Simple Playgrounds는 에이전트가 미로를 탐색하고, 객체와 상호작용하며, 작업을 완료할 수 있는 인터랙티브 2D 격자 환경을 구축하기 위한 모듈형 플랫폼입니다. 사용자는 YAML 또는 Python 스크립트를 통해 환경 레이아웃, 객체 행동, 보상 기능을 정의합니다. 통합된 Pygame 렌더러는 실시간 시각화를 제공하며, 스텝 기반 API는 Stable Baselines3와 같은 RL 라이브러리와의 원활한 통합을 보장합니다. 멀티에이전트 세팅, 충돌 감지, 커스터마이징 가능한 물리 파라미터를 지원하여 프로토타입 제작, 벤치마킹, 교육적 데모를 간소화합니다.

RL-Agents는 PyTorch 기반 연구등급 강화학습 프레임워크로, 가치기반, 정책기반, 액터-비평가 방법의 인기 알고리즘을 모두 포함합니다. 이 라이브러리는 모듈형 에이전트 API, GPU 가속, OpenAI Gym과의 원활한 통합, 내장 로깅 및 시각화 도구를 갖추고 있습니다. 사용자들은 하이퍼파라미터를 설정하고, 훈련 루프를 커스터마이징하며, 적은 코드로 성능 벤치마크를 수행할 수 있어 학술 연구, 프로토타이핑, 산업 실험에 이상적입니다.

RL Collision Avoidance는 다중 로봇 충돌 회피 정책을 개발, 훈련, 배포하기 위한 전체 파이프라인을 제공합니다. 강화 학습 알고리즘을 통해 충돌 없는 탐색을 학습하는 Gym 호환 시뮬레이션 시나리오 세트가 있으며, 환경 파라미터를 사용자 정의하고 GPU 가속을 활용하여 더 빠른 훈련이 가능하며, 학습된 정책을 내보낼 수 있습니다. 또한 ROS와 통합되어 실 환경 테스트가 가능하며, 즉시 평가할 수 있는 사전 학습된 모델도 지원하고, 에이전트의 궤적 및 성능 지표 시각화 도구를 제공합니다.

데드심플 셀프러닝은 Python에서 강화학습 에이전트를 만들고 훈련하는 매우 간단한 접근 방식을 제공합니다. 이 프레임워크는 환경 래퍼, 정책 모듈, 경험 버퍼와 같은 핵심 RL 구성 요소를 간결한 인터페이스로 추상화합니다. 사용자는 환경을 빠르게 초기화하고, 익숙한 PyTorch 또는 TensorFlow 백엔드를 이용해 커스텀 정책을 정의하며, 내장된 로깅과 체크포인트를 갖춘 훈련 루프를 실행할 수 있습니다. 이 라이브러리는 온-폴리시와 오프-폴리시 알고리즘을 지원하며, Q-학습, 정책 그래디언트, 액터-크리틱 방법 등을 유연하게 실험할 수 있습니다. 보일러플레이트 코드를 줄여 데드심플 셀프러닝은 실무자, 교육자, 연구자가 최소한의 구성으로 알고리즘을 프로토타이핑, 가설 검증, 에이전트 성능 시각화를 할 수 있게 돕습니다. 모듈식 설계로 기존 ML 스택과의 통합도 용이합니다.

SoccerAgent는 최신 다중 에이전트 강화 학습(MARL) 기술을 활용하여 자율 축구 에이전트를 개발 및 훈련하기 위한 전문 AI 프레임워크입니다. 2D 또는 3D 환경에서 현실적인 축구 경기를 시뮬레이션하며, 보상 함수 정의, 선수 속성 커스터마이징, 전술 전략 구현이 가능합니다. 사용자들은 PPO, DDPG, MADDPG와 같은 인기 RL 알고리즘을 내장 모듈을 통해 통합할 수 있고, 대시보드에서 훈련 진행 상황을 모니터링하며 실시간으로 에이전트 행동을 시각화할 수 있습니다. 이 프레임워크는 공격, 방어, 조정 프로토콜을 위한 시나리오 기반 훈련도 지원합니다. 확장 가능한 코드베이스와 상세 문서를 통해 SoccerAgent는 연구자와 개발자가 팀 역학을 분석하고 AI 기반의 플레이 전략을 개선할 수 있도록 돕습니다.

