LLM Agents Example提供一個實用的範例程式碼庫，用於建立Python中的AI代理。它展示註冊自訂工具（如網路搜尋、WolframAlpha數學求解器、CSV分析器、Python REPL）、建立聊天及檢索型代理，並連接向量資料庫進行文件問答。此範例示範維持對話記憶、動態派遣工具呼叫，以及鍊結多個LLM提示來解決複雜任務的方法。使用者可學習整合第三方API、結構化代理工作流程，並延展框架功能——作為開發者實驗與原型設計的實用指南。

Morph幫助用戶快速構建可以輕鬆安全部署的AI應用。該平台支持連接到BigQuery和Snowflake等數據源，並允許使用Python中的OpenAI API和ML模型進行數據處理。通過Morph，您可以在Markdown中創建互動屏幕並通過URL分享。此外，該框架預先配備基於角色的訪問控制和先進的安全功能，以確保您的數據受到保護。

該儲存庫提供逐步教程和範例實作，用於創建使用DeepSeek進行高維度向量檢索的ReAct AI代理。內容涵蓋環境配置、依賴安裝及自定義數據的向量存储配置。該代理利用ReAct模式結合推理和外部知識查找，產生透明且可解釋的回應。用戶可擴展系統，加入更多文件載入器、微調Prompt模板或更換向量資料庫。此彈性框架能幫助開發者與研究者快速原型設計強大的對話代理，實現推理、檢索及多知識源的無縫互動，只需幾行Python程式碼。

Reddit AI Agent是一個用Python編寫的命令列工具，結合PRAW與OpenAI GPT-3.5/4模型，自動化Reddit上的各種內容工作流程。它能從指定子版塊抓取帖子、評論或流行串，並將內容輸入GPT，生成高階摘要、情感分析或版主管理建議。用戶通過設定環境變數配置Reddit認證與OpenAI密鑰，並可調整提示範本與選擇任務，透過簡單的JSON配置檔來設定。執行後產出結構化輸出檔案或終端記錄，可供審核、用PRAW直接發布，或整合到更大的審核與研究流程中。

Agents with ADK是一個開源的Python框架，旨在簡化由大型語言模型驅動的智能代理建立。它包含模組化的代理範本、內建記憶管理、工具執行介面，以及多代理協調功能。開發者能快速插入自定義功能或外部API，配置規劃與推理流程，並監控代理互動。該框架支援與流行的LLM供應商整合，並提供日誌、重試邏輯，以及用於生產部署的擴展性。

BotPlayers是一個多功能的開源框架，旨在簡化AI驅動的遊戲代理的開發與部署。它具有支持截屏爬取、Web API或自訂模擬界面的彈性環境抽象層，允許代理與各種遊戲交互。框架內置強化學習算法、遺傳算法和基於規則的啟發式策略，並附有數據記錄、模型檢查點和性能視覺化工具。其模塊化插件系統讓開發者可用Python或Java自訂感測器、行動和AI策略。BotPlayers亦提供YAML配置快速原型開發和自動化訓練、評估流程。支持Windows、Linux和macOS等多平台，加速智能遊戲代理的實驗與商用。

DataCamp是一個專注於教授數據科學、AI及各種編程語言（如Python和SQL）的線上學習平台。擁有超過490門課程，使用者可以通過視頻教程、編碼練習和實際項目向行業專家學習。DataCamp還提供認證，以驗證您的技能並使您準備好進入求職市場。

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。

PyBrain，即Python基於強化學習、人工智能和神經網絡庫的簡稱，是一個模組化的開源庫，專為機器學習任務設計。它支持構建神經網絡、強化學習及其他AI算法。憑藉其強大且易於使用的算法，PyBrain為開發者和研究人員提供了有價值的工具，以解決各種機器學習問題。該庫與其他Python庫平滑集成，適用於從簡單的監督學習到複雜的強化學習情境的任務。

Python Coding Agent是一個開源的命令列工具，使用GPT模型根據文字提示生成Python程式碼，將程式碼本地執行，並捕捉執行時錯誤。它提供即時回饋，讓用戶能反覆微調程式碼、自動化重複性腳本任務、原型資料分析流程以及除錯函數。將自然語言理解與即時程式碼執行結合，縮短想法與實作的距離，加速開發與學習。

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。

DataAgent 利用基於 LLM 的先進 AI 代理探索數據集、產生洞見，自動組建機器學習管道。用戶只需指向 CSV、SQL 表格或 Pandas DataFrame 並以自然語言提問。代理會解讀查詢、執行分析程式碼、可視化結果，甚至撰寫模組化的 Python 腳本來完成 ETL 和建模任務。它簡化整個資料科學流程，減少樣板碼並加快實驗速度。