Practical AI Agents는 대형 언어 모델에 힘입은 자율 에이전트를 구성하기 위한 포괄적인 프레임워크와 즉시 활용 가능한 예제를 제공합니다. API 도구(예: 웹 브라우저, 데이터베이스, 사용자 정의 함수)를 통합하는 방법, RAG 스타일 메모리 구현, 대화 컨텍스트 관리, 동적 계획 수행 방법을 보여줍니다. 예제는 챗봇, 데이터 분석 도우미, 작업 자동화 스크립트 또는 연구 도구에 맞게 조정할 수 있습니다. 이 저장소에는 노트북, Dockerfile, 설정 파일이 포함되어 있어 환경 간의 설정 및 배포를 간소화합니다.

Spellcaster는 '주문'이라는 프롬프트, 로직, 워크플로우의 결합을 통해 AI 에이전트 구축에 구조적 접근 방식을 제공합니다. 개발자는 YAML 파일로 역할, 입력, 출력, 오케스트레이션 단계를 정의합니다. CLI 툴은 주문을 실행하고 메시지를 라우팅하며, OpenAI, Anthropic 등을 비롯한 LLM API와 원활하게 통합됩니다. Spellcaster는 실행 로그를 추적하고, 대화 맥락을 유지하며, 사전 및 사후 처리 커스텀 플러그인을 지원합니다. 디버깅 인터페이스는 호출 시퀀스와 데이터 흐름을 시각화하여 프롬프트 실패와 성능 문제를 쉽게 파악할 수 있게 합니다. 복잡한 오케스트레이션 패턴을 추상화하고 프롬프트 템플릿을 표준화하여 개발 비용을 줄이고 일관된 에이전트 행동을 보장합니다.

Whiz는 복잡한 대화 및 작업 지향 워크플로우를 수행할 수 있는 지능형 에이전트 개발을 위한 강력한 기반을 제공하도록 설계되었습니다. Whiz를 사용하는 개발자는 도구 — Python 함수 혹은 외부 API — 를 정의하고, 사용자 요청 처리 시 호출할 수 있습니다. 내장된 메모리 모듈은 대화 컨텍스트를 캡처하여 일관된 다중 턴 상호작용을 가능하게 합니다. 역동적 계획 엔진은 목표를 실행 가능한 단계로 분해하며, 유연한 인터페이스는 커스텀 정책, 도구 레지스트리, 메모리 백엔드 주입을 허용합니다. Whiz는 임베딩 기반 의미 검색을 지원하여 관련 문서를 검색하고, 감사성을 위한 로깅과 확장을 위한 비동기 실행도 제공합니다. 완전한 오픈소스인 Whiz는 Python이 구동되는 어디서든 배포 가능하며, 고객지원 챗봇, 데이터 분석 어시스턴트 또는 도메인 전문 에이전트를 빠르게 프로토타입할 수 있습니다.