GenerativeAgentsCN是斯坦福生成代理框架的開源中文版，用於模擬逼真的數位角色。結合大型語言模型、長期記憶模組、反思程序與規劃邏輯，協調代理感知情境、回想過去互動並自主決定下一步行動。此工具包提供即用的Jupyter筆記本、模組化Python元件與完整中文文件，帶領用戶設置環境、定義代理特性與自訂記憶參數。適用於AI角色行為研究、客戶服務機器人原型或用於代理認知的學術研究。具有彈性的API允許開發者擴充記憶演算法、整合自訂大型語言模型，並即時視覺化交互。

mario-ai專案提供一個完整的流程，用於利用神經進化開發AI代理，以掌握Super Mario Bros.。通過整合基於Python的NEAT實現與OpenAI Gym的SuperMario環境，讓用戶定義自訂的適應度標準、突變率與網絡結構。在訓練過程中，框架會評估世代的神經網絡，選出高績效基因，並提供遊戲實時視覺化與網絡演變。同時，它支援存儲與載入已訓練模型、導出獲勝基因，並生成詳細績效日誌。研究人員、教育者與愛好者可以擴展程式碼到其他遊戲環境、嘗試進化策略，並比較各階段的AI學習進展。

MultiAgentPuzzleSolver提供了一個模塊化的環境，獨立的AI代理可以合作解決滑動拼圖、魔方和邏輯格子等謎題。代理共享狀態信息，協商子任務分配，並應用多種啟發式策略，比單一代理方式更有效地探索解決空間。開發者可以插入新的代理行為，定義或定制通信協議，並添加新的謎題定義。框架包含實時視覺化工具、性能指標收集和實驗腳本，支持Python 3.8以上版本，標準庫，以及流行的機器學習工具包，方便整合進研究項目。

MultiAgentModel提供統一API，用於定義多智能體場景的自訂環境和智能體類。開發者可以指定觀察與行動空間、獎勵結構和通信通道。內建支持流行的RL算法如PPO、DQN和A2C，讓訓練變得簡單配置。實時可視化工具協助監控智能體互動和績效指標。模塊化架構確保易於整合新算法與自訂模組。此外，還包括用於超參數調優的彈性配置系統、實驗追蹤的日誌工具，以及與OpenAI Gym環境的相容性，實現無縫移植。用戶可以在共享環境合作，並重播記錄的會話進行分析。

AgentSimJS旨在簡化JavaScript中大規模基於代理的模型創建與執行。通過模組化架構，開發者可以定義具有自定義狀態、傳感器、決策函數和執行器的代理，然後整合到由全域變數參數化的動態環境中。該框架協調離散時間步長的模擬，管理代理之間的基於事件的消息傳遞，並記錄交互數據供分析。視覺化模組支持使用HTML5 Canvas或外部庫進行即時渲染，插件則可實現與統計工具的整合。AgentSimJS可在現代網頁瀏覽器和Node.js運行，非常適合互動式Web應用、學術研究、教育工具，以及群體智慧、群眾動態或分佈式AI實驗的快速原型設計。