이 저장소는 택시 콜센터를 시뮬레이션하는 맞춤형 다중 에이전트 프레임워크를 제공합니다. 고객이 승차를 요청하는 CustomerAgent, 근접성을 기반으로 운전자를 선택하는 DispatchAgent, 배정을 확인하고 상태를 업데이트하는 DriverAgent, 결제 및 메시지를 담당하는 NotificationAgent로 구성됩니다. 에이전트는 OpenAI GPT 호출과 메모리를 사용하는 조율 루프를 통해 비동기 대화, 오류 처리, 로깅이 가능하며, 개발자는 에이전트 프롬프트를 확장하거나 조정하며 실시간 시스템과 통합하여 대화형 AI 기반 고객 서비스 및 배차 워크플로우를 빠르게 프로토타입할 수 있습니다.

Team of AI Agents는 모듈식 아키텍처를 통해 다중 에이전트 시스템을 구축하고 배포할 수 있도록 합니다. 각 에이전트는 고유 역할을 수행하며, 글로벌 메모리와 로컬 컨텍스트를 이용해 지식을 유지합니다. 비동기 메시징, 어댑터를 통한 도구 활용, 결과에 따른 동적 재할당을 지원합니다. 사용자들은 YAML 또는 Python 스크립트로 에이전트를 구성해 주제 특화, 목표 계층, 우선순위 처리를 가능하게 합니다. 내장 성능 평가 및 디버깅 지표로 빠른 반복이 가능합니다. 확장 가능한 플러그인 아키텍처로 사용자 정의 NLP 모델, 데이터베이스 또는 외부 API를 통합할 수 있습니다. Team of AI Agents는 전문화된 에이전트들의 집단 지능을 활용하여 복잡한 워크플로우를 가속화하며, 연구, 자동화, 시뮬레이션 환경에 적합합니다.

AgentMesh는 개발자가 특정 작업 또는 도메인에 집중하는 AI 에이전트 네트워크를 생성할 수 있는 모듈식 인프라를 제공합니다. 에이전트는 런타임에 동적으로 검색 및 등록되고, 메시지를 비동기적으로 교환하며, 구성 가능한 라우팅 규칙을 따릅니다. 이 프레임워크는 재시도, 폴백, 오류 복구를 처리하여 데이터 처리, 의사결정 지원 또는 대화용 케이스를 위한 다중 에이전트 파이프라인을 가능하게 합니다. 기존 LLM 및 사용자 정의 모델과 간단한 플러그인 인터페이스를 통해 쉽게 통합할 수 있습니다.

AgentVerse는 재사용 가능한 모듈과 추상화를 제공하여 다중 에이전트 아키텍처 구성을 용이하게 설계했습니다. 사용자는 맞춤 판단 로직이 포함된 고유한 에이전트 클래스를 정의하고, 메시지 전달을 위한 통신 채널을 설정하며 환경 상태를 시뮬레이션할 수 있습니다. 이 플랫폼은 동기식 및 비동기식 상호작용을 지원하며, 협상, 작업 위임, 협력 문제 해결과 같은 복잡한 워크플로우를 가능하게 합니다. 통합된 로깅 및 모니터링 기능으로 에이전트의 동작을 추적하고 성능 지표를 평가할 수 있습니다. AgentVerse는 자율 탐색, 거래 시뮬레이션, 협력 콘텐츠 생성과 같은 일반적인 사용 사례를 위한 템플릿도 포함하고 있습니다. 플러그인 설계로 언어 모델 또는 강화 학습 알고리즘과 같은 외부 기계 학습 모델의 원활한 통합이 가능하며, 다양한 AI 기반 애플리케이션에 유연성을 제공합니다.