Patrolling-Zoo提供一個彈性的框架，讓用戶能在Python中建立與實驗多智慧體巡邏任務。庫內包含多種基於格子與圖形的模擬環境，模擬監控、巡查與覆蓋場景。用戶可自行設定智慧體數量、地圖大小、拓撲結構、獎勵和觀測空間。藉由與PettingZoo與Gym API的相容性，支援與流行強化學習演算法的順暢整合。此環境便於在一致設定下進行基準測試與技術比較。通過提供標準場景與自訂工具，促進自主機器人、安保監控、搜尋救援及多智慧體協調策略的研究與應用。

A2A（Agent-to-Agent Architecture）是由谷歌開源的框架，可開發和操作協同工作的分散式 AI 智能體。它提供模組化元件，以定義智能體角色、通訊通道和共用記憶體。開發者可以整合多種 LLM 提供者，客製化智能體行為，並編排多步驟的工作流程。A2A 包含內建的監控、錯誤管理和回放功能，以追蹤智能體互動。透過標準化的協定進行智能體發現、訊息傳遞和任務分配，A2A 簡化複雜的協調模式，在不同環境中擴展智能體應用時提升可靠性。

AI-Agents 提供模組化架構，用於定義與運行基於Python的AI代理。開發者可以配置代理行為、整合外部API或工具，以及管理跨會話的代理記憶。它利用流行的大型語言模型（LLMs）、支援多代理合作，並允許透過插件擴展複雜工作流程，如資料分析、自動化支援與個人助理。

Agents with ADK是一個開源的Python框架，旨在簡化由大型語言模型驅動的智能代理建立。它包含模組化的代理範本、內建記憶管理、工具執行介面，以及多代理協調功能。開發者能快速插入自定義功能或外部API，配置規劃與推理流程，並監控代理互動。該框架支援與流行的LLM供應商整合，並提供日誌、重試邏輯，以及用於生產部署的擴展性。

CArtAgO（Common ARTifact Infrastructure for AGents Open environments）是一個輕量、可擴展的框架，用於在多智能體系統中實作環境基礎架構。它引入工件的概念：代表具有定義操作、可觀察屬性和事件界面的環境資源的一等公民實體。開發者在Java中定義工件類型，將它們註冊到環境類別中，並公開操作與事件供代理使用。代理透過標準動作（如createArtifact、observe）與工件互動，接收非同步的狀態變更通知，並通過共享資源協作。CArtAgO能輕鬆與Jason、JaCaMo、JADE和Spring Agent等平台整合，支援混合系統開發。該框架提供內建的工件文件、動態載入和運行時監控支援，加快複雜代理應用的快速原型設計。

合作搜尋環境提供一個彈性的、與gym相容的多智能體強化學習環境，適用於離散格子與連續空間中的合作搜尋任務。智能體在部分可觀測的條件下運作，並可根據自訂的通信拓撲分享資訊。框架支持預定義的場景，如搜尋與救援、動態目標追蹤及協作繪圖，並提供API以定義自訂的環境與獎勵結構，與Stabloes Baselines3和Ray RLlib等流行RL庫無縫整合，包含記錄性能的工具及即時可視化功能。研究人員可調整格子大小、智能體數量、感測器範圍及獎勵分享機制，有效評估協作策略與基準新演算法。

Halite II 是一個開源挑戰框架，舉辦用戶撰寫的機器人之間的回合制策略比賽。每回合，代理接收地圖狀態，發出移動及攻擊命令，並競爭控制最多的領土。平台包括遊戲伺服器、地圖解析器與視覺化工具。開發者可以在本地測試、改進啟發式演算法、優化性能，並提交到線上排行榜。系統支持反覆改良機器人、多智能體合作與標準化環境中的策略研究。

OpenAI Agents MCP Server提供一個穩固的基礎，用於部署及管理由OpenAI模型驅動的自主代理。它公開彈性RESTful API來建立、配置和控制代理，讓開發者能編排多步驟任務、協調代理之間的互動，並維持跨會話的持久記憶。框架支持插件式工具整合、進階對話記錄及可定制的規劃策略。透過抽象化基礎建設問題，MCP Server簡化開發流程，促進快速原型製作和在生產環境中的擴展部署，適用於對話助手、流程自動化和AI驅動的數位工作者。

牧羊是一個開源的模擬框架，設計用於強化學習研究人員與開發者來研究和實現多代理牧羊任務。它提供一個兼容Gym的環境，代理可以在連續或離散空間中執行側翼、收集與分散目標群的行為。該框架包括模組化的獎勵塑造函數、環境參數設定與訓練性能監控工具。用戶可定義障礙物、動態代理族群和自訂策略，利用TensorFlow或PyTorch。視覺化腳本生成軌跡圖與影片紀錄。牧羊的模組設計允許與現有RL庫完美整合，實現可重現的實驗、創新協作策略的基準測試，以及快速原型設計AI驅動的牧羊解決方案。

CommNet是一個面向研究的庫，實現了CommNet架構，允許多個智能體在每個時間步共享隱藏狀態，並學習在合作環境中協調行動。它包括PyTorch模型定義、訓練和評估腳本、OpenAI Gym的環境包裝器，以及用於定制通信通道、智能體數量和網絡深度的工具。研究人員和開發人員可以利用CommNet在導航、追蹤–逃避和資源收集任務中原型設計並基準測試智能體之間的通信策略。

ePH-MAPF提供一個高效的流程，用於計算數十到數百代理人在格子地圖上的無碰撞路徑。它採用優先啟發式、增量搜尋技術與可自訂的成本度量（曼哈頓距離、歐幾里得距離），在速度與解決方案品質之間取得平衡。使用者可以選擇不同的啟發式函數，將函數整合到Python機器人系統中，並在標準MAPF場景中進行效能基準測試。程式碼模組化且有良好文件，方便研究人員和開發者擴展適用於動態障礙或特殊環境。

MAGAIL實現了一個多代理擴展的生成對抗模仿學習，使多組代理能從專家示範中學習協調行為。基於Python並支援PyTorch（或TensorFlow變體），MAGAIL由策略（生成器）和判別器模組組成，透過對抗迴圈聯合訓練。代理在如OpenAI多代理粒子環境或PettingZoo等環境中產生軌跡，判別器用來評估軌跡的真實性與專家數據的對應性。透過反覆更新，政策網路逐步收斂到類似專家的策略，且無需明確的獎勵函數。MAGAIL的模組化設計允許自訂網路架構、專家資料輸入、環境整合與訓練超參數。此外，內建的日誌記錄與TensorBoard可視化便於監控和分析多代理學習的進展與性能基準。