이 저장소는 StarCraft II 게임 플레이 연구를 위한 엔드-투-엔드 강화학습 프레임워크를 제공합니다. 핵심 에이전트는 PySC2 환경의 관측 데이터를 해석하여 정밀한 게임 내 행동을 출력하는 정책 네트워크를 학습하기 위해 PPO를 사용합니다. 개발자는 신경망 계층, 보상 설계, 학습 일정을 구성하여 성능을 최적화할 수 있습니다. 이 시스템은 샘플 수집의 효율성을 위한 다중 프로세싱, 학습 곡선을 모니터링하는 로깅 유틸리티, 스크립트 또는 내장 AI 대전용 평가 스크립트를 지원합니다. 코드는 Python으로 작성되었으며 TensorFlow를 활용하여 모델 정의 및 최적화를 수행합니다. 사용자는 사용자 정의 보상 함수, 상태 전처리, 네트워크 아키텍처 등 구성요소를 확장할 수 있습니다.

TexasHoldemAgent는 Python 기반의 모듈형 환경으로, 헤드업 제한 텍사스 홀덤 포커용 AI 플레이어를 훈련, 평가, 배포합니다. 커스텀 시뮬레이션 엔진과 DQN을 포함한 딥 강화 학습 알고리즘을 통합하여 정책을 반복적으로 개선합니다. 주요 기능에는 핸드 상태 인코딩, 액션 공간 정의(폴드, 콜, 레이즈), 보상 설계, 실시간 의사결정 평가가 포함됩니다. 사용자들은 학습 파라미터를 조정하고, CPU/GPU 가속을 활용하며, 훈련 진행 상황을 모니터링하고, 학습된 모델을 로드하거나 저장할 수 있습니다. 이 프레임워크는 배치 시뮬레이션을 지원하여 다양한 전략 테스트, 성능 지표 생성, 승률 시각화를 가능하게 하며, 연구자, 개발자, 포커 열정가들이 AI 기반 게임 전략 실험을 할 수 있도록 돕습니다.

Text-to-Reward는 텍스트 기반 작업 설명 또는 피드백을 RL 에이전트의 스칼라 보상 값으로 매핑하는 보상 모델을 훈련하는 파이프라인을 제공합니다. 트랜스포머 기반 아키텍처와 수집된 인간 선호 데이터로 미세 조정하여 자연어 지시문을 보상 신호로 해석하는 방식을 자동으로 학습합니다. 사용자는 텍스트 프롬프트를 통해 임의의 작업 정의가 가능하며, 모델을 훈련시키고 학습된 보상 함수를 어떤 RL 알고리즘에든 통합할 수 있습니다. 이 방식은 수작업 보상 설계를 제거하고 샘플 효율성을 향상시키며, 에이전트가 복잡한 다단계 지시를 따라가도록 지원합니다.

uAgents는 개발자가 자율적이고 분산된 AI 에이전트를 구축할 수 있는 모듈형 JavaScript 프레임워크로, 이 에이전트들은 피어를 발견하고 메시지를 교환하며 작업에 협력하고 학습을 통해 적응합니다. 에이전트는 libp2p 기반의 가십 프로토콜을 사용하여 통신하며, 온체인 등록소를 통해 능력을 등록하고, 스마트 계약으로 서비스 수준 계약을 협상합니다. 핵심 라이브러리는 에이전트의 수명 이벤트, 메시지 라우팅, 강화 학습 및 시장 기반 작업 할당과 같은 확장 가능한 동작을 처리합니다. 맞춤형 플러그인을 통해 uAgents는 Fetch.ai의 원장, 외부 API, 오라클 네트워크와 통합되어, 에이전트가 실세계 행동을 수행하고 데이터를 수집하며 분산 환경에서 중앙화 없는 의사결정을 할 수 있도록 합니다.

Vanilla Agents는 핵심 강화 학습 에이전트의 모듈형 및 확장 가능한 구현을 제공하는 경량 PyTorch 기반 프레임워크입니다. DQN, Double DQN, PPO, A2C와 같은 알고리즘을 지원하며, OpenAI Gym과 호환 가능한 플러그인 환경 래퍼를 갖추고 있습니다. 사용자는 하이퍼파라미터를 조정하고, 학습 메트릭을 로깅하며, 체크포인트를 저장하고, 학습 곡선을 시각화할 수 있습니다. 코드베이스는 명확하게 구성되어 있어 연구 프로토타이핑, 교육용, 새 아이디어의 벤치마킹에 이상적입니다.

