Pacman AI 提供一個功能完整的 Python 環境和代理架構，用於經典的吃豆人遊戲。此專案實作關鍵的強化學習演算法——Q-learning 和價值迭代，使代理能學習最佳策略來收集豆子、穿越迷宮及避開鬼怪。用戶可以定義自訂的獎勵函數，並調整學習率、折扣因子與探索策略。此框架支援指標記錄、性能視覺化與可復現的實驗設定。設計於易於擴展，讓研究人員與學生能整合新演算法或神經網路學習方法，並與基線網格方法做比較。

SoccerAgent 是一個專門用於開發和訓練自主足球代理的 AI 框架，採用最先进的多代理增強學習（MARL）技術。它在 2D 或 3D 環境中模擬逼真的足球比賽，提供定義獎勵函數、定制玩家屬性和實施戰術策略的工具。用戶可以通過內建模塊整合流行的 RL 算法（如 PPO、DDPG 和 MADDPG），通過儀表板監控訓練進度，以及實時視覺化代理行為。此框架支持基於場景的訓練，涵蓋進攻、防守與協作協議。具有擴展性強的代碼庫和詳細文檔，SoccerAgent 使研究人員和開發者能夠分析團隊動態，並優化基於 AI 的比賽策略，應用於學術和商業項目。

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。

Jason-RL在Jason多代理框架中加入一層強化學習，使AgentSpeak BDI代理器可以通過獎勵反饋學習行動選擇策略。它實現了Q-learning和SARSA算法，支援配置學習參數（學習率、折扣因子、探索策略）並記錄訓練指標。通過在代理計劃中定義獎勵函數和運行模擬，開發者可以觀察代理隨時間改善決策，並適應變化的環境，而不需要手動編碼策略。

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。

MineLand提供一個受到Minecraft啟發的彈性3D沙盒環境，用於訓練強化學習代理。它具有Gym相容的API，可與Stable Baselines、RLlib及自訂實作的RL庫無縫整合。用戶可存取資源收集、導航及建設挑戰等任務庫，每個任務皆可自訂難度與獎勵結構。即時渲染、多代理情境及無界面模式支援可擴展的訓練與基準測試。開發者可設計新地圖、定義自訂獎勵函數，以及加入感測器或控制元件。MineLand的開源程式碼促進重現研究、協作開發與在複雜虛擬世界中快速原型設計AI代理。

multiagent-env是一個開源的Python函式庫，旨在簡化多智能體強化學習環境的創建和評估。用戶可以通過指定智能體數量、行動和觀察空間、獎勵函數及環境動態來定義合作與對抗情境。它支持實時可視化、可配置渲染，並能輕鬆集成Stable Baselines和RLlib等Python基礎的RL框架。模組化設計允許快速原型制作新情境與便捷的多智能體算法基準測試。

multiagent_envs 提供一套模組化的Python環境，專為多智能體強化學習的研究與開發而設。包括合作導航、捕食者-獵物、社會困境和競爭性場景。每個環境允許定義智能體數量、觀察特徵、獎勵函數和碰撞動態。該框架與Stable Baselines和RLlib等常用RL庫無縫整合，支持向量化訓練、平行執行和方便記錄。用戶可以拓展現有場景或遵照API创建新环境，加速算法（如MADDPG、QMIX、PPO）的實驗和重現。