MAPF_G2RL 是一個開源研究框架，將圖論與深度強化學習結合起來，以解決多智能體路徑搜尋問題（MAPF）。它將節點和邊編碼為向量表示，定義空間和碰撞感知的獎勵函數，支援 DQN、PPO、A2C 等多種 RL 算法。框架通過生成隨機圖或導入現實世界地圖來自動創建場景，並管理訓練循環以同時優化多個代理的策略。訓練後，代理在模擬環境中進行評估，以測量路徑最優化、完成時間和成功率。其模組化設計使研究人員能擴展核心元件、整合新技術，並與傳統解算器做基準測試。

MARO（多代理資源優化）是一個基於Python的框架，旨在支援供應鏈、物流和資源管理場景中多代理強化學習代理的開發與評估。其包含存貨管理、卡車排程、交叉碼頭作業、集裝箱租賃等模板。MARO提供統一的代理API、內建追蹤器用於實驗記錄、平行模擬以進行大規模訓練，以及性能分析的視覺化工具。平台模組化、可擴展，可與流行RL庫整合，實現可重複的研究與快速的AI驅動優化方案原型。

Truescope提供增強AI的媒體監控和分析，使得可以輕鬆地實時追蹤和分析媒體報導。憑藉先進的功能，如自然語言處理、情感分析和全面的報告工具，Truescope使用戶能夠可視化他們在主流媒體和社交媒體中的表現和聲譽，幫助相關利益者保持知情和主動。

Colosseum Agent Battles 提供模組化的 Python SDK，用於在可客製化的場域中建立人工智慧代理競賽。用戶可定義具有特定地形、資源和規則集的環境，並透過標準化介面實作代理策略。該框架處理戰鬥排程、裁判邏輯與即時行動及結果的記錄。它包含運行錦標賽、追蹤勝負統計、以圖表視覺化代理人性能的工具。開發者也可與流行的機器學習庫整合，訓練代理、導出戰鬥資料進行分析、擴展裁判模組以自訂規則。最終，它簡化人工智慧策略在一對一比拼中的基準測試。此外也支援 JSON 和 CSV 格式的記錄，方便後續分析。

AI代理人石頭剪刀布是一個開源Python專案，展示如何在經典遊戲中建立、訓練和評估不同的AI策略——隨機、規則基圖案識別與強化學習（Q-學習）。它提供模組化的代理類別、可配置的遊戲執行器、性能記錄與視覺化工具。用戶可以輕鬆交換代理、調整學習參數，並探索AI在競爭場景中的行為。

CrewAI-Learning是一個開源庫，旨在簡化多智能體強化學習的項目。它提供環境結構、模組化智能體定義、可定制的回饋函數，以及適用於協作任務的內建算法如DQN、PPO和A3C。用戶可以定義場景、管理訓練迴圈、記錄度量並視覺化結果。框架支持動態配置智能體團隊和回饋共享策略，使其在多領域中便於原型設計、評估和優化合作AI解決方案。