VMAS는 딥 강화 학습을 활용하여 다중 에이전트 시스템을 구축하고 훈련하는 종합 도구 키트입니다. 수백 개의 환경 인스턴스에 대한 GPU 기반 병렬 시뮬레이션을 지원하여 높은 처리량의 데이터 수집과 확장 가능한 훈련을 가능하게 합니다. 인기 있는 MARL 알고리즘인 PPO, MADDPG, QMIX, COMA의 구현과 빠른 프로토타이핑을 위한 모듈형 정책 및 환경 인터페이스를 포함합니다. 프레임워크는 분산 실행을 지원하는 중앙 집중식 훈련(CTDE)을 촉진하며, 사용자 정의 보상 조정, 관측 공간, 로깅 및 시각화를 위한 콜백 훅을 제공합니다. 모듈식 설계 덕분에 VMAS는 PyTorch 모델과 외부 환경과 원활하게 통합되어 협력형, 경쟁형, 혼합 목적의 작업에서 연구에 적합하며, 로보틱스, 교통 제어, 자원 배분, 게임 AI 시나리오에 이상적입니다.

YGO-Agent 프레임워크는 연구원과 열정가들이 강화 학습을 사용하여 Yu-Gi-Oh 카드 게임을 플레이하는 AI 봇을 개발할 수 있도록 합니다. 이 프레임워크는 YGOPRO 게임 시뮬레이터를 OpenAI Gym 호환 환경으로 감싸며, 손패, 필드, 라이프 포인트와 같은 상태 표현과 소환, 주문/함정 활성화, 공격을 포함한 액션 표현을 정의합니다. 보상은 승패 결과, 데미지, 게임 진행 상황에 기반합니다. 에이전트 아키텍처는 PyTorch를 사용하여 DQN을 구현하며, 사용자 커스터마이즈 네트워크 구조, 경험 재생, 이플실론-탐욕 탐색을 선택할 수 있습니다. 로깅 모듈은 훈련 곡선, 승률, 상세 이동 로그를 기록하여 분석에 활용됩니다. 이 프레임워크는 모듈식으로 설계되어 있으며, 보상 함수 또는 액션 공간과 같은 구성요소를 교체하거나 확장할 수 있습니다.

A-Mem은 Python 기반 AI 에이전트 프레임워크와 원활하게 통합하도록 설계되었으며, 세 가지 독립적인 메모리 모듈을 제공합니다: 에피소드별 맥락을 저장하는 에피소드 메모리, 즉각적인 과거 행동을 위한 단기 메모리, 시간에 따라 축적되는 지식을 위한 장기 메모리. 개발자는 용량, 보존 정책, 세션 직렬화 백엔드(인메모리 또는 Redis 등)를 사용자 정의할 수 있습니다. 라이브러리에는 유사성 및 맥락 창에 근거하여 관련 기억을 빠르게 검색하는 효율적인 인덱싱 알고리즘이 포함되어 있습니다. A-Mem의 메모리 핸들러를 에이전트의 인지-행동 루프에 삽입함으로써 사용자는 관측, 행동, 결과를 저장하고 과거 경험을 조회하여 현재 결정을 지원할 수 있습니다. 이러한 모듈식 설계는 강화학습, 대화 AI, 로보틱스 네비게이션 등 맥락 인식과 시간적 추론이 필요한 작업을 빠르게 실험할 수 있도록 합니다.

GYM_XPLANE_ML은 X-Plane 비행 시뮬레이터를 OpenAI Gym 환경으로 래핑하여 스로틀, 엘리베이터, 알러런, 러더 조종을 행동 공간으로 노출시키고, 고도, 속도, 오리엔테이션 등 비행 파라미터를 관측으로 제공함. 사용자는 Python으로 훈련 워크플로를 스크립트 작성 가능하며, 사전 정의된 시나리오를 선택하거나 웨이포인트, 기상 조건, 항공기 모델 등을 맞춤화할 수 있음. 이 라이브러리는 낮은 대기 시간 통신, 동기 모드에서의 에피소드 실행, 성능 측정 기록, 실시간 렌더링을 지원하여 고충실도 비행 환경에서 ML 기반 오토파일럿과 RL 알고리즘의 반복 개발을 가능하게 함.

