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。

Multi-Agent AI Researcher提供一個模組化、可擴展的框架，使用戶能配置和部署多個AI代理來協作解決複雜的科學問題。它包括基於文獻分析提出研究方向的假設生成代理、模擬並測試假設的實驗模擬代理、處理模擬輸出的數據分析代理，以及將研究發現整合成結構化研究文件的草稿代理。通過插件支持，用戶可以加入自定義模型和數據來源。協調器管理代理間的交互，並記錄每個步驟以追蹤過程。非常適合自動化重複任務，加速研發流程，確保在多個研究領域的可重複性和擴展性。

SimplerLLM為開發者提供最簡化的API，用於組合LLM鏈、定義代理操作以及編排工具調用。內建存儲記憶、提示模板和輸出解析的抽象層，使用戶能快速建立可保持上下文的對話代理。該框架可無縫整合OpenAI、Azure和HuggingFace模型，並支持可插拔的搜尋、計算器與自定義API工具包。其輕量核心減少依賴，促進敏捷開發，並輕鬆在雲端或邊緣部署。不論是建立聊天機器人、QA助手或任務自動化器，SimplerLLM都能簡化端到端的LLM代理流程。