MAGAIL實現了一個多代理擴展的生成對抗模仿學習，使多組代理能從專家示範中學習協調行為。基於Python並支援PyTorch（或TensorFlow變體），MAGAIL由策略（生成器）和判別器模組組成，透過對抗迴圈聯合訓練。代理在如OpenAI多代理粒子環境或PettingZoo等環境中產生軌跡，判別器用來評估軌跡的真實性與專家數據的對應性。透過反覆更新，政策網路逐步收斂到類似專家的策略，且無需明確的獎勵函數。MAGAIL的模組化設計允許自訂網路架構、專家資料輸入、環境整合與訓練超參數。此外，內建的日誌記錄與TensorBoard可視化便於監控和分析多代理學習的進展與性能基準。

智能體中的新興通訊是一個開源的PyTorch框架，專為探索多智能體系統如何發展自己的通訊協議的研究人員設計。該資料庫提供靈活的合作強化學習任務實現，包括參照游戲、組合彩游戲和對象識別挑戰。用戶定義說話者和聽者的架構，指定訊息通道的屬性（如詞匯大小和序列長度），並選擇訓練策略（如策略梯度或監督學習）。框架包括端到端的腳本用於執行實驗、分析通訊效率和可視化新興語言。其模組化設計允許輕鬆擴展新的游戲環境或自定義損失函數。研究人員可以復現已發表的研究、基準測試新算法，並探究新興智能體語言的組合性和語意。

GAMA Genstar Plugin通過連接OpenAI、本地LLM及自訂模型端點，為GAMA平台增添生成式AI能力。用戶在GAML中定義提示和流程，以即時產生代理決策、環境描述或場景參數。此插件支持同步與非同步API調用、響應快取與參數調整，簡化自然語言模型在大規模模擬中的整合，降低手動腳本工作，促進更豐富、適應性的代理行為。

MARFT是一個基於Python的LLM，支持可重複實驗和快速原型設計協作式AI系統。

Poke-Env旨在透過提供完整的Python介面來簡化寶可夢Showdown對戰的AI代理建立與評估工作。它處理與Pokémon Showdown伺服器的通訊、解析遊戲狀態資料，並利用事件驅動架構管理每回合的行動。用戶可以擴展基本玩家類別以實作使用強化學習或啟發式演算法的自訂策略。此框架支援內建的對戰模擬、平行對戰以及詳細記錄行動、獎勵與結果，便於複現研究。藉由抽象底層網路與解析任務，Poke-Env讓AI研究人員與開發者專注於演算法設計、性能優化與策略比較。

WorFBench是一個全面的開源框架，用於評估建構於大型語言模型上的AI代理能力。它提供多樣化的任務，例如行程規劃、程式碼生成流程等，每個任務都具有明確的目標和評估指標。用戶可以配置自訂的代理策略，透過標準化API整合外部工具，以及運行自動化評估，記錄在任務分解、規畫深度、工具調用準確率及最終輸出品質方面的表現。內建的視覺化儀表板能輕鬆追蹤每個代理的決策路徑，方便識別優缺點。WorFBench模組化設計，使得新增任務或模型非常快速，同時促進可重複的研究與比較。