IoA는 여러 AI 에이전트를 통합된 워크플로우 내에서 정의, 조정 및 실행할 수 있는 유연한 아키텍처를 제공합니다. 주요 구성 요소에는 상위 목표를 분해하는 플래너, 특화된 에이전트에 작업을 할당하는 수행기, 그리고 컨텍스트 관리를 위한 메모리 모듈이 포함됩니다. 외부 API 및 툴킷과의 통합, 실시간 모니터링, 그리고 커스터마이징 가능한 기능 플러그인을 지원합니다. 개발자는 기존 모듈을 결합하거나 맞춤 논리로 확장하여 자율 어시스턴트, 고객 지원 챗봇, 데이터 처리 파이프라인을 빠르게 프로토타입할 수 있습니다.

이 저장소는 JADE 프레임워크 기반 에이전트 간 양방향 통신의 실습 데모를 제공합니다. 에이전트 설정, FIPA-ACL 호환 메시지 생성, 비동기 행동 처리 예제를 포함합니다. 개발자는 에이전트 A가 REQUEST를 보내고, 에이전트 B가 요청을 처리하며, INFORM 메시지를 반환하는 과정을 학습할 수 있습니다. 코드는 디렉터리 담당자에 에이전트 등록, 순환형 및 단발성 행동 사용, 메시지 템플릿을 통한 메시지 필터링, 대화 시퀀스 로깅을 보여줍니다. 이는 다중 에이전트 교환 프로토콜 개발, 맞춤형 프로토콜 또는 JADE 에이전트를 더 큰 분산 AI 시스템과 통합하는 데 이상적인 출발점입니다.

AgentCrew는 에이전트 수명주기, 메모리 영속성, 작업 스케줄링, 에이전트 간 통신 등과 같은 공통 기능을 추상화하여 AI 에이전트의 생성과 관리를 간소화하는 데 초점을 맞추고 있습니다. 개발자는 사용자 정의 에이전트 프로필을 정의하고 트리거 및 조건을 지정하며, OpenAI와 Anthropic과 같은 주요 LLM 공급자와 쉽게 통합할 수 있습니다. 프레임워크는 Python SDK, CLI 도구, RESTful 엔드포인트, 직관적인 웹 대시보드를 제공하여 에이전트 성능을 모니터링합니다. 워크플로우 자동화 기능을 통해 에이전트는 병렬 또는 연속 작업이 가능하며, 메시지를 교환하고 상호작용을 기록하여 감사 및 재교육에 활용됩니다. 모듈화 된 아키텍처는 플러그인 확장을 지원하여, 고객 서비스 챗봇에서부터 연구 지원, 데이터 추출 파이프라인 등 다양한 용도에 맞게 플랫폼을 맞춤화할 수 있습니다.

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.

이 리포지토리는 FIPA Contract Net 상호작용 프로토콜의 완전한 Java 구현을 제공합니다. 개발자는 관리 에이전트와 계약 에이전트를 생성하여 CFP, 제안, 수락, 거절 등을 에이전트 통신 채널을 통해 교환할 수 있습니다. 주요 모듈에는 작업 브로드캐스팅, 입찰 수집, 사용자 지정 기준에 따른 제안 평가, 계약 수여, 실행 상태 모니터링이 포함되며, 연구 시뮬레이션, 산업 스케줄링, 로봇 협력 등에 활용할 수 있습니다.

JaCaMo는 Jason 기반 BDI 에이전트, CArtAgO 환경 모델링, Moise 조직 구조 및 역할 지정의 핵심 3가지 구성요소를 통합하여 설계 및 실행을 위한 통합 환경을 제공합니다. 개발자는 에이전트 계획서를 작성하고, 작업이 포함된 아티팩트를 정의하며, 규범적 틀에 따라 그룹을 조직할 수 있습니다. 또한, 이 플랫폼은 MAS 상호작용의 시뮬레이션, 디버깅, 시각화를 위한 도구를 포함하며, 분산 실행, 아티팩트 저장소, 유연한 메시징을 지원하여 스웜 인텔리전스, 협력 로봇공학, 분산 의사결정 분야의 빠른 프로토타입 제작 및 연구를 가능하게 합니다. 모듈화된 설계는 학술 및 산업 프로젝트 전반에 걸친 확장성과 유연성을 보장합니다.

