OpenSpiel 是一個研究框架，提供從簡單矩陣遊戲到複雜棋類遊戲（如國際象棋、圍棋和撲克）的廣泛環境，並實現各種強化學習和搜索算法（如值迭代、策略梯度方法、MCTS）。其模組化的 C++ 核心和 Python 綁定允許用戶插入自定義算法、定義新遊戲，並在標準基準上比較性能。設計具有擴展性，支持單一和多智能體設置，研究合作和競爭場景。研究人員利用 OpenSpiel 快速原型設計算法、大規模實驗和分享可重複的代碼。

PettingZoo 遊戲的強化學習代理人是一個基於 Python 的程式庫，提供現成的 DQN、PPO 和 A2C 演算法，用於 PettingZoo 環境下的多智能體強化學習。具有標準化的訓練與評估腳本、可配置的超參數、整合的 TensorBoard 日誌記錄，以及支持競爭和合作遊戲。研究人員和開發者可以克隆倉庫、調整環境與演算法參數、運行訓練並視覺化指標，以快速進行多智能體 RL 實驗和基準測試。

RoboCup Rescue Agent Simulation是一個開源框架，模擬多個AI驅動的代理在城市災害環境中合作，尋找並拯救受害者。它提供導航、地圖、通信及感測器整合介面。用戶可撰寫自訂的代理策略、執行批次實驗及視覺化代理表現指標。平台支持場景配置、日誌記錄與結果分析，加速多代理系統及災難反應算法的研究。

ROCKET-1 是一個開源的 AI 代理編排平台，設計用於構建先進的多代理系統。它允許用戶使用模組化 API 定義代理流程，實現語言模型、插件和資料庫的無縫串接。核心特點包括跨會話維持內容的語義記憶、動態工具整合外部 API 和資料庫，以及內建的監控儀表板追蹤性能指標。開發者能用最少程式碼自訂工作流程，通過容器化部署擴展，此平台亦支援插件架構擴展功能。ROCKET-1 支援即時除錯、自動重試並具備安全控制，適用於客戶支援機器人、研究助理和企業自動化任務。

VacuumWorld是一個開源模擬平台，旨在促進多智能體強化學習算法的開發與評估。它提供基於格子的環境，虛擬吸塵機器人可在可自定義的布局中運行，檢測並清除塵埃。用戶可以調整網格大小、塵埃分佈、隨機移動噪聲與獎勵結構，以模擬多種場景。框架內建支持智能體之間的通訊協議、即時視覺化儀表板及性能追蹤的紀錄工具。透過簡單的Python API，研究人員可以快速整合其強化學習算法，比較合作或競爭策略並進行可重現的實驗，讓VacuumWorld成為學術研究與教學的理想工具。

Salieri是一個創新的平台，旨在通過多代理應用程式簡化AI專案開發。通過利用先進的AI技術，Salieri提升生產力和效率，使團隊更容易自動化工作流程。Salieri的直觀設計和強大的功能允許用戶將詳細的想法轉化為互動式的插畫故事，完美適用於敘事驅動的專案、遊戲等。Salieri提供穩健而高效的系統，整合知識圖譜和形式引擎以提高AI模型的準確性和成本效益。

SARL為決策支援提供動態的支援，並配備編輯器支援、程式碼生成、除錯和測試工具。其運行引擎可針對多平台，包括模擬框架（例如MadKit、Janus）和實際應用在機器人與IoT系統中。開發者可透過組合模組化技能與協定，架構複雜的多代理系統應用，簡化自適應且分散的人工智慧系統開發。

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。

OpenAI Swarm 是一個多功能的協調庫，可在多個 AI 代理間實現平行執行與共識驅動的決策。它將任務廣播給獨立模型實例，匯總輸出，並應用可配置的投票或排名方案選擇最高分的結果。開發者可以調整代理數量、投票閾值和模型組合，以提升可靠性、減少偏見並改善解決方案品質。Swarm 支援串接回應、迭代反饋循環及詳細推理日誌，以提升摘要、分類、程式碼產生及複雜推理等任務的性能，藉由集體智慧來增強表現。

SuperSwarm 旨在利用多個專業代理實時通信與合作，來協調基於人工智能的工作流程。它支持動態任務分解，主要控制代理將複雜目標拆分成子任務，並指派給專家代理。代理可共享內容、傳遞訊息，並根據中間結果調整行動方案。平台提供基於Web的儀表板、RESTful API 和命令列介面用於部署與監控。開發者可以定義自訂角色、配置叢集拓撲，並透過插件整合外部工具。SuperSwarm 採用容器調度進行橫向擴展，確保在大量工作負載下的穩定性能。日誌、指標與視覺化有助於優化代理交互，使其適用於高階研究、客戶支援自動化、程式碼產生與決策流程。

