CybMASDE 使研究人員和開發者能建構、配置並執行具有深度強化學習的多智能體模擬。用戶可設計自訂場景、定義智能體角色與獎勵函數，並插入標準或自訂的RL算法。框架包含環境伺服器、網路連接的智能體介面、數據收集器與渲染工具。支援平行訓練、實時監控與模型檢查點。CybMASDE 的模組化架構允許無縫整合新智能體、觀測空間與訓練策略，加速合作控制、群體行為、資源配置及其他多智能體應用研究。

Eliza是一個輕量級、開源的對話框架，通過模式匹配和腳本模板模擬心理治療師。開發者可以自定義腳本、模式及記憶變數，以調整回應和對話流程。它可在任何現代瀏覽器或Webview環境中運行，支持多個會話，並記錄交互以供分析。其可擴展架構允許整合到網頁、移動應用或桌面包裝中，是教育、研究、原型設計及互動展覽的多功能工具。

SwarmZero提供一個可擴展的開源環境，用來定義、管理和執行AI代理群。開發者可以聲明代理角色、自定義提示，並通過統一的協調器API鏈接工作流程。此框架與主要的LLM提供商整合，支援插件擴充並記錄會話數據以便除錯和性能分析。無論是協調研究機器人、內容創作還是數據分析器，SwarmZero都能簡化多代理的協作並確保結果透明且可重複。

RAGENT 被設計用來創建能與各種工具及資料源互動的自主 AI 代理。底層上，它使用檢索增強生成來從本地檔案或外部資源取得相關內容，並透過 OpenAI 模型撰寫回應。開發者可以加入網頁搜尋、Selenium 瀏覽器自動化、檔案讀寫、在安全沙箱中執行程式碼，以及 OCR 圖像文字擷取的工具。該框架管理對話記憶、協調工具，並支持自訂提詞模板。有了 RAGENT，團隊可以快速原型設計智慧代理，用於文件問答、研究自動化、內容摘要及端到端工作流程自動化，全部在 Python 環境中實現。

Lagent是一個以開發者為中心的框架，能讓用戶在大語言模型之上建立智能代理。它提供動態規劃模塊，將任務拆解為子目標，並存儲長期會話的上下文的記憶庫，以及外部工具調用的API整合界面。有可定制的管道，使用者可以定義代理行為、提示策略、錯誤處理和輸出解析。Lagent的日誌和除錯工具可以監控決策過程，支持本地、雲端或企業部署的可擴展架構。它促使建構自主助理、資料分析器與工作流程自動化。

LaVague是一個開源框架，旨在快速高效地構建和部署網頁代理。用戶可以創建各種代理，自動化網頁應用程序中的任務，從數據輸入到全面的信息檢索。該框架支持與本地模型的集成，例如Llama 3 8b，這使其成為希望通過AI驅動的自動化提升運營的企業的多用途選擇。使用LaVague，開發人員可以根據特定工作流程調整代理，以提高生產力和效率。

語言代理系統是一個開源Python框架，設計用於建構利用語言模型來規劃和執行任務的智慧代理。它包含記憶管理、工具註冊、規劃器和執行器等組件，使代理能維持上下文、呼叫外部API、進行網路搜尋與自動化工作流程。可透過YAML調整配置，支援多個LLM供應者，加速聊天機器人、內容摘要器及自主助理的原型設計。開發者亦可擴展功能，包括自訂工具與記憶後端，並在本地或伺服器上部署代理。

LLM驅動的RAG系統是一個針對開發者的框架，用於建立檢索增強式生成（RAG）管道。提供文件集合的嵌入模組、FAISS、Pinecone或Weaviate的索引，以及反應時的相關語境檢索。系統利用LangChain封裝管理調度LLM調用，支持提示模板、串流回應與多向量存儲驅動器。簡化知識庫端到端的部署過程，從嵌入模型配置到提示設計與結果後處理均可自定義。

llm-lab提供靈活的工具包，用於使用大型語言模型創建智慧代理。它包括代理協調引擎、自訂提示範本、記憶與狀態追蹤，以及與外部API和插件的無縫整合。用戶可以撰寫情境、定義工具鏈、模擬互動並收集性能日誌。框架也內建測試套件，用於驗證代理行為是否符合預期結果。由於設計具擴充性，llm-lab使開發者能交換LLM供應商、添加新工具，並透過反覆實驗來演進代理邏輯。

