SelfDrivingCarSimulator是一個基於Pygame的輕量級Python框架，提供一個2D駕駛環境，用於訓練自主車輛代理，利用強化學習。它支持可客製化的賽道佈局、可配置的感測器模型（如LiDAR和相機模擬）、實時視覺化以及性能數據記錄。開發者可以整合其RL算法，調整物理參數，監控速度、碰撞率和獎勵函數等指標，以快速推進自主駕駛研究與教育項目。

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。

Berkeley Pacman Projects的倉庫提供一個模組化的Python程式碼庫，讓用戶在Pacman迷宮中建立並測試AI代理。它引導學習者進行非知情和知情搜尋（DFS、BFS、A*）、對抗性多智能體搜尋（minimax、alpha-beta剪枝），以及強化學習（Q-learning與特徵擷取）。整合的圖形界面實時視覺化代理行為，內建測試案例與自動評分驗證算法正確性。透過反覆實作算法，使用者能在統一的遊戲框架中累積狀態空間探索、啟發式設計、對抗性推理與獎勵導向學習的實務經驗。

BomberManAI是一個設計用來自主操作經典Bomberman遊戲的AI代理。用Python開發，能與遊戲環境互動，實時感知地圖狀態、可用移動以及敵人位置。核心算法結合A*路徑尋找、廣度優先搜索進行可達性分析，以及啟發式評估函數，用以決定最佳炸彈放置位置和閃避策略。代理能處理動態障礙物、道具與多個敵人，應用於多種地圖佈局。模組化架構允許開發者測試自訂啟發式、強化學習模組或替代式決策策略。適合遊戲AI研究人員、學生或競賽Bot開發者，提供靈活框架來測試與改進自主遊戲代理。

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。

DataEnvGym 提供基於Gym API的多個模組化、自訂的環境，促進資料驅動領域中的強化學習研究。研究人員與工程師可以選擇內建的任務，如資料清理、特徵工程、批次排程與串流分析。此架構支持與流行RL庫的無縫整合、標準化的評比指標與追蹤代理表現的記錄工具。用戶可以擴展或結合環境，以模擬複雜的資料流程，並在實際限制下評估演算法。

IntelligentMASPlatform旨在通過模組化架構收快多智能體系統的開發與部署，架構分為代理層、環境層與服務層。代理使用符合FIPA標準的ACL消息進行通信，實現動態談判與協調。它包括一個多功能環境模擬器，讓開發者建模複雜場景、安排代理任務，並通過內置的儀表板實時可視化代理交互。為支持高階行為，它集成了增強學習模組並支持自定義行為插件。部署工具支持將代理打包為獨立應用或分佈式網絡。此外，平台的API也方便與數據庫、物聯網設備或第三方AI服務集成，非常適合用於科研、工業自動化和智慧城市應用。

此儲存庫利用PyTorch實作多代理增強學習中的新興通信。使用者可配置發送與接收神經網路來進行參照遊戲或合作導航，促使代理建立離散或連續的通信通道。提供訓練、評估與視覺化的腳本，以及用於環境建立、訊息編碼與解碼的工具。研究人員可加入自訂任務、修改網路架構，並分析協議效率，加速新興代理通信的實驗。

Multi-Agent-Seller 提供了一個模組化的環境，用於使用AI代理模擬電子商務談判。它包括預設的買家和賣家代理，具有可自定義的談判策略，例如動態定價、基於時間的讓步和效用為基礎的決策。用戶可以定義自定義協議、訊息格式和市場條件。該框架負責會話管理、報價追蹤和結果日誌，並配備內建的可視化工具以分析代理互動。它可以輕鬆與機器學習庫整合，用於策略開發，支持使用強化學習或規則的代理進行實驗。其擴展性架構允許添加新代理類型、談判規則和可視化插件。Multi-Agent-Seller 非常適合測試多代理算法、研究談判行為，以及在AI與電子商務領域進行概念教學。

NeuralABM是一個開源的Python圖書館，利用PyTorch將神經網絡整合到代理基建模中。用戶可以指定代理架構為神經模塊，定義環境動力學，並使用反向傳播在模擬步驟中訓練代理行為。該框架支持自定義獎勵信號、課程學習和同步或非同步更新，促進新興現象的研究。配備日誌、視覺化和數據集導出的工具，研究人員和開發者可以分析代理性能、除錯模型並優化模擬設計。NeuralABM簡化了將強化學習與ABM結合，應用於社會科學、經濟學、機器人技術及AI驅動的遊戲NPC行為，提供模組化組件以進行環境定制，支持多代理交互，並提供擴展外部資料集或API的接口，用於現實世界模擬。其開放式設計促進可重現性和合作，可通過清楚的實驗配置和版本控制集成達成。

NKC多智能體模型為研究者與開發者提供完整的工具包，用於設計、訓練與評估多智能體強化學習系統。其模組化架構允許用戶定義自訂代理策略、環境動態與獎勵結構。與OpenAI Gym的無縫整合，支持快速原型開發；支援TensorFlow與PyTorch，提供靈活的學習後端選擇。內建資料回放、中心化訓練與分散式訓練工具，並能在多GPU下擴展。豐富的記錄與視覺化模塊捕捉性能指標，助於基準測試與超參數調整。透過簡化合作、競爭及混合動機場景的設置，快速推進自主車輛、機器人群聚與遊戲AI等領域的研究。

