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.

mario-ai 프로젝트는 신경진화를 이용하여 Super Mario Bros.를 마스터할 AI 에이전트를 개발하기 위한 포괄적인 파이프라인을 제공합니다. Python 기반 NEAT 구현과 OpenAI Gym의 SuperMario 환경을 통합하여, 사용자들이 맞춤형 적합도 기준, 돌연변이율, 네트워크 토폴로지를 정의할 수 있도록 지원합니다. 훈련 동안, 이 프레임워크는 신경망의 세대를 평가하고, 우수한 유전체를 선택하며, 게임 플레이와 네트워크 진화의 실시간 시각화를 제공합니다. 또한, 훈련된 모델의 저장 및 로드, 챔피언 유전체의 내보내기, 상세 퍼포먼스 로그 생성도 가능합니다. 연구자, 교육자, 취미 연구자들은 코드를 다른 게임 환경으로 확장하고, 진화 전략 실험과 다양한 레벨별 AI 학습 진행상태 벤치마킹이 가능합니다.

MultiAgentPuzzleSolver는 독립적인 AI 에이전트들이 협력하여 슬라이딩 타일, 루빅 큐브, 논리 격자와 같은 퍼즐을 해결하는 모듈식 환경을 제공합니다. 에이전트는 상태 정보를 공유하고, 하위 작업 할당을 협상하며, 다양한 휴리스틱을 적용하여 단일 에이전트보다 더 효과적으로 해결 공간을 탐색합니다. 개발자는 새로운 에이전트 행동을 플러그인하거나, 통신 프로토콜을 사용자 정의하거나, 새로운 퍼즐 정의를 추가할 수 있습니다. 이 프레임워크에는 실시간 시각화, 성능 지표 수집, 실험 스크립팅 도구가 포함되어 있습니다. Python 3.8 이상, 표준 라이브러리, 인기 있는 머신러닝 툴킷과 호환되어 연구 프로젝트에 원활하게 통합됩니다.

MultiAgentModel은 멀티에이전트 시나리오를 위한 맞춤형 환경 및 에이전트 클래스를 정의하는 통합 API를 제공합니다. 개발자는 관측 및 행동 공간, 보상 구조, 통신 채널을 지정할 수 있습니다. PPO, DQN, A2C와 같은 인기 RL 알고리즘을 기본 지원하여 최소한의 구성으로 훈련할 수 있습니다. 실시간 시각화 도구를 통해 에이전트 상호작용과 성능 지표를 모니터링합니다. 모듈식 아키텍처는 새로운 알고리즘과 맞춤형 모듈의 손쉬운 통합을 가능하게 하며, 하이퍼파라미터 튜닝을 위한 유연한 구성 시스템, 실험 추적을 위한 로깅 유틸리티, 원활한 포터블성을 위한 OpenAI Gym 환경과의 호환성을 포함합니다. 사용자들은 공유 환경에서 협력하거나, 기록된 세션을 재생하여 분석할 수 있습니다.

AgentSimJS는 자바스크립트에서 대규모 에이전트 기반 모델의 생성과 실행을 단순화하도록 설계되었습니다. 모듈식 아키텍처를 통해 개발자는 사용자 정의 상태, 센서, 의사결정 기능 및 액추에이터를 갖춘 에이전트를 정의하고, 이를 글로벌 변수로 매개변수화된 동적 환경에 통합할 수 있습니다. 프레임워크는 이산 시간 단계 시뮬레이션을 조율하고, 에이전트 간 이벤트 기반 메시징을 관리하며, 상호작용 데이터를 기록하여 분석합니다. 시각화 모듈은 HTML5 Canvas 또는 외부 라이브러리를 이용한 실시간 렌더링을 지원하며, 플러그인은 통계 도구와의 통합을 가능하게 합니다. AgentSimJS는 현대 웹 브라우저와 Node.js 모두에서 실행되며, 대화형 웹 애플리케이션, 학술 연구, 교육 도구, 군집 지능, 군중 역학 또는 분산 AI 실험의 신속한 프로토타이핑에 적합합니다.