Acme 是一個基於 Python 的框架，簡化了增強學習代理的開發與評估。它提供預先建立的代理實現（例如 DQN、PPO、SAC）、環境封裝、重播緩衝區以及分散式執行引擎。研究人員可以混合搭配元件，原型設計新算法，通過內建日誌監控訓練指標，並利用擴展式分散式流程進行大規模實驗。Acme 與 TensorFlow 和 JAX 整合，支援透過 OpenAI Gym 接口的自定義環境，並包含快照、評估和超參數配置的工具。

Agent-Squad是一個模組化的Python框架，能讓團隊設計、部署與運行多代理系統來執行複雜任務。其核心允許配置多樣的代理設定，如數據擷取器、摘要器、程式碼撰寫器與驗證器，這些代理透過定義的頻道溝通，共享記憶體語境。藉由將高層目標分解為子任務，框架協調平行處理，並利用LLM與外部API、資料庫或自訂工具連結。開發者可用JSON或程式碼定義工作流程，監控代理互動，並用內建日誌與評估工具動態調整策略。

ANAC-agents是一個基於Python的框架，集中多個談判代理的實現，用於Automated Negotiating Agents Competition（ANAC）。每個代理都具有不同的策略，用於效用建模、提議產生、讓步策略與接受標準，有助於比較研究與快速原型設計。用戶可以定義具有自訂議題與偏好檔的談判域，並模擬雙邊談判或類似錦標賽的競賽。工具包包括配置腳本、評估指標與日誌工具，用於分析談判動態。研究人員與開發者可以擴展現有代理、測試新算法或整合外部學習模組，促進自動化議價與在資訊不完整條件下的策略決策創新。

Autonomais是一個模塊化的AI代理框架，設計實現任務規劃和執行的完全自主。它整合大型語言模型來生成計劃，通過可定制的管道協調操作，並將上下文存儲在記憶模塊中，以實現連貫的多步推理。開發者可以插入額外的工具，如網頁爬蟲、數據庫和API，定義自定義動作處理器，並通過可配置的技能微調代理行為。該框架支持日誌記錄、錯誤處理和逐步調試，確保研究任務、數據分析和網頁交互的可靠自動化。其擴展性插件架構使Autonomais能快速開發具有複雜決策和動態工具使用能力的專用代理。

Swarms SDK 簡化利用大型語言模型建立、配置與執行多代理合作系統。開發者定義具有不同角色（研究員、合成師、評論者）的代理人，並將它們組合成交換訊息的群體（swarms），以共享的訊息匯流排進行訊息傳遞。SDK 負責排程、上下文持續與記憶體儲存，促進反覆問題解決。支援OpenAI、Anthropic及其他LLM供應商，並提供彈性整合。提供日誌、結果聚合與績效評估工具，幫助團隊設計與部署AI工作流程，用於頭腦風暴、內容產生、摘要與決策支援。

合作搜尋環境提供一個彈性的、與gym相容的多智能體強化學習環境，適用於離散格子與連續空間中的合作搜尋任務。智能體在部分可觀測的條件下運作，並可根據自訂的通信拓撲分享資訊。框架支持預定義的場景，如搜尋與救援、動態目標追蹤及協作繪圖，並提供API以定義自訂的環境與獎勵結構，與Stabloes Baselines3和Ray RLlib等流行RL庫無縫整合，包含記錄性能的工具及即時可視化功能。研究人員可調整格子大小、智能體數量、感測器範圍及獎勵分享機制，有效評估協作策略與基準新演算法。

Multi-Agent-LLM的設計旨在簡化由大型語言模型驅動的多個人工智能代理的協調。用戶可以定義具有獨特個人角色、記憶存儲和整合外部工具或API的獨立代理。一個中心的AgentManager管理通信循環，允許代理在共享環境中交換訊息並共同推進複雜目標。該框架支援切換LLM提供商（如OpenAI、Hugging Face）、靈活的提示範本、對話歷史和逐步工具上下文。開發者可利用內建的日誌、錯誤處理及動態代理生成工具，實現多步驟工作流程、研究任務和決策管道的可擴展自動化。

牧羊是一個開源的模擬框架，設計用於強化學習研究人員與開發者來研究和實現多代理牧羊任務。它提供一個兼容Gym的環境，代理可以在連續或離散空間中執行側翼、收集與分散目標群的行為。該框架包括模組化的獎勵塑造函數、環境參數設定與訓練性能監控工具。用戶可定義障礙物、動態代理族群和自訂策略，利用TensorFlow或PyTorch。視覺化腳本生成軌跡圖與影片紀錄。牧羊的模組設計允許與現有RL庫完美整合，實現可重現的實驗、創新協作策略的基準測試，以及快速原型設計AI驅動的牧羊解決方案。

Super-Agent-Party允許開發者定義一個Party物件，使各AI代理扮演不同角色，例如規劃、研究、草擬和審核。各代理可配置自訂提示、工具和模型參數。框架管理訊息傳遞與共享上下文，使代理能在子任務上實時協作。支援插件整合第三方服務、彈性代理協作策略與錯誤處理例程。透過直觀API，用戶能動態新增或移除代理、串接工作流程，並視覺化代理互動。基於Node.js且相容主要雲端服務提供商，Super-Agent-Party簡化可擴展且易於維護的多代理系統開發，適用於自動化、內容生成、資料分析等應用。

BeeAI框架提供一個完全模組化的架構，用於構建能執行任務、管理狀態並與外部工具互動的智能代理。它包含長期上下文保留的記憶管理器、自定義技能集成的插件系統，以及內建的API串聯和多代理協調支援。框架提供Python和JavaScript SDK、用於建構專案的命令列介面，以及用於雲端、Docker或邊緣設備的部署腳本。監控儀表板和記錄工具協助即時追蹤代理性能與除錯。

DeepMind MAS 環境是一個Python函式庫，提供建構和模擬多智能體強化學習任務的標準化介面。用戶可以配置智能體數量、定義觀察與行動空間，並自定義獎勵結構。該框架支援智能體間通信渠道、性能日誌和渲染功能。研究人員可以將DeepMind MAS無縫整合到流行的RL庫（如TensorFlow與PyTorch），用於基準測試新算法、測試通信協議，並分析離散與連續控制領域。

openai-agents-python是一個全面的Python套件，旨在協助開發者構建完全自主的AI代理。它提供代理規劃、工具整合、記憶狀態及執行循環的抽象。使用者可以註冊自定義工具，指定代理目標，並讓框架協調逐步推理。此庫還包含測試和記錄代理操作的工具，方便迭代行為與排解複雜的多步任務。

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。

NeuralABM是一個開源的Python圖書館，利用PyTorch將神經網絡整合到代理基建模中。用戶可以指定代理架構為神經模塊，定義環境動力學，並使用反向傳播在模擬步驟中訓練代理行為。該框架支持自定義獎勵信號、課程學習和同步或非同步更新，促進新興現象的研究。配備日誌、視覺化和數據集導出的工具，研究人員和開發者可以分析代理性能、除錯模型並優化模擬設計。NeuralABM簡化了將強化學習與ABM結合，應用於社會科學、經濟學、機器人技術及AI驅動的遊戲NPC行為，提供模組化組件以進行環境定制，支持多代理交互，並提供擴展外部資料集或API的接口，用於現實世界模擬。其開放式設計促進可重現性和合作，可通過清楚的實驗配置和版本控制集成達成。