MARL Simulator는 효율적이고 확장 가능한 다중 에이전트 강화 학습(MARL) 알고리즘 개발을 촉진하기 위해 설계되었습니다. PyTorch의 분산 백엔드를 활용하여 사용자가 여러 GPU 또는 노드에서 병렬 학습을 실행할 수 있도록 하여 실험 시간을 크게 줄입니다. 시뮬레이터는 협력 내비게이션, 포식자-피식자, 격자 세계 등과 사용자 정의 환경을 지원하는 모듈형 환경 인터페이스를 제공합니다. 에이전트는 다양한 통신 프로토콜을 활용하여 행동을 조정하고, 관측을 공유하며, 보상을 동기화할 수 있습니다. 구성 가능한 보상 및 관측 공간은 학습 역학에 세밀한 제어를 가능하게 하며, 내장 로깅 및 시각화 도구는 성능 지표에 대한 실시간 통찰력을 제공합니다.

JADE는 Java 기반의 에이전트 프레임워크로, 개발자는 분산 환경에서 여러 자율 소프트웨어 에이전트를 생성, 배포, 관리할 수 있습니다. 각 에이전트는 컨테이너 내에서 실행되며, FIPA 준수 에이전트 통신 언어(ACL)를 통해 통신하고 디렉터리 파실리테이터에 서비스 등록하여 발견할 수 있습니다. 에이전트는 사전 정의된 행동 또는 동적 작업을 수행하며, RMI를 이용해 컨테이너 간 이동할 수 있습니다. JADE는 구조화된 메시지용 온톨로지 정의를 지원하며, 에이전트 상태와 메시지 교환을 모니터링하는 그래픽 도구를 제공합니다. 모듈식 아키텍처는 외부 서비스, 데이터베이스, REST 인터페이스와의 통합을 가능하게 하여 시뮬레이션, IoT 오케스트레이션, 협상 시스템 등 다양한 개발에 적합합니다. 프레임워크의 확장성 및 산업 표준 준수로 복잡한 다중 에이전트 시스템의 구현이 용이합니다.

MultiAgentes는 환경과 에이전트 정의를 위한 모듈식 아키텍처를 제공하며, 동기 및 비동기 멀티 에이전트 상호 작용을 지원합니다. 환경과 에이전트용 기본 클래스, 협력 및 경쟁 작업용 사전 정의된 시나리오, 보상 함수 사용자 지정 도구, 에이전트 간 메시징 및 관찰 공유를 위한 API를 포함합니다. 시각화 유틸리티는 에이전트 행동을 실시간으로 모니터링할 수 있으며, 로깅 모듈은 성능 메트릭을 기록하여 분석합니다. 이 프레임워크는 Gym 호환 강화 학습 라이브러리와 원활하게 통합되어 기존 알고리즘을 사용한 에이전트 훈련이 가능합니다. 확장성을 고려하여 개발자가 새로운 환경 템플릿, 에이전트 유형 및 통신 프로토콜을 추가할 수 있으며, 다양한 연구 및 교육 용도에 적합합니다.

OpenAgentSpec은 AI 에이전트에 대한 포괄적인 JSON 스키마, API 인터페이스, 프로토콜 지침을 정의합니다. 이는 에이전트 등록, 기능 선언, 메시지 형식, 이벤트 핸들링, 메모리 관리, 확장 메커니즘을 포함합니다. 규격을 따르면 조직은 신뢰성 있는 통신이 가능한 에이전트를 생성하여 통합 노력을 줄이고 상호 운용 가능한 AI 구성 요소의 재사용 생태계를 조성할 수 있습니다.