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。

VMAS是一個構建與訓練多智能體系統的綜合工具包，利用深度強化學習。它支持GPU並行模擬上百個環境實例，實現高通量數據收集與可擴展訓練。VMAS包含流行的MARL算法實現，例如PPO、MADDPG、QMIX和COMA，並具有模塊化的策略和環境接口，便於快速原型設計。該框架促進集中訓練與去中心化執行(CDTE)，提供可自定義的獎勵塑造、觀測空間和回調鉤子，用於記錄和可視化。其模塊化設計使VMAS能與PyTorch模型及外部環境無縫整合，非常適合在機器人、交通控制、資源分配和遊戲AI等多方面進行合作、競爭與混合動機任務的研究。

人工智慧代理機器翻譯是一個開源框架，設計用於機器翻譯的研究與開發。它協調三個核心代理：生成、評估與調整，共同產出、評估並改善翻譯。基於PyTorch與Transformer模型，支援監督預訓練、強化學習優化與可配置代理策略。用戶可以在標準資料集上做基準測試、追蹤BLEU分數，並擴充流程加入自訂代理或獎勵函數，以探索代理間合作在翻譯任務中的應用。

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。

多代理系統提供一套完整工具包，用於創建、控制和觀察自主代理之間的互動。開發者可以定義帶有自定義決策邏輯的代理類別，建立具有可配置資源和規則的複雜環境，以及實現資訊交流通道。此框架支援同步和非同步排程、事件驅動行為，並集成日誌記錄以測量績效指標。用戶可以擴展核心模組或整合外部AI模型來增強代理智能。視覺化工具可即時或事後呈現模擬，幫助分析新興行為並優化系統參數。從學術研究到原型分散式應用，多代理系統簡化了端到端的多代理模擬流程。

Multi-Agent-Blueprint是一套全面的開源代碼，用於建立和協調多個人工智能驅動的代理，合作完成複雜任務。其核心為一個模組化系統，用於定義不同的代理角色—如研究員、分析師和執行者—每個角色配備專用的記憶存儲和提示模板。該框架與大型語言模型、外部知識API及定制工具無縫整合，支持動態任務委派和代理間的反饋循環。內建日誌和監控功能，追蹤代理間的交互與輸出。具有可自定義的工作流程和可更換組件，開發者與研究者能快速原型設計多代理管道，用於內容生成、資料分析、產品研發或自動客戶支持。