LLM代理模擬框架能設計、執行及分析模擬環境，讓自主代理透過大型語言模型進行互動。用戶可以註冊多個代理實例，分配可自定義的提示與角色，並指定通訊管道，例如訊息傳遞或共用狀態。此框架串連模擬週期、收集日誌並計算指標，如輪次頻率、回應延遲和成功率。它支援與OpenAI、Hugging Face及本地LLM的無縫整合。研究人員可建立複雜場景—如談判、資源配置或協作解決問題—以觀察新興行為。模組化插件架構允許新增代理行為、環境約束或可視化模組，促進可重複實驗。

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。

多機器人檢查模擬提供一個完整框架，用於模擬並訓練多個自主代理，以在Unity 3D環境中協作完成檢查任務。它與Unity ML-Agents工具箱整合，提供可配置的場景、檢查目標、可調整的獎勵函數與代理行為參數。研究人員可以撰寫自定義環境，定義代理數量，並透過Python API設置訓練流程。此套件支援並行訓練、TensorBoard記錄，並支援包括射線投射、攝像頭影像及位置資料的觀察輸入。調整超參數與環境復雜度後，使用者可以在覆蓋範圍、效率及協調性等指標上基準測試強化學習演算法。開源碼促進擴充用於機器人原型、協作AI研究及多機器人系統的教育示範。

Multi Agent Simulation提供靈活的API，用以定義具有自訂感測器、執行器和決策邏輯的代理類別。用戶配置帶有障礙物、資源和通信協定的環境，然後運行逐步或實時的模擬循環。內建的日誌系統、事件調度和Matplotlib整合，協助追蹤代理狀態並視覺化結果。模組化設計允許輕鬆擴展新的行為、環境及提升性能，非常適合學術研究、教育以及多代理場景的原型設計。

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。

NavGround Learning提供一套完整工具，用於開發與測試導航任務中的增強學習代理。支援多代理模擬、碰撞建模，以及可定制的感測器與執行器。使用者可選擇預設策略模板或實現自訂架構，並使用最先進的RL演算法進行訓練，還能視覺化性能指標。與OpenAI Gym和Stable Baselines3的整合，讓實驗管理更為便利，內建記錄與視覺化工具則助於深入分析代理行為與訓練動態。

Pits and Orbs是一個用Python實作的開源強化學習環境，提供回合制多代理格子世界，在其中代理追求目標並面臨環境危險。每個代理必須在可調整的格子上導航，避免隨機放置的陷阱（會懲罰或終止回合），並收集寶珠來獲得正向獎勵。該環境支援競爭和合作模式，讓研究者探索多樣學習場景。簡單的API可無縫整合如Stable Baselines或RLlib等流行RL框架。目前主要特色包括可調格子尺寸、動態陷阱與寶珠分佈、可配置的獎勵結構，以及選擇性註解訓練數據追踪。

AgentSimulation 是一個建立在 Pygame 之上的開源 Python 函式庫，用於在 2D 環境中模擬多個自主代理。它允許用戶配置代理屬性、操控行為（如搜尋、逃跑、漫遊）、碰撞檢測、路徑尋找及互動規則。藉由實時渲染和模組化設計，支援快速原型設計、教學模擬及群體智慧或多代理互動的小規模研究。