Embabel Agent提供一個結構化的方法，用於在Node.js和瀏覽器環境中構建AI代理。開發者定義工具（如HTTP抓取器、資料庫連接器或自定義函數），並透過簡單的JSON或JavaScript類別設定代理的行為。該框架可維護對話歷史、將查詢導向適當的工具，並支援插件擴展。Embabel Agent非常適合用於創建具有動態能力的聊天機器人、自動交互多API的助手，以及需要即時協調AI調用的研究原型。

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。

PyGame Learning Environment（PLE）是一個開源的 Python 框架，旨在簡化在自訂遊戲場景中開發、測試和基準強化學習代理的流程。它提供一套輕量級的基於 Pygame 的遊戲，內建支持代理觀察、離散與連續動作空間、獎勵塑形和環境渲染。PLE 擁有一個易於使用的 API，與 OpenAI Gym 包裝器相容，可與 popular RL 函式庫（如 Stable Baselines 和 TensorForce）無縫整合。研究人員與開發者能夠客製化遊戲參數、實現新遊戲，並運用向量化環境以加快訓練速度。藉由活躍的社群貢獻與豐富的文件說明，PLE 成為一個多用途的平台，適用於學術研究、教育與現實應用原型設計。

simple_rl是一個簡約的Python庫，旨在簡化增強學習的研究和教育。它提供一致的API用於定義環境和代理，內置支援常見RL範式，包括Q-learning、蒙特卡羅方法和動態規劃算法如價值和策略迭代。該框架包括範例環境，如GridWorld、MountainCar和多臂強盜，方便實操實驗。用戶可以擴展基類實現自定義環境或代理，並利用工具函數進行記錄、性能追蹤和策略評估。simple_rl的輕量架構和清晰代碼使其非常適合快速原型、教授RL基礎，以及在可重現且易於理解的環境中進行新算法的基準測試。

Agentless 是一個輕量且無代理的框架，旨在簡化由 AI 推動的程式碼自動化工作流程。透過 API 呼叫直接與大型語言模型整合，它能在多個環境中即時產生、執行和驗證程式碼。開發者在 YAML 或 JSON 工作流程中定義任務，並透過支援多種程式語言的插件架構擴充功能。Agentless 消除了專用代理過程的負擔，簡化了部署與監控。它提供內建連接器，支援 GitHub Actions、Jenkins 和其他 CI/CD 系統，以及自動測試模組，確保高品質的輸出。

CArtAgO（Common ARTifact Infrastructure for AGents Open environments）是一個輕量、可擴展的框架，用於在多智能體系統中實作環境基礎架構。它引入工件的概念：代表具有定義操作、可觀察屬性和事件界面的環境資源的一等公民實體。開發者在Java中定義工件類型，將它們註冊到環境類別中，並公開操作與事件供代理使用。代理透過標準動作（如createArtifact、observe）與工件互動，接收非同步的狀態變更通知，並通過共享資源協作。CArtAgO能輕鬆與Jason、JaCaMo、JADE和Spring Agent等平台整合，支援混合系統開發。該框架提供內建的工件文件、動態載入和運行時監控支援，加快複雜代理應用的快速原型設計。