啤酒遊戲環境提供一個四階段啤酒供應鏈——零售商、批發商、經銷商與製造商的離散時間模擬，並曝光OpenAI Gym介面。代理會收到包括現有庫存、管線庫存和進貨訂單的觀察資訊，然後輸出訂貨量。該環境計算每步的庫存持有和缺貨成本，並支持可定制的需求分布和領先時間。它可與熱門RL庫如Stable Baselines3無縫集成，方便研究人員和教育者在供應鏈優化任務中進行基準測試和訓練。

Coval幫助公司從幾個測試案例模擬成千上萬的情境，讓他們能夠全面測試其語音和聊天代理。Coval由自動測試的專家建造，提供自定義語音模擬、內建評估的指標和性能跟蹤等功能。它旨在幫助希望更快部署可靠AI代理的開發者和企業。

Dino Reinforcement Learning提供一整套工具，用於訓練AI代理通過強化學習遊玩Chrome恐龍遊戲。通過與Selenium的無頭Chrome實例集成，它捕捉實時遊戲畫面並將其處理為優化深度Q網路輸入的狀態表示。該框架包括重播記憶體、epsilon-greedy探索、卷積神經網路模型以及可定制超參數的訓練循環。用戶可以通過控制台日誌監控訓練進展，並保存檢查點以供後續評估。訓練完成後，代理可以自動自主應用或與不同模型架構進行基準測試。模組化設計使得更換RL算法變得簡單，是一個彈性良好的實驗平台。

HMAS是一個開源的Python框架，允許開發階層式多智能體系統。它提供抽象功能，用於定義智能體層級、智能體間通信協議、環境整合和內建訓練循環。研究人員和開發者可以使用HMAS對複雜的智能體互動進行原型設計、訓練協作策略，以及在模擬環境中評估性能。其模組化設計使擴展和定制智能體、環境及訓練策略變得簡單。

MAPF_G2RL 是一個開源研究框架，將圖論與深度強化學習結合起來，以解決多智能體路徑搜尋問題（MAPF）。它將節點和邊編碼為向量表示，定義空間和碰撞感知的獎勵函數，支援 DQN、PPO、A2C 等多種 RL 算法。框架通過生成隨機圖或導入現實世界地圖來自動創建場景，並管理訓練循環以同時優化多個代理的策略。訓練後，代理在模擬環境中進行評估，以測量路徑最優化、完成時間和成功率。其模組化設計使研究人員能擴展核心元件、整合新技術，並與傳統解算器做基準測試。

Foundry AI平台提供決定性的網絡模擬和註釋框架，使用戶能夠收集高質量標籤、有效地基準測試瀏覽器代理並調試性能問題。它確保可重現的測試和可擴展的評估，而不會面臨網絡漂移、IP禁令和速率限制的挑戰。該平台由行業專家構建，可在受控環境中增強代理評估、持續改進和性能調試。

Open Agent Leaderboard 提供完整的開源 AI 代理人評估流程，包括涵蓋推理、規劃、問答和工具使用的策劃任務集、自動化運行代理的隔離環境、以及收集成功率、運行時間和資源消耗等性能指標的腳本。結果匯總後在基於網頁的排行榜上展示，並具備過濾、圖表及歷史比較功能。此框架支持 Docker 以確保重現性，提供流行代理架構的整合模板，以及擴展性配置以方便新增任務或指標。