지난 배틀 · 2024-07-19 UTC
AI Agent Development Frameworks 대결 — 2024년 7월 19일
AI Agent Development Frameworks 카테고리에서. 7개의 참가자에 걸쳐 22 표시가 배치되었습니다. kagent이(가) 왕좌를 차지했습니다.
최종 순위
출전 라인업
참가자들
이 배틀에 참가한 모든 도구의 프로필, 최종 점수순으로 순위가 매겨졌습니다.
kagent는 AI 에이전트가 쿠버나티스를 위한 자동화 작업을 수행할 수 있도록 지원합니다. 이 도구를 사용하면 에이전트를 쿠버나티스 툴로 익숙한 방식으로 배포, 모니터링, 규제할 수 있습니다. kagent는 쿠버네티스(Kubernetes)에서 에이전트(agent)를 최상위 워크로드로 다루게 해 줍니다. 이는 에이전트들을 쿠버네티스 커스텀 리소스 정의(Custom Resource Definitions, CRD)로 버전 관리하고, Git의.pull request에 검토할 수 있어 쿠버네티스 도구를 활용할 수 있게 해 줍니다. 이 프레임워크는 오픈 소스이며 Istio의 창립자들에 의해 개발되었다. Go와 Python과 같은 다양한 언어 및 프레임워크 조합을 지원하고, 대형 언어 모델(LLM) 제공업체를 사용할 수 있도록 한다. kagent는 robust한 security 및 observability 기능을 제공하며, OpenTelemetry tracing, Prometheus metrics 및 구조화된 로그 포함합니다. 또한 multi-runtime 지원, agent-to-agent communication 및 git 저장소에서 지식을 로드하는 기능을 지원합니다. 전반적으로 kagent는 쿠버네티스 운영을 автом화하기 위한 강력하고 유연한 프레임워크를 AI 에이전트와 함께 제공합니다.
평가 기준 분해
- 에이전트 서브스트्रक처(Agent Substrate)로 빠른 시작과 유용한 자원 사용
- MTLS 및 미세한 RBAC로 지뢰찾기(Zero-trust) 가능
- 장기 기억을 위한 퍼스트 벡터 기반 메모리( Persistent vector-backed memory)
- 인간 개입(_human-in-the-loop) 도구 승인 게이트와 에이전트가 시작하는 질문
- 에이전트 간(이해) 위약(A2A) 위약을 이용한 다중 에이전트 워크플로 composing
비비 캐트 AGI는 복잡한 작업을 처리할 수 있는 자가진영 인공지능 에이전트로 설계된 비비 AGI의 간소화된 버전입니다. 이는 고차원 목표를 분할하고 일련의 절차를 통해 수행하여 중간 결과에 대한 적응성으로 계획을 조정하므로, 연구, 콘텐츠 생성, 및 다단계 문제 해결에 적합합니다. 이 프레임워크는 코드가 최소화되고 읽기 쉬울 수 있도록 프로그래머를 위해 설계되었습니다. 이를 통해 더 큰 구동 라이브러리와 비교하여 에이전트 지능에 대해 실험하고 싶은 프로그래머들이 쉽게 접근할 수 있습니다. 프레임워크는 AI 모델과 웹 검색 도구를 통해 컨텍스트를 수집하고 문제를 통해 주장하며 구조화된 출력을 생성하는 데 통합됩니다. BabyCatAGI는 개방형 실험 프로젝트로서, 에이전트 워크 플로우의 프로토타이핑, 태스크 기반 자율 시스템의 동작 방법 학습, 그리고 특정 자동화 요구에 맞게 파이프 라인의 커스터 마이징을 위한 최적의 도구입니다.