Acme는 Python 기반 프레임워크로, 강화 학습 에이전트 개발 및 평가를 쉽게 합니다. 미리 제작된 에이전트 구현(예: DQN, PPO, SAC), 환경 래퍼, 재생 버퍼 및 분산 실행 엔진을 포함합니다. 연구자들은 이들을 조합하여 새로운 알고리즘의 프로토타입을 만들고, 내장 로깅을 통해 학습 메트릭을 모니터링하며, 대규모 실험을 위한 확장 가능한 분산 파이프라인을 활용할 수 있습니다. Acme는 TensorFlow와 JAX와 통합되고, OpenAI Gym 인터페이스를 통한 맞춤형 환경 지원, 체크포인트 생성, 평가, 하이퍼파라미터 구성 유틸리티를 포함합니다.

AI 기반 에이전트 기계 번역은 연구 및 개발을 위한 오픈소스 프레임워크로, 세 가지 핵심 에이전트(생성, 평가, 개선)가 협력하여 번역물을 만들고 평가하며 개선하는 시스템입니다. PyTorch와 트랜스포머 모델 위에서 작동하며, 감독 사전 학습, 강화 학습 최적화, 구성 가능한 에이전트 정책을 지원합니다. 표준 데이터셋으로 벤치마킹하고, BLEU 점수를 추적하며, 맞춤형 에이전트 또는 보상 함수를 통해 에이전트 간 협력을 탐구할 수 있습니다.

AI Hedge Fund 5zu는 다중 자산 클래스 시뮬레이션, 강화 학습 기반 에이전트 모듈, 백테스팅 도구, 실시간 시장 데이터 통합, 위험 관리 도구를 포함하는 완전한 파이프라인을 제공합니다. 사용자는 데이터 소스를 구성하고, 보상 함수를 정의하며, 과거 데이터를 통해 에이전트를 훈련시키고, 핵심 금융 지표로 성과를 평가할 수 있습니다. 이 프레임워크는 모듈식 전략 개발을 지원하며, 실시간 브로커 API로 확장하여 프로덕션 수준의 거래 봇을 배포할 수 있습니다.

가위 바위 보를 위한 AI 에이전트는 랜덤 플레이, 규칙 기반 패턴 인식, 강화를 포함한 다양한 전략을 구축, 훈련, 평가하는 오픈소스 Python 프로젝트입니다. 모듈식 에이전트 클래스, 설정 가능한 게임 실행기, 성능 로깅 및 시각화 유틸리티를 제공합니다. 사용자는 에이전트를 쉽게 교체하고, 학습 파라미터를 조정하며, 경쟁 시나리오에서 AI 행동을 탐색할 수 있습니다.

Ant_racer는 다중 에이전트 강화 학습 연구를 위해 게임 환경을 제공하는 가상 다중 에이전트 추적-도주 플랫폼입니다. OpenAI Gym과 Mujoco를 기반으로 하며, 추적 및 도주 작업에서 여러 자율 에이전트 간의 상호작용을 시뮬레이션할 수 있습니다. 이 플랫폼은 물리적으로 현실적인 환경에서 DDPG와 같은 강화 학습 알고리즘 구현 및 테스트를 지원합니다. 동적 시나리오에서 AI 다중 에이전트 행동에 관심 있는 연구자 및 개발자에게 유용합니다.

Beer Game 환경은 4단계(소매점, 도매상, 유통업체, 제조사) 맥주 공급망을 이산 시간으로 시뮬레이션하며, OpenAI Gym 인터페이스를 제공합니다. 에이전트는 재고, 파이프라인 재고, 수신 주문에 대한 관측값을 받고, 주문 수량을 출력합니다. 환경은 매 단계의 재고 보유 및 백오더 비용을 계산하며, 사용자 요구에 따른 분포와 리드타임을 지원합니다. Stable Baselines3와 같은 인기 RL 라이브러리와 원활하게 통합되어 연구자와 교육자가 공급망 최적화 작업에서 알고리즘을 벤치마크하거나 훈련할 수 있습니다.