Dino Reinforcement Learning提供一整套工具，用於訓練AI代理通過強化學習遊玩Chrome恐龍遊戲。通過與Selenium的無頭Chrome實例集成，它捕捉實時遊戲畫面並將其處理為優化深度Q網路輸入的狀態表示。該框架包括重播記憶體、epsilon-greedy探索、卷積神經網路模型以及可定制超參數的訓練循環。用戶可以通過控制台日誌監控訓練進展，並保存檢查點以供後續評估。訓練完成後，代理可以自動自主應用或與不同模型架構進行基準測試。模組化設計使得更換RL算法變得簡單，是一個彈性良好的實驗平台。

mini-agi旨在通過提供一個最小、模塊化的框架，簡化自主AI代理的創建。它採用Python編寫，利用OpenAI的語言模型來解釋高層級目標，將其分解為子任務，並調度如HTTP請求、文件操作或自定義操作的工具調用。該框架包含記憶存儲，用於跟蹤代理狀態和結果，有成本啟發式的任務分解計劃器模塊，以及按序調用工具的執行器模塊。用戶可以通過配置文件插入自定義工具、定義提示模板和調整規劃深度。mini-agi的輕量架構非常適合用於原型設計，例如進行研究查詢、流程自動化或自主生成代碼。