평가 기준 분해
- 태스크 목록 생성 및 우선순위 지정
- 자율적 하위 태스크 실행
- 웹 검색 통합을 통한 컨텍스트
- 순차적推論 워크플로
- 경량 파이썬 구현
- 사용자 정의 가능한 목표 및 프롬프트
mcp-use은 공개 소스 플랫폼입니다. 이 플랫폼은 Large Language Models(LLMs)과 MCP 서버를 연결하는 것을 편안하게 하며, 사용자가 이러한 LLMs와 상호 작용할 수 있는 맞춤형 AI 에이전트를 개발할 수 있도록 합니다. 이 플랫폼은 ChatGPT 앱, Claude 연결자 및 MCP 서버를 만들기 위한 풀 스택 MCP 프레임워크(mcp-use SDK)를 제공합니다. mcp-use를 이용하면 개발자들은 이미 사용자의 위치와 에이전트가 존재하는 다양한 표면에서 적용 프로그램을 배포할 수 있는 하나의 코드베이스를 사용할 수 있습니다. 이러한 표면에는 ChatGPT, Claude, Gemini가 포함됩니다. 이 플랫폼은 MCP 애플리케이션을 하나의 명렁어로 scaffold하는 기능, Manufact Cloud로 자동 배포, 그리고 내장 분석 및 관찰성 기능과 같은 다양한 도구와 특징을 제공합니다. 개발자들은 MCP-Serve를 생성하기 위해 MCP-UseSDK를 사용할 수 있습니다. 이 플랫폼은 또한 Visual Inspector 및 Sandbox 테스트 기능을 제공하여 개발자가 온라인 LLM없이 애플리케이션을 테스트할 수 있도록 도와줍니다. mcp-use는 MCP 기반 애플리케이션의 개발 및 배포를 간소화하며, 사용자 정의 AI 에이전트 및 애플리케이션을 구축 및 배포하려는 개발자들을 위한 유망한 옵션입니다.
평가 기준 분해
- MCP 서버 관리
- LLM 연결 및 통합
- 사용자 지정 AI 에이전트 개발
- 자동 배포 및 확장성
- 비주얼 인스펙터와 샌드박스 테스트
- 내장 분석 및 observability
"Claude MCP 에이전트는 Anthropic의 모델 상호 운용성 프로토콜(m) (MCP)으로 외부 데이터 소스, API 및 개발자도구와 연결하는 AI 에이전트입니다. 모델 상호 운용성 프로토콜(MCP)으로 외부 시스템과 콘텍스트 흐름을 STANDARD화 함으로써 이러한 에이전트는 파일을 읽을 수 있게 되고, 데이터베이스에 대한 쿼리를 실행해 볼 수 있게 됩니다. 이 에이전트는 서비스를 호출할 수 있고, 실시간 정보에 반응할 수 있습니다. 또한 각 소스에 대한 커스터마이즈된 통합의 필요 없이, 이러한 에이전트는 데이터 소스 간의 콘텍스트 흐름을 관리할 수 있습니다." 개발자 및 팀은 automate, research assistants 및 workflow agents를 구축하려는 경우 enterprise 또는 personal 데이터에 신뢰할 수 있는 접근이 필요합니다. MCP의 open specification은 새 tool과 connector가 출현함에 따라 lock-in 및 integration overhead를 줄일 수 있게 해서 identical한 agent가 new tool에 plug-in할 수 있기에, 같은 방안임을 의미합니다.