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。

MiniAgent是一個極簡的開源框架，用Python構建，用於建立具有規劃和執行複雜工作流程的自主AI代理。核心包括一個任務規劃模組，將高層目標分解為有序步驟，一個逐步執行的控制器，以及集成外部工具和API（包括Web服務、數據庫和自定義腳本）的內建適配器。還具有輕量的記憶管理系統，用於保存對話或任務上下文。開發人員可以輕鬆註冊自定義動作插件、制定決策策略規則，並擴展工具功能。支援OpenAI模型和本地LLMs，使MiniAgent能迅速原型化聊天機器人、數字工作者和自動化流程，全部在MIT許可證下。

mini-AlphaStar透過提供一個易於存取的開源PyTorch框架，幫助解開複雜的AlphaStar架構。內含空間特徵編碼器用於螢幕和縮圖輸入，非空間特徵處理，LSTM記憶模組，以及用於動作選擇與狀態評估的獨立策略與價值網絡。利用模仿學習啟動，並透過自我對弈的強化學習進行微調，支援與pysc2相容的環境封裝器，TensorBoard日誌與可配置超參數。研究人員與學生能從人類遊戲中建立資料集，根據自訂情境訓練模型，評估代理表現，並可視化學習曲線。模組化的程式碼庫方便實驗不同網絡變體、訓練流程和多代理設定。設計用於教學與快速原型，不用於正式部署。

多代理系統提供一套完整工具包，用於創建、控制和觀察自主代理之間的互動。開發者可以定義帶有自定義決策邏輯的代理類別，建立具有可配置資源和規則的複雜環境，以及實現資訊交流通道。此框架支援同步和非同步排程、事件驅動行為，並集成日誌記錄以測量績效指標。用戶可以擴展核心模組或整合外部AI模型來增強代理智能。視覺化工具可即時或事後呈現模擬，幫助分析新興行為並優化系統參數。從學術研究到原型分散式應用，多代理系統簡化了端到端的多代理模擬流程。

這個開源框架結合了AgentSimJs的智能體建模庫與Three.js的3D圖形引擎，提供交互式的瀏覽器多智能體模擬。用戶可以定義智能體類型、行為和環境規則，配置碰撞檢測和事件處理，並以可定制的渲染選項實時視覺化模擬。該庫支持動態控制、場景管理和性能調優，非常適合用於研究、教育和複雜智能體場景的原型設計。

多智能體架構提供一個可擴展且可擴展的平台，用於定義、註冊和協調多個共同工作的AI智能體。它包括訊息中介、生命週期管理、動態智能體生成和可定制的通信協議。開發者可以構建專門的智能體（例如：資料擷取器、NLP處理器、決策者），並將它們插入核心運行時，以處理資料整合到自主決策流程等任務。其模組化設計支援插件擴展，並可與現有的ML模型或API整合。

Multi-Agent ColComp是一個可擴展的開源框架，用於協調一個AI代理團隊完成複雜任務。開發者可以定義不同的代理角色，設定通信通道，並通過統一記憶存儲共享上下文資料。此庫包含即插即用的組件，用於協商、協調和共識建立。範例配置示範協作文本生成、分散規劃與多代理模擬。其模組化設計便於擴展，使團隊能快速原型化並評估多代理策略，適用於研究或生產環境。

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。

MultiAgentPuzzleSolver提供了一個模塊化的環境，獨立的AI代理可以合作解決滑動拼圖、魔方和邏輯格子等謎題。代理共享狀態信息，協商子任務分配，並應用多種啟發式策略，比單一代理方式更有效地探索解決空間。開發者可以插入新的代理行為，定義或定制通信協議，並添加新的謎題定義。框架包含實時視覺化工具、性能指標收集和實驗腳本，支持Python 3.8以上版本，標準庫，以及流行的機器學習工具包，方便整合進研究項目。

OpenAI Agents MCP Server提供一個穩固的基礎，用於部署及管理由OpenAI模型驅動的自主代理。它公開彈性RESTful API來建立、配置和控制代理，讓開發者能編排多步驟任務、協調代理之間的互動，並維持跨會話的持久記憶。框架支持插件式工具整合、進階對話記錄及可定制的規劃策略。透過抽象化基礎建設問題，MCP Server簡化開發流程，促進快速原型製作和在生產環境中的擴展部署，適用於對話助手、流程自動化和AI驅動的數位工作者。

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。