AgentSpeak是基於Java的開源實作，為AgentSpeak(L)語言設計，旨在促進BDI（信念-慾望-意圖）自主代理的創建與管理。它具有解析AgentSpeak(L)代碼、維護代理信念基底、觸發事件並根據現有信念和目標選擇執行計劃的運行時環境。該解釋器支援並行的代理執行、動態計劃更新及可自訂語義。透過模組化架構，程式設計師可以擴充核心組件，如計劃選擇與信念修正。AgentSpeak使學術界與產業界能更快速的原型設計、模擬與部署智慧型代理於模擬系統、物聯網及多代理場景中。

Berkeley Pacman Projects的倉庫提供一個模組化的Python程式碼庫，讓用戶在Pacman迷宮中建立並測試AI代理。它引導學習者進行非知情和知情搜尋（DFS、BFS、A*）、對抗性多智能體搜尋（minimax、alpha-beta剪枝），以及強化學習（Q-learning與特徵擷取）。整合的圖形界面實時視覺化代理行為，內建測試案例與自動評分驗證算法正確性。透過反覆實作算法，使用者能在統一的遊戲框架中累積狀態空間探索、啟發式設計、對抗性推理與獎勵導向學習的實務經驗。

UnitMesh框架提供一個彈性模組化的環境，用於定義、管理與執行AI代理鏈。它可無縫整合OpenAI、Anthropic與自訂模型，支援Python和Node.js SDK，並內建記憶儲存、工具連接器和插件架構。開發者可以調度平行或串列的代理工作流程，追蹤執行日誌，並透過自訂模組擴展功能。其事件驅動設計確保在雲端或本地部署中具有高性能與可擴展性。

ElizaOS 提供一套強大的工具，用於在 TypeScript 項目中設計、測試和部署自主 AI 代理。開發者可以定義代理角色、目標和記憶層級，並利用 ElizaOS 的規劃系統來設計任務流程。其模組化連接器架構簡化了與通信平台—如 Discord、Telegram、Slack、X—及 Web3 匹配器的整合。ElizaOS 支援多個 LLM 後端（OpenAI、Anthropic、Llama、Gemini），實現模型之間的無縫切換。插件支援擴展功能，包含自訂技能、記錄和可觀察性。借助 CLI 和 SDK，你的團隊可以微調代理配置，監控即時表現，並在雲端或本地環境中擴展部署。ElizaOS 讓企業能自動化客戶互動、社群媒體參與和業務流程，創造自主數位工作者。

EthicalEvalMAS提供一個模組化的環境，用於評估多智能體系統在正義、自主性、隱私、透明度和利他性等關鍵倫理層面的表現。用戶可以生成自定義場景或使用內建範本，定義專屬指標，執行自動化評估腳本，並通過內建的報告工具來視覺化結果。其擴展架構支持與現有MAS平台集成，並促進不同智能體行為的可重現倫理測試。

IntelligentMASPlatform旨在通過模組化架構收快多智能體系統的開發與部署，架構分為代理層、環境層與服務層。代理使用符合FIPA標準的ACL消息進行通信，實現動態談判與協調。它包括一個多功能環境模擬器，讓開發者建模複雜場景、安排代理任務，並通過內置的儀表板實時可視化代理交互。為支持高階行為，它集成了增強學習模組並支持自定義行為插件。部署工具支持將代理打包為獨立應用或分佈式網絡。此外，平台的API也方便與數據庫、物聯網設備或第三方AI服務集成，非常適合用於科研、工業自動化和智慧城市應用。

LinkAgent提供一個輕量級的微核心，用於構建具插拔元件的AI代理。用戶可以註冊語言模型後端、檢索模組與外部API作為工具，並運用內建的規劃器與路由器，組合成工作流程。LinkAgent支援記憶體處理器以保持上下文持續，動態調用工具，並設有可配置的決策邏輯進行複雜的多步推理。只需少量程式碼，團隊即可自動化問答系統、資料抽取、流程協調與報告產生等任務。

MACL 是一個模組化的 Python 框架，旨在簡化多個 AI 智能體的創建與協調。它允許你定義具有自訂技能的獨立智能體，設置通信通道，並在智能體網絡中排程任務。智能體可以交換訊息、協商責任，並根據共享資料動態調整。內建支援常用 LLMs，以及擴展性的插件系統，使 MACL 能在客戶服務自動化、數據分析流程和模擬環境等領域中實現可擴展且易於維護的 AI 工作流程。

MultiAgent2提供一套完整工具包，用於協調由大型語言模型驅動的自主AI代理。開發者可以定義具有定制化角色、策略和記憶上下文的代理，實現對話、資料共享和共同解決問題。框架支持可插拔的長期記憶存儲選項、基於角色的存取控制以及可配置的同步或非同步對話通道。其CLI和Python SDK促進快速原型開發、測試和部署多代理系統，適用於研究實驗、自動化客戶支援、內容生成管道和決策支援流程。通過抽象代理間通信和記憶管理，MultiAgent2加速複雜AI應用的開發。

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。