Multi-Agent-Seller는 AI 에이전트를 활용한 전자상거래 협상 시뮬레이션을 위한 모듈형 환경을 제공합니다. 동적 가격 책정, 시간 기반 양보, 유틸리티 기반 의사결정 등 맞춤형 협상 전략을 갖춘 구매자와 판매자 에이전트가 포함되어 있습니다. 사용자는 맞춤형 프로토콜, 메시지 형식, 시장 조건을 정의할 수 있습니다. 프레임워크는 세션 관리, 제안 추적, 결과 로그, 시각화 도구를 내장하여 에이전트 상호작용을 분석할 수 있게 합니다. 머신러닝 라이브러리와 쉽게 연동되어 강화학습이나 규칙 기반 에이전트 전략 개발도 지원합니다. 확장 가능한 구조로 새로운 에이전트 유형, 협상 규칙, 시각화 플러그인을 추가할 수 있습니다. Multi-Agent-Seller는 멀티에이전트 알고리즘 테스트, 협상 행동 연구, AI 및 전자상거래 개념 교육에 이상적입니다.

FMAS (Flexible Multi-Agent System)는 오픈소스 Python 라이브러리로, 다중 에이전트 시뮬레이션의 구축, 실행 및 시각화를 제공합니다. 사용자 정의 의사 결정 논리를 갖는 에이전트를 정의하고, 환경 모델을 구성하며, 통신 채널을 설정하고, 확장 가능한 시뮬레이션을 실행할 수 있습니다. FMAS는 에이전트 상태 모니터링, 상호 작용 디버깅 및 결과 내보내기를 위한 후크를 제공하며, 모듈화된 아키텍처는 시각화, 메트릭 수집 및 외부 데이터 소스와의 통합을 위한 플러그인을 지원하여 연구, 교육 및 실제 프로토타입에 적합합니다.

GenerativeAgentsCN은 현실감 있는 디지털 페르소나를 시뮬레이션하기 위해 설계된 스탠포드의 Generative Agents 프레임워크를 오픈소스 중국어로 이식한 것입니다. 대규모 언어 모델과 장기 기억 모듈, 반사 루틴, 계획자 논리 등을 결합하여, 맥락을 인지하고 과거 상호작용을 기억하며 자율적으로 다음 행동을 결정하는 에이전트를 조정합니다. 이 툴킷은 즉시 실행 가능한 Jupyter 노트북, 모듈형 파이썬 컴포넌트, 포괄적인 중국어 문서화를 제공하여 환경 설정, 에이전트 특성 정의 및 기억 매개변수 커스터마이징 방법을 안내합니다. 이를 활용해 AI 기반 NPC 행동 탐색, 고객 지원 봇 프로토타입 개발, 에이전트 인지 연구 등을 수행할 수 있으며, 유연한 API를 통해 기억 알고리즘 확장, 맞춤형 LLM 통합, 실시간 에이전트 상호작용 시각화도 가능합니다.

Multi-Agent Miners는 여러 자율 광부 에이전트들이 이동하고 채굴하며 자원을 수집하는 그리드 월드 환경을 제공합니다. 설정 가능한 맵 크기, 에이전트 수, 보상 구조를 지원하며 경쟁 또는 협력 시나리오를 생성할 수 있습니다. 프레임워크는 PettingZoo를 통해 인기 있는 RL 라이브러리와 통합되어 재설정, 단계 및 렌더링 함수에 대한 표준 API를 제공합니다. 시각화 모드와 로깅 지원으로 행동과 결과 분석이 가능하며, 연구, 교육 및 알고리즘 벤치마킹에 적합합니다.