DocumentAI-Backend 是一個輕量級的後端框架，能自動化從文件中提取文字、表單欄位和結構化資料。它提供 REST API 端點，支援上傳 PDF 或圖像文件，利用 Google Document AI 處理（並配合 OCR 輪替），並以 JSON 格式返回解析結果。採用 Python、FastAPI 和 Docker 開發，方便快速集成到現有系統、支持擴展部署，並透過可配置的流程和中介件進行定制。

LiteMultiAgent提供模組化的SDK，用於構建和運行多個AI代理，可以並行或順序運行，每個代理具有唯一的角色和責任。它包含現成的記憶體存儲、訊息管道、插件適配器和執行循環，以管理複雜的代理間通訊。用戶可以自訂代理行為、加入外部工具或API，並透過日誌監控對話。其輕量設計和依賴管理，使其非常適合快速原型製作和協作AI工作流程的正式部署。

Agent Script 提供了一層宣告式腳本層，覆蓋大型語言模型，可用 YAML 或 JSON 來撰寫定義代理流程、工具調用與記憶使用的腳本。你可以連接 OpenAI、本地 LLM 或其他提供者，將外部 API 作為工具，並配置長短期記憶後端。框架自動處理內容管理、非同步執行和詳細日誌。只需少量程式碼，即能快速原型聊天機器人、RPA 流程、資料擷取代理或自訂控制循環，讓建構、測試與部署 AI 自動化更為容易。

Fast-LLM-Agent-MCP 是一個輕量級的開源 Python 框架，用於構建結合記憶管理、鏈式推理和多步規劃的 AI 代理。開發者可以與 OpenAI、Azure OpenAI、本地 Llama 及其他模型整合，以保持對話上下文、產生結構化推理跡徑，並將複雜任務拆解為可執行的子任務。其模組化設計允許整合自定義工具及記憶庫，適用於虛擬助理、決策支援系統及自動化客戶支持機器人等應用。

Flocking Multi-Agent提供模組化的庫，用於模擬展示群體智慧的自主智能體。它編碼核心操控行為——凝聚、分離與對齊——以及避障和動態目標追蹤。利用Python和Pygame進行視覺化，該框架允許調整如鄰居半徑、最大速度和轉向力等參數。它支持通過自定義行為函數和機器人或遊戲引擎的集成掛鉤來擴展。適用於AI、機器人學、遊戲開發和學術研究的實驗，展示簡單的本地規則如何產生複雜的全局行為。

InfantAgent 提供輕量級的結構，用於設計與部署Python中的智慧代理。它整合熱門的大型語言模型（OpenAI、Hugging Face）、支援持久性記憶模組，並啟用自定義工具鏈。開箱即用的功能包括會話界面、任務協調與策略驅動的決策。其插件架構允許輕鬆擴展特定領域的工具與API，非常適合用於原型研究代理、工作流程自動化或將AI助理整合到應用程式中。

js-agent為開發者提供一個極簡而功能強大的工具包，用於在JavaScript中創建自主AI代理。它提供對話記憶、函數調用工具、可自定義的規劃策略和錯誤處理的抽象。使用js-agent，您可以快速連接提示、管理狀態、調用外部API並通過一個簡單模組化的API協調複雜的代理行為。設計用於Node.js環境，並與OpenAI API無縫整合，以提供智慧且具情境感知的代理。

實際操作中，LlamaSim允許您使用Llama模型定義多個AI驅動的代理，設置交互場景，運行受控模擬。您可以使用簡單的Python API來自定義代理的個性、決策邏輯和通信渠道。該框架自動處理提示構建、回應解析和對話狀態追蹤。它記錄所有交互，並提供內建的評估指標，如回應一致性、任務完成率和延遲。通過插件架構，您可以整合外部資料來源、添加自定義評估函數或擴展代理能力。LlamaSim輕量化的核心適用於本地開發、持續集成管道或雲端部署，促進可複製的研究與原型驗證。

Melissa提供一個輕量、可擴展的架構，用於構建基於AI的代理，而不需要大量樣板程式碼。其核心基於插件系統，開發者可以註冊自訂動作、資料連結器和記憶模組。記憶子系統能在交互中保存上下文，增強對話連續性。整合適配器允許代理從API、資料庫或本地檔案中獲取並處理資訊。結合簡單的API、命令列工具和標準化介面，Melissa簡化自動化客戶查詢、生成動態報告或調度多步驟流程等任務。此框架支援語言無關的整合，適用於Python專案，並可部署在Linux、macOS或Docker環境中。

SelfDrivingCarSimulator是一個基於Pygame的輕量級Python框架，提供一個2D駕駛環境，用於訓練自主車輛代理，利用強化學習。它支持可客製化的賽道佈局、可配置的感測器模型（如LiDAR和相機模擬）、實時視覺化以及性能數據記錄。開發者可以整合其RL算法，調整物理參數，監控速度、碰撞率和獎勵函數等指標，以快速推進自主駕駛研究與教育項目。

AgentSimJS旨在簡化JavaScript中大規模基於代理的模型創建與執行。通過模組化架構，開發者可以定義具有自定義狀態、傳感器、決策函數和執行器的代理，然後整合到由全域變數參數化的動態環境中。該框架協調離散時間步長的模擬，管理代理之間的基於事件的消息傳遞，並記錄交互數據供分析。視覺化模組支持使用HTML5 Canvas或外部庫進行即時渲染，插件則可實現與統計工具的整合。AgentSimJS可在現代網頁瀏覽器和Node.js運行，非常適合互動式Web應用、學術研究、教育工具，以及群體智慧、群眾動態或分佈式AI實驗的快速原型設計。