Embedded BDI fournit un moteur complet pour le cycle de vie BDI : il modélise les croyances d'un agent sur son environnement, gère l'évolution des désirs ou objectifs, choisit des intentions dans une bibliothèque de plans, et exécute des comportements en temps réel. Le cadre comprend des modules pour le stockage de la base de croyances, la définition de la bibliothèque de plans, le déclenchement d'événements et le contrôle de la concurrence, spécialement conçu pour les microcontrôleurs à mémoire limitée. Avec une API simple, les développeurs peuvent annoter les croyances, spécifier des désirs et implémenter des plans dans le code. Son ordonnanceur gère l'exécution prioritaire des intentions et s'intègre avec les interfaces matérielles pour capteurs, actionneurs et communication réseau, ce qui le rend idéal pour les appareils IoT autonomes, robots mobiles et contrôleurs industriels.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

MASlite offre une API claire pour créer des classes d'agents, enregistrer des comportements et gérer la messagerie basée sur des événements entre agents. Il inclut un ordonnanceur pour gérer les tâches des agents, une modélisation d'environnement pour simuler les interactions, et un système de plugins pour étendre les fonctionnalités principales. Les développeurs peuvent rapidement prototyper des scénarios multi-agents en Python en définissant des méthodes de cycle de vie des agents, en connectant des agents via des canaux et en exécutant des simulations en mode sans tête ou en intégrant des outils de visualisation.