JADE是一個基於Java的智能體開發框架，簡化了分佈式多智能體系統的創建。它提供符合FIPA標準的基礎設施，包括運行時環境、消息傳輸、目錄促進器和智能體管理。開發者在Java中編寫智能體類，將其部署在容器中，並使用RMA和Sniffer等圖形工具進行調試和監控。JADE支持智能體移動性、行為調度和生命週期操作，使研究、物聯網協調、模擬和企業自動化的可擴展、模組化設計成為可能。

JARVIS-1提供模組化架構，結合了自然語言介面、記憶模塊以及插件驅動的任務執行器。基於GPT-index，能持久保存對話、檢索上下文，並隨用戶互動持續進化。用戶通過簡單提示定義任務，JARVIS-1則協調任務排程、代碼執行、文件操作和網頁瀏覽。它的插件系統支持自訂整合資料庫、電子郵件、PDF和雲端服務。可在Linux、macOS和Windows上的Docker或CLI中部署，JARVIS-1確保離線運行與完整數據控制，特別適合開發者、DevOps團隊與高階用戶追求安全且擴展性強的自動化工具。

JASA提供一整套完整的Java函式庫，用於構建和運行多代理系統的模擬。它支援代理的生命週期管理、事件排程、非同步訊息傳遞和環境建模。開發者可以擴展核心類別以實現定制行為、整合外部資料來源，並可視化模擬成果。該框架模組化設計與清晰的API文件促進快速建立原型和擴展性，使其適用於學術研究、教學和代理建模的概念驗證。

Julep AI 是一個開源平台，旨在幫助數據科學團隊快速構建、迭代和部署多步驟的 AI 工作流程。使用 Julep，您可以使用代理、任務和工具創建可擴展、持久和長時間運行的 AI 管道。該平台的 YAML 配置簡化了複雜的 AI 流程，確保生產就緒的工作流程。它支持快速原型設計、模組化設計和與現有系統的無縫集成，使其能夠處理數百萬的同時用戶，並提供對 AI 操作的完全可見性。

LangChain 是一個模組化的框架，幫助開發者連結大型語言模型與外部資料來源和工具，打造高階 AI 應用。它提供用於順序 LLM 呼叫的鏈抽象、決策流程的代理協調、用於保留上下文的記憶模組，並與文件載入器、向量存儲器與 API 工具整合。支援多供應商和 Python、JavaScript SDK，加速聊天機器人、QA 系統與個人化助理的原型與部署。

LangChain是一個以開發人員為中心的框架，旨在簡化智能AI代理和應用的創建。它提供對LLM調用鏈、帶工具集成的代理行為、記憶體管理以保持上下文以及可定制的提示模板的抽象。通過內置對文檔載入器、向量存儲和多種模型提供者的支持，LangChain讓您可以構建檢索增強生成管道、自主代理和交互式助理，這些可以在統一的工作流程中與API、數據庫和外部系統進行交互。

Langchainrb是一個開源的Ruby函式庫，旨在透過模組化架構簡化人工智慧驅動應用的開發，包含代理、鏈和工具。開發者可定義提示模板，組合LLM的呼叫鏈，加入記憶模組以維持上下文，並連結自訂工具，如文件載入器或搜索API。它支援語義搜索的嵌入產生、內建錯誤處理，以及模型的彈性配置。有了代理抽象層，你可以實作對話助手，根據用戶輸入決定調用哪些工具或鏈。其擴充架構使得客製化變得便利，快速原型開發聊天機器人、自動摘要流程、QA系統及複雜工作流程自動化。

LangGraph Cookbook提供現成的範例，用來構建複雜的AI代理，通過將工作流程表示為定向圖來實現。每個節點可以封裝提示詞、工具調用、資料連接器或後處理步驟。範例涵蓋文件問題回答、摘要、程式碼生成和多工具協調等任務。開發者可以研究並調整這些模式，以快速原型設計定制的LLM應用，提升模組化、重用性和執行情況的透明度。

LifelongAgentBench 旨在模擬現實世界中的持續學習環境，讓開發者能夠測試 AI 代理在一系列演變中的任務中。該框架提供即插即用的 API 以定義新場景、加載數據集並配置記憶體管理策略。內建評估模組能計算正向轉移、逆向轉移、遺忘率和累計性能等指標。用戶可以部署基線實作或集成專有代理，以在相同條件下直接比較。結果將作為標準化報告匯出，並配備互動式圖表和表格。模組化架構支持自定義數據加載器、性能指標和視覺化插件的擴展，使研究人員和工程師能根據不同應用領域調整平台。

LLM to MCP整合引擎是一個開源框架，用於將大型語言模型（LLMs）整合到各種訊息通信平台（MCPs）中。它提供OpenAI和Anthropic等LLM API的適配器，以及Slack、Discord和Telegram等聊天平台的連接器。該引擎管理會話狀態、豐富上下文並雙向路由訊息。其插件化架構使開發者能擴展支持新供應商並自定義業務邏輯，加速AI代理在生產環境中的部署。

