MultiAgentPacman提供一個基於Python的遊戲環境，使用戶能夠在Pacman領域中實現、可視化和基準多個AI代理。它支持對抗搜索算法，如Minimax、Expectimax、α-β剪枝，以及用於強化學習或啟發式的方法的自定義代理。該框架包含簡潔的GUI、命令行控制和用於記錄比賽統計及比較性能的工具，支持競爭或合作場景。

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。

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。

Pentago Swap AI代理透過利用蒙特卡洛樹搜尋（MCTS）演算法來探索與評估潛在的遊戲狀態，為Pentago Swap遊戲打造一個智能對手。在每個回合，代理模擬大量的擴展，並對結果棋盤位置進行評分，以識別最大化勝率的走法。它支援自訂搜尋參數（如模擬次數、探索常數和擴展策略），使使用者能微調性能。該代理配備命令列界面，用於對戰、自我對弈以產生訓練資料，並提供Python API方便整合到較大型的遊戲環境或比賽中。採用模組化設計，方便加入其他啟發式或神經網路評估器，以進行高階研究與開發。