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。

Agents-Deep-Research旨在通過提供模組化、可擴展的程式碼庫，簡化自主AI代理的開發與測試。它具有將用戶定義目標分解為子任務的任務規劃引擎、存儲與檢索上下文的長期記憶模組，以及允許代理與外部API和模擬環境互動的工具整合層。框架還提供評估腳本和基準工具，用於衡量代理在各種場景中的性能。基於Python，並可適配多種LLM後端，幫助研究人員和開發者快速原型化新型代理架構，進行可重複的實驗，並比較不同的規劃策略。

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。