SeeAct 設計目的是為視覺語言代理提供雙階段管線：由大型語言模型驅動的規劃模塊生成基於觀察場景的子目標，執行模塊將子目標轉化為環境特定的行動。感知骨幹從圖像或模擬中提取物件與場景特徵。模塊化架構允許輕鬆替換規劃器或感知網絡，並支持在 AI2-THOR、Habitat 及自訂環境中的評估。SeeAct 促進互動式 embodied AI 研究，提供端到端的任務分解、歸屬與執行。

RoboCup Rescue Agent Simulation是一個開源框架，模擬多個AI驅動的代理在城市災害環境中合作，尋找並拯救受害者。它提供導航、地圖、通信及感測器整合介面。用戶可撰寫自訂的代理策略、執行批次實驗及視覺化代理表現指標。平台支持場景配置、日誌記錄與結果分析，加速多代理系統及災難反應算法的研究。

BabyAGI UI 為開放原始碼的 BabyAGI 自主代理提供一個簡潔的瀏覽器前端。用戶輸入整體目標與初始任務；系統隨後利用大型語言模型生成後續任務、根據與主要目標的相關性排序，並逐步執行每個步驟。在整個過程中，BabyAGI UI 會保存已完成任務的歷史、顯示每次輸出結果，並動態更新任務佇列。用戶可以調整模型類型、記憶範圍與執行次數限制，以在自動化與控制間取得平衡。

Patrolling-Zoo提供一個彈性的框架，讓用戶能在Python中建立與實驗多智慧體巡邏任務。庫內包含多種基於格子與圖形的模擬環境，模擬監控、巡查與覆蓋場景。用戶可自行設定智慧體數量、地圖大小、拓撲結構、獎勵和觀測空間。藉由與PettingZoo與Gym API的相容性，支援與流行強化學習演算法的順暢整合。此環境便於在一致設定下進行基準測試與技術比較。通過提供標準場景與自訂工具，促進自主機器人、安保監控、搜尋救援及多智慧體協調策略的研究與應用。

AgentInteraction是一個面向開發者的Python框架，旨在模擬、協調和評估使用大型語言模型的多智能體交互。它允許用戶定義不同的智能體角色，通過集中管理器控制對話流程，並通過一致API整合任何LLM供應商。具有訊息路由、上下文管理和績效分析等功能，AgentInteraction簡化了合作或競爭智能體架構的實驗，便於原型設計複雜的對話場景並測量成功率。

谷歌的AI共同科學家結合先進的機器學習算法，通過根據現有數據生成假設、建議實驗設計及分析結果來幫助研究人員。這個AI系統能夠迅速處理大量數據集，提供的洞察能引導生物學、化學及材料科學等領域的重要科學突破。作為助手，它幫助研究人員專注於批判性思維和創新實驗，而不是平凡的數據處理。

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。

MGym是一個專門用於在Python中構建與管理多智能體強化學習（MARL）環境的框架。用戶可以定義多個智能體的複雜場景，每個智能體都具有可自定義的觀察和行動空間、獎勵函數及互動規則。MGym支援同步與非同步兩種執行模式，提供平行與輪換式的智能體模擬。採用類似Gym的API設計，與Stable Baselines、RLlib和PyTorch等流行RL庫無縫整合。內建工具模組用於環境基準測試、結果視覺化及績效分析，方便系統性評估MARL演算法。其模組化架構允許快速原型設計合作、競爭或混合型智能體任務，幫助研究人員與開發者加速MARL實驗與研究。