파이프라인을 지정하여 에이전트를 정의합니다. AgentX는 세션 간 문맥 관리를 제공하고, 검색 증강 생성 및 다중 턴 대화를 지원하며, 모듈식 구성요소를 통해 워크플로우 조정, 에이전트 행동 맞춤화, 외부 서비스 통합을 통해 자동화, 연구 지원, 고객 지원, 데이터 분석을 수행할 수 있습니다.

Agno AI Agent는 대형 언어 모델 기반 자율 에이전트를 빠르게 구축하도록 설계되었습니다. 모듈식 도구 레지스트리, 메모리 관리, 계획 및 실행 루프, 웹 검색, 파일 시스템, 데이터베이스 등 외부 API와의 원활한 통합을 제공합니다. 사용자들은 커스텀 도구 인터페이스를 정의하고, 에이전트 성격을 설정하며, 복잡하고 다단계인 워크플로우를 오케스트레이션할 수 있습니다. 에이전트는 작업을 계획하고, 도구를 동적으로 호출하며, 이전 상호작용에서 학습하여 성능을 향상시킬 수 있습니다.

autogen4j는 자율형 AI 에이전트 구축의 복잡성을 추상화하는 경량 Java 라이브러리입니다. 계획, 메모리 저장 및 행동 실행을 위한 핵심 모듈을 제공하여, 고수준 목표를 순차적 하위 작업으로 분해할 수 있습니다. 이 프레임워크는 OpenAI, Anthropic 등 여러 LLM 제공자와 통합되며, 커스텀 도구(HTTP 클라이언트, 데이터베이스 커넥터, 파일 I/O) 등록도 지원합니다. 개발자는 유창한 DSL 또는 애노테이션을 통해 에이전트를 정의하고, 데이터 강화, 자동 보고서, 대화형 봇을 위한 파이프라인을 빠르게 구성할 수 있습니다. 확장 가능한 플러그인 시스템으로 다양한 애플리케이션에서 유연성을 보장합니다.

카라는 보험 부문을 위해 특별히 구축된 AI 시스템으로, 주요 보험 에이전시와 중개인에게 힘을 주는 모듈식 아키텍처를 제공합니다. 판매를 가속화하고 다양한 서비스를 자동화하여 24/7 사용 가능한 디지털 인력으로 효과적으로 작동합니다. 이를 통해 에이전시는 작업을 간소화하고 고객 서비스를 개선하며, 궁극적으로 경쟁이 치열한 시장에서 성장을 촉진합니다.

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.

Fast-LLM-Agent-MCP는 메모리 관리, 사고의 연쇄 추론, 다단계 계획을 결합한 AI 에이전트를 구축하기 위한 경량 오픈 소스 Python 프레임워크입니다. 개발자는 OpenAI, Azure OpenAI, 로컬 Llama 및 기타 모델과 통합하여 대화 맥락을 유지하고 구조화된 추론 과정을 생성하며 복잡한 작업을 실행 가능한 하위 작업으로 분할할 수 있습니다. 모듈식 설계로 사용자 정의 도구 및 메모리 저장소를 통합할 수 있어 가상 도우미, 의사 결정 지원 시스템, 자동 고객 지원 봇 등에 적합합니다.

Deep Study AI Agent는 OpenAI의 GPT 모델을 이용하여 사용자 제공 텍스트 또는 문서를 처리하고 핵심 개념을 추출하며 학습 도구를 생성합니다. 사용자는 강의 노트, PDF 또는 텍스트 파일을 업로드하며, 에이전트는 간결한 요약, 플래시카드 세트, 객관식 퀴즈, 목표 연습 문제를 만들어 냅니다. 또한 난이도 설정과 맥락별 힌트 제공이 가능하며, 모듈식 설계로 새로운 콘텐츠 유형과 프롬프트 템플릿을 확장할 수 있어 다양한 학문 분야와 자기주도 학습에 유연하게 대응 가능합니다.