평가 기준 분해
- Model Context Protocol 통합
- 파일, API, 데이터베이스와 연동
- MCP 서버를 통해 확장 가능
- 의사결정 workflow를 지원하는 에이전트
- Claude 모델 패밀리와 호환
- 다자간 상호운용을 위한 Open 표준
_gemma 3_은 가볍고 cutting edge의 open 모델들의 집합으로 이는 단일-GPU 성능에최적화되어 장치에서 실행되도록 설계되어져 있다. 이는 다중 모드 입력 및 140여개의 언어를 지원한다. 모델은 여러 크기 (1B, 4B, 12B, 및 27B)으로 제공되어 개발자가 가전제품 및 성능 요청에 최적화된 모델을 선택 할 수 있다. _gemma 3_ 또한 고급 텍스트 및 시각적 사고능력, 128k-토큰 컨텍스트 window, 및 함수 호출 capability를 제공한다. 이는 복잡한 작업에 필요한 빠른 성능 및 연산 요구를 줄여주는 최적화 모델이다. 모델은 Google이 유용하고 유용한 AI 기술에 대한 접근성을 높이기위한 노력의 일환으로 설계되었으며 Gemini 2.0 모델에 사용된 동일한 기술과 연구를 기반으로 한다. 이는 장치 (핸드폰, 데스크톱, 워크스테이션 등)에서 직접 실행되는 AI 애플리케이션을 개발하는데에 개발자가 지원을 받는 것을 목표로 한다. Gemma 3는 규모에 대한 최고 수준의 성능을 제공하여 초기 인간 선호도 평가에서 Llama3-405B, DeepSeek-V3, o3-mini와 같은 다른 모델을 초월합니다. 이 모델은 기본 제공 언어가 35개 이상인 전 세계 응용 프로그램을 허용하고 기본 TRAINED 지원 언어가 140개 이상인 LLL(Large Language Model), SaaS(Software as a Service) 모델입니다. 이 모델은 함수 호출과 구조화된 출력을 사용하여 AI에 의해 구동되는 워크플로우의 생성을 허용합니다. Gemma 3의 개발 프로세스에는 엄격한 안전 프로토콜이 포함되어 있었다. 데이터 게이트KEEPING에 대한 광범위한 정책, 안전 정책에 대한 맞춤 튜닝 및 탄탄한 벤치마크 평가와 같은 요소들에 대한 동의이 있었다. Gemma 3 가족 내의 오픈 모델은 100만 이상의 다운로드와 함께 활발한 커뮤니티를 보유하고 있습니다. 이 커뮤니티는 Gemma variant의 60,000 종을 성공적으로 생성해 냈습니다. Gemma 3의 기능은 개발자를 위해 개발되었습니다. 사용자 경험을 구상하기 위한 장치를 1개의 GPU또는 TPU 호스트로 사용하는 개발자에게 적합합니다.
평가 기준 분해
- 멀티모달 AI 지원
- 책임을 기준으로 개발
- 적극적인 Fine-tuning
- 140개 이상의 언어 지원
- 최적화된 성능
Agency Swarm은 OpenAI Agents SDK와 Responses API를 기반으로 开發된 오픈 소스 프레임워크입니다. Agency Swarm은 다중 에이전트 응용 프로그램을 생성하는 데 구조화된 및 생산 준비된 환경을 제공합니다. 주요 특징은 사용자 지정 에이전트 역할을 포함하고 다중 모델 백엔드를 지원합니다. 예를 들어 OpenAI의 GPT-Family 모델, Anthropic, Google의 Gemini, Azure의 OpenRouter, 사용자 지정 LiteLLM 도구, @function_tool装飾자(권장) 또는 BaseTool Object 확장을 통해 활성화 할 수 있습니다. Agency Swarm의 아키텍처의 주요 이점은 Python 및 Linux 환경에서 안정성을 제공합니다. 