LLMWare 作為一個全面的工具包，用於構建由大型語言模型驅動的 AI 代理。它允許用戶定義可重用的鏈條，通過簡單接口整合外部工具，管理上下文記憶狀態，並協調多步推理，涵蓋語言模型與下游服務。使用 LLMWare，開發者可插入不同模型後端，設定代理決策邏輯，並附加自定義工具包，用於網頁瀏覽、資料庫查詢或 API 呼叫等任務。其模組化設計支持快速原型開發自主代理、聊天機器人或研究助手，並提供內建日誌記錄、錯誤處理與部署適配器，適用於開發與生產環境。

MAGI（模組化人工智慧生成式智慧）是一個為簡化人工智慧代理建立與管理而設計的開源框架。它提供插件結構，用於自定義工具整合、持久記憶模組、思維鏈規劃，以及多步工作流程的即時協調。開發者可以註冊外部 API 或本地腳本作為代理工具、配置記憶後端，並定義任務策略。MAGI 的可擴展設計支援同步與非同步任務，非常適用於聊天機器人、自動化流程和研究原型。

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。

MARL-DPP是一個開源框架，使用確定性點過程（DPP）強制多智能體強化學習（MARL）中的多樣性。傳統的MARL方法經常陷入策略收斂到類似行為的問題，MARL-DPP透過引入基於DPP的措施來鼓勵代理保持多元的行動分佈。該工具套件提供模組化的程式碼來將DPP嵌入訓練目標、樣本策略和探索管理中，包括與OpenAI Gym和多智能體粒子環境（MPE）的即插即用整合，以及用於超參數管理、日誌記錄和多樣性指標視覺化的工具。研究人員可以評估多樣性約束在合作任務、資源分配與競爭遊戲中的影響。其擴展性設計支持客製化環境與高階演算法，促進新型MARL-DPP變體的探索。

PersonalAI提供一個整合先進LLM、持久語義記憶及可擴展插件系統的完整代理框架。開發者可以配置Redis、SQLite、PostgreSQL或向量存儲管理嵌入內容與回憶過去對話。內建插件支持網路搜索、讀寫檔案及Python代碼執行，並且擁有強大的API允許開發自訂工具。該代理協調LLM提示和工具調用於導向工作流程，實現上下文感知回應與自動化行動。可透過Hugging Face本地LLM或OpenAI、Azure OpenAI雲端服務使用。PersonalAI的模組化設計促使快速建立領域專用助手、自動研究機器人或學習與適應的知識管理代理。

Mava是一個基於JAX的開源函式庫，用於開發、訓練和評估多智能體增強學習系統。它提供協作型和競爭型算法如MAPPO和MADDPG的預建實作，以及支持單節點和分散式工作流程的可配置訓練循環。研究人員可以從PettingZoo導入環境或自定義環境，並利用Mava的模組化元件進行策略優化、重播緩衝管理與指標日誌。其靈活架構支持新算法、客製化觀察空間和獎勵結構的無縫整合。利用JAX的自動向量化和硬體加速能力，Mava確保高效的大規模實驗及各種多智能體場景下的可重複基準測試。

MCP 瀏覽器代理是一種基於瀏覽器的自主人工智慧代理框架，利用大型語言模型執行網頁導航、資料爬取、內容摘要、表單互動與自動任務序列。作為輕量級的 JavaScript 函式庫，它無縫集成 OpenAI 的 GPT API，允許開發者以程式方式定義自訂動作、記憶儲存與提示鏈。此代理可以點擊連結、填寫表單、擷取表格資料，並按需摘要頁面內容。支援非同步執行、錯誤處理和透過瀏覽器儲存的會話持久化。藉由可自訂的界面與可擴充的動作模組，MCP 瀏覽器代理簡化智慧瀏覽器助手的創建，以提升生產力、優化工作流程並降低跨多個網路應用的手動瀏覽任務。

Micro-agent 是一個輕量且無偏見的 JavaScript 函式庫，旨在簡化使用大型語言模型打造高階 AI 代理。它提供核心抽象，如代理、工具、規劃器與記憶體存儲，讓開發者組合自訂的會話流程。代理可以調用外部 API 或內部工具，實現動態資料擷取與行動執行。此庫支持短期會話記憶與長期持久存儲，以維持跨會話的上下文。規劃器負責串聯鏈式思考，將複雜任務拆解成工具調用或語言模型查詢。支援可配置的提示模板與執行策略，讓 micro-agent 無縫整合前端網頁、Node.js 服務與邊緣環境，成為構建聊天機器人、虛擬助手或自主決策系統的彈性基礎。

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。

MIDCA是一個模塊化的認知架構，用於支持智能代理的完整認知循環。它通過感知模塊處理感官輸入，解釋數據以生成和優先排序目標，利用規劃器建立行動序列，執行任務，然後通過元認知層來評估結果。雙循環設計區分快速反應和較慢的深思熟慮推理，使代理能夠動態適應。MIDCA的可擴展框架和開源代碼庫非常適合研究自主決策、學習和自我反思的AI代理。