Pacman AI 提供一個功能完整的 Python 環境和代理架構，用於經典的吃豆人遊戲。此專案實作關鍵的強化學習演算法——Q-learning 和價值迭代，使代理能學習最佳策略來收集豆子、穿越迷宮及避開鬼怪。用戶可以定義自訂的獎勵函數，並調整學習率、折扣因子與探索策略。此框架支援指標記錄、性能視覺化與可復現的實驗設定。設計於易於擴展，讓研究人員與學生能整合新演算法或神經網路學習方法，並與基線網格方法做比較。

PommerLearn使研究人員和開發者能在Pommerman遊戲環境中訓練多智能體RL機器人。它包含現成的流行演算法（PPO、DQN）實作、彈性的超參數配置文件、自動記錄和訓練指標可視化、模型檢查點和評估腳本。其模組化架構便於擴充新演算法、自訂環境及整合標準ML庫如PyTorch。

Simple Playgrounds提供一個模塊化的平台，用於建立交互式的2D網格環境，代理人在其中可以導航迷宮、與物件互動並完成任務。用戶可以通過簡單的YAML或Python腳本來定義環境佈局、物體行為和獎勵函數。內建的Pygame渲染器提供實時可視化，且基於步驟的API確保與Stable Baselines3等RL庫的無縫集成。支援多代理、多碰撞偵測及可自訂的物理參數，Simple Playgrounds讓原型設計、基準測試與教育演示算法變得更便利。

RL-Agents是一個基於PyTorch建構的研究級強化學習框架，整合了基於價值、策略及演員-評論員方法的流行RL算法。庫中具有模組化代理API、GPU加速、與OpenAI Gym的無縫整合，以及內建的記錄和視覺化工具。用戶可以調整超參數、客製化訓練流程，並用少量程式碼進行性能測試，適合學術研究、原型開發與工業實驗。

RL Collision Avoidance 提供完整的流程，用於開發、訓練和部署多機器人碰撞避免策略。它提供一套與 Gym 相容的模擬情境，在這些情境中代理人透過增強學習算法學習無碰撞的導航。使用者可以自訂環境參數，利用 GPU 加速以加快訓練速度，並導出學習到的策略。該框架還與 ROS 整合，用於實地測試，支援預訓練模型以立即進行評估，以及提供可視化代理人軌跡與性能指標的工具。

簡易自學為開發者提供一個非常簡單的方法來用Python建立和訓練強化學習代理。該框架將核心RL組件（如環境封裝、策略模組和經驗緩衝）封裝為簡潔接口。用戶能快速初始化環境，使用熟悉的PyTorch或TensorFlow後端定義自訂策略，並執行內建有日誌記錄和檢查點的訓練循環。該庫支持on-policy和off-policy演算法，可靈活進行Q學習、策略梯度和演員-評論家方法的試驗。降低樣板碼重複度，使實務者、教師和研究人員能以最少配置快速原型化演算法、測試假設並視覺化代理性能。其模組化設計也便於與現有ML堆疊和自訂環境整合。

SoccerAgent 是一個專門用於開發和訓練自主足球代理的 AI 框架，採用最先进的多代理增強學習（MARL）技術。它在 2D 或 3D 環境中模擬逼真的足球比賽，提供定義獎勵函數、定制玩家屬性和實施戰術策略的工具。用戶可以通過內建模塊整合流行的 RL 算法（如 PPO、DDPG 和 MADDPG），通過儀表板監控訓練進度，以及實時視覺化代理行為。此框架支持基於場景的訓練，涵蓋進攻、防守與協作協議。具有擴展性強的代碼庫和詳細文檔，SoccerAgent 使研究人員和開發者能夠分析團隊動態，並優化基於 AI 的比賽策略，應用於學術和商業項目。

此存儲庫提供一個完整的星際爭霸II遊戲研究增強學習框架。核心代理使用PPO來學習策略網絡，詮釋來自PySC2環境的觀察數據，並輸出精確的遊戲內動作。開發者可以配置神經網絡層、獎勵塑造與訓練計劃，以優化性能。系統支持多處理技術以高效收集樣本，並包含監控訓練曲線的日誌工具與測試已訓練策略的評估腳本（對完成或內建的AI對手）。程式碼以Python撰寫，利用TensorFlow進行模型定義與優化。用戶可以擴展自定義獎勵函數、狀態前處理或網路架構，以符合特定研究需求。

TexasHoldemAgent提供一個基於Python的模組化環境，用於訓練、評估和部署由AI驅動的對戰限制德州撲克角色。它整合了自定義模擬引擎與深度強化學習算法（如DQN），用於反覆策略改進。主要功能包括手牌狀態編碼、行動空間定義（棄牌、跟注、加注）、獎勵塑造和即時決策評估。用戶可自訂學習參數、利用CPU/GPU加速、監控訓練進度，並載入或儲存訓練模型。該框架支援批次模擬，測試策略、產生性能數據及視覺化勝率，幫助研究者、開發者和撲克愛好者實驗AI驅動的遊玩策略。