설치는 표준 pip 명령어 pip install agency-swarm를 사용해 간단히 처리 할 수 있습니다. Agency Swarm은 오픈 소스이며 오픈AI 에이전트 SDK와 반응 API를 основе로 하며 개발된 도구로 설명합니다. Agency Swarm은 오픈소스 AI 툴킷으로, 개발자가 실세계의 AI 개발에 맞는 다기능 에이전트 애플리케이션을 만들-help하기 위해 설계되었습니다. Key Feature: - 자동화된 CLI 도구 생성: 애플리케이션의 REST API를 쉽게 이용하기 위해 애플리케이션의 핵심 서비스에 접근할 수 있습니다. 이로써 생산성 향상을 기대할 수 있습니다. - 사용자 지정 에이전트 역할: 각 에이전트 역할에 대해 특정 기능과 승인 레벨을 쉽게 결정할 수 있습니다. 이를 통해 애플리케이션에서 더 높은 수준의 사용자 지정이 가능합니다. - 풀 스택 구현: Agency Swarm은 Python만 지원합니다. Linux 사용자의 경우, Python 표준 라이브러이에 의한 제약 없이 풀 스택 구현을 생각해 보세요. "AGENCY SWARM의 주요 특장점은 아래와 같습니다. 1. Python/Linux 환경에서 안정성을 제공 2. 쉬운 애플리케이션 통합 3. 사용이 쉬운 CLI 도구 및 의존성이 낮은 구성성 4. 사용자 정의 에이전트 역할 Agency Swarm의 단점은 다음과 같습니다. 1. 언어 모델의 호환성 제한 (Personal 채팅봇: GPT-3 등) 없음 2. 개발 환경 요구 사항 없음 3. 모델 백 엔드 지원 제한 없음 4. 기본적 사용자 Interface 없음 5. 학습 기능 없음 6. 특징 통합 없음 7. 문서화 프로세스 없음 8. 머신 러닝 AI能力 없음 9. 상급 대화 흐름 관리 없음 10. 다중 계층 애플리케이션 없음 11. 동시적인 구동 없음 12. 애플리케이션 상태에 대한 접근 권한 없음 13. 자동 배포 없음 14. 상급 태스크 구동 없음 15.Custom 에이전트 타입 없음 16. LLM (Large Language Model) 지원 없음 17. 파이썬에서 작동 있음 18. 풀 컨트롤 없음 19. 성능 측정 없음 20. 로컬 워크스페이스 제공 없음 21. OpenALink와 완벽한 통합: 파이썬 앱 개발 프레임워크 22. 프로젝트에서 AI 에이전트와 협력 23. 해석 가능성 24. 모니터링 없음 25. 풀 소스 코드 통합 없음 26. 확장성 없음 27. 낮은 성능 없음 단점: Agency Swarm은 모든 기대에 부응하는 것은 아니어서 단기적으로 비즈니스와 팀의 생산성을 향상시키는 데만 초점이 있습니다. 또한 완벽한 성능을 제공하기 위해 Agency Swarm이 요구하는 높은 자원 투자는 때로는 비용이 많이 들 수 있습니다.
평가 기준 분해
- 커스텀화 가능한 에이전트 역할
- 전용적인 프로ンプ트/명령어 통제
- Development을 위한 종합적인 구문 체크 도구
- 조율된 에이전트간 의사소통
- 가치있는 상태 영속성
- 멀티 에이전트 조율
미로(Mosaic) AI 에이전트 프레임워크는 AI 에이전트를 만들기, 배포하기, 그리고 통치를하기 위해 Databricks가 제공하는 도구들의 세트입니다. 이 에이전트들은 Model Context Protocol (MCP)이라는 단일한 통제된 프로토콜을 통해 어떤 도구나 데이터베이스나 SaaS 응용 프로그램으로 연결될 수 있습니다. 프레임워크에는 서버리스 컴퓨팅을 사용하여 Databricks Apps으로 배포하기 전 Integrated AI 개발, 실험 및 서버리스 인프라 관리가 포함됩니다. 에이전트 브릭과 유니티 카탈로그는 통치를 및 보안에 중요합니다. 그들은 모델, 도구 및 연결에 대한 전제 정책을 적용하고 속도 제한, 대체, 기타 safeguard를 적용하므로 지시 문 연입 방지, 민감한 데이터 발견 및 콘텐츠 필터링을 위하여 필요한 요구 됩니다.
평가 기준 분해
- Agent Bricks
- 유니티 카탈로그
- 데이터브릭스 앱
- 모델 컨텍스트 프로토콜(MCP)
- 중앙통합 통제
- 사용자별 통제권