llm-ReAct 實現了大型語言模型的 ReAct（推理與行動）架構，實現了思考鏈推理與外部工具執行和記憶存儲的無縫集成。開發者可以配置自定義工具集，如網路搜索、資料庫查詢、文件操作和計算器，並指示代理計劃多步任務，根據需要調用工具以獲取或處理信息。內建的記憶模組保存對話狀態和過去的行動，支持更具上下文感知的代理行為。使用模塊化的 Python 代碼和 OpenAI API 支持，llm-ReAct 簡化了智能代理的實驗和部署，可適應性解決問題、自動化流程並提供富有上下文的回應。

Wumpus LLM代理旨在簡化高階蘇格拉底式AI代理的開發，通過提供預設的協調工具、結構化的提示範本和無縫的工具整合。用戶定義代理角色、工具集和對話流程，並利用內建的鏈式思考管理來提供透明的推理過程。框架負責上下文切換、錯誤恢復與記憶儲存，支持多步決策過程。它還包含一個API、資料庫和自定義函數的插件介面，讓代理能瀏覽網頁、查詢知識庫或執行程式碼。藉由完整的日誌記錄與除錯工具，開發者可以追蹤每個推理步驟、微調代理行為，並支援Python 3.7+的任何平台部署。

AgentX提供一個可擴展的架構，用於構建利用大型語言模型、工具和API集成以及記憶模塊的AI驅動代理，能夠自主執行複雜任務。它具有插件系統，支持自定義工具、基於向量的檢索、思維鏈推理和詳細執行日誌。用戶可通過靈活的配置文件或代碼來定義代理，指定工具、記憶後端如Chroma DB以及推理管道。AgentX管理多會話中的上下文，支持檢索增強生成，並促進多輪對話。其模塊化組件允許開發者協調工作流程、定制代理行為，並與外部服務集成，用於自動化、研究協助、客戶支持和數據分析。

LLM Maze Agent框架提供了一個基於Python的環境，用於構建能夠利用大型語言模型導航網格迷宮的智能代理。通過結合模塊化環境介面、思路鏈提示模板和啟發式規劃，代理迭代詢問LLM以決定移動方向，適應障礙物並更新其內部狀態表示。支持OpenAI和Hugging Face模型的開箱即用，並可配置迷宮生成和逐步調試，方便實驗不同策略。研究人員可以調整獎勵函數、定義自定義觀測空間，並視覺化代理路徑來分析推理過程。這種設計使得LLM Maze Agent成為評估LLM驅動規劃、教授AI概念和基準測試空間推理任務的多功能工具。

micro-agent提供了一套極簡但強大的抽象，用於創建自主的AI代理。它採用TypeScript編寫，在瀏覽器和Node.js環境中都能無縫運行，讓你能定義具有自訂提示範本、決策邏輯和擴展工具整合的代理。這些代理可以利用思考鏈推理，與外部API互動，並維持對話或任務特定的記憶。該庫還包含處理API回應、錯誤管理和會話持久化的工具。使用micro-agent，開發者可以原型設計並部署各種任務的代理，例如自動化工作流程、構建對話界面或協調數據處理管線，無需依賴較大的框架。其模塊化設計和清晰的API介面使其易於擴展和整合到現有應用中。