LLM-Blender-Agent는 개발자가 LLM을 협력 에이전트로 랩핑하여 모듈식 다중 에이전트 AI 시스템을 구축할 수 있도록 합니다. 각 에이전트는 Python 실행, 웹 스크래핑, SQL 데이터베이스, 외부 API와 같은 도구에 접근할 수 있습니다. 프레임워크는 대화 메모리, 단계별 추론, 도구 오케스트레이션을 처리하여 보고서 생성, 데이터 분석, 자동화된 연구, 워크플로우 자동화와 같은 작업을 가능하게 합니다. LangChain 위에 구축되어 가볍고 확장 가능하며 GPT-3.5, GPT-4 및 기타 LLM과 호환됩니다.

DEf-MARL(멀티 에이전트 강화 학습을 위한 분산 실행 프레임워크)는 중앙 제어자가 없는 협력 에이전트의 수행과 학습을 위한 견고한 인프라를 제공합니다. 피어 투 피어 통신 프로토콜을 활용하여 정책과 관측 정보를 공유하며, 로컬 상호작용을 통해 조정을 수행합니다. 이 프레임워크는 PyTorch 및 TensorFlow와 원활하게 통합되며, 사용자 정의 환경 래퍼, 분산 롤아웃 수집 및 그래디언트 동기화 모듈을 제공합니다. 사용자들은 에이전트별 관측 공간, 보상 함수, 통신 토폴로지를 정의할 수 있습니다. DEf-MARL은 런타임 동안 에이전트의 동적 추가 및 제거를 지원하며, 노드 간 중요한 상태를 복제하여 장애 내성을 갖추고, 탐색과 활용의 균형을 위한 적응형 통신 스케줄링도 수행합니다. 환경 시뮬레이션을 병렬화하고 중앙 병목 현상을 줄여 훈련 속도를 높이며, 대규모 MARL 연구와 산업용 시뮬레이션에 적합합니다.

multi_agent_celar는 시뮬레이션 환경에서 여러 지능형 에이전트 간의 출현 언어 통신을 가능하게 하는 모듈식 AI 플랫폼입니다. 사용자는 정책 파일을 통해 에이전트 행동을 정의하고, 환경 매개변수를 구성하며, 에이전트가 협력 과제를 해결하기 위해 자체 통신 프로토콜을 발전시키는 조정된 훈련 세션을 실행할 수 있습니다. 이 프레임워크는 평가 스크립트, 시각화 도구 및 확장 가능한 실험 지원을 포함하여, 다중 에이전트 협업, 출현 언어, 의사 결정 과정에 관한 연구에 이상적입니다.