LLMLing代理是一個模組化框架，用於建立、配置和部署由大型語言模型驅動的人工智能代理。用戶可以實例化多個代理角色，連接外部工具或API，管理對話記憶，並協調複雜的工作流程。平台包含一個基於瀏覽器的實驗場，可視化代理互動、記錄訊息歷史，並允許實時調整。借助Python SDK，開發者可以撰寫自定義行為、整合向量數據庫，並通過插件擴展系統。LLMLing代理通過提供可重用組件和清晰抽象，簡化聊天機器人、數據分析機器人和自動化助手的創建流程，促進多代理協作。

OpenAssistant提供一套完整的工具，用於構建和微調符合特定任務的AI代理。它包括將原始對話數據集轉換為訓練格式的腳本、用於基於指令學習的模型，以及監控訓練進展的工具。插件架構允許無縫集成外部API，實現知識檢索與工作流程自動化等擴展功能。用戶可以利用預設的基準測試評估代理性能，通過直觀的網頁界面視覺化互動，並以容器化方式部署生產端點。其可擴展的源碼支援多種深度學習後端，方便自定義模型架構與訓練策略。從數據準備到部署，OpenAssistant提供端對端支援，加速對話式AI解決方案的開發週期。

Pi Web Agent是一個輕量級且可擴展的在網頁上構建AI聊天代理的框架。其後端使用Python FastAPI，前端采用React，提供由OpenAI、Cohere或本地LLMs驅動的交互式對話。用戶可以上傳文件或連接外部數據庫進行語義搜索，通過向量存儲實現。插件架構允許本地開發自定義工具、函數調用和第三方API整合，提供完整的源碼訪問、基於角色的提示範本和可配置的記憶存儲，打造定制化的AI助手。

Agentic Kernel 提供一個解耦的架構，用於通過組合可重用的組件來構建AI代理。開發者可以定義規劃流程來分解目標，配置短期和長期記憶存儲（使用嵌入或檔案後端），並註冊外部工具或API來執行操作。該框架支持動態工具選擇、代理反思循環，以及內置的排程來管理工作流程。其可插拔設計適用於任何LLM提供商和自定義組件，應用場景包括對話助手、自動研究代理和數據處理機器人。通過透明的日誌、狀態管理和易於集成，Agentic Kernel加快開發速度，同時確保AI驅動應用的可維護性和可擴展性。

HFO_DQN結合了Python和TensorFlow，提供用於訓練使用Deep Q-Network足球代理人的完整流程。用戶可以克隆存儲庫、安裝依賴項（包括HFO模擬器和Python庫），並在YAML文件中配置訓練參數。該框架實現了經驗重放、目標網路更新、ε-貪婪探索和針對半場進攻領域的獎勵塑造。它包含訓練代理人、性能記錄、評估比賽和結果繪圖的腳本。模塊化結構允許集成自定義神經網絡架構、替代強化學習算法和多智能體協調策略。輸出包括訓練模型、性能指標和行為視覺化，促進強化學習和多智能體系統研究。

LangChain AI Scientist V2 利用大型語言模型與 LangChain 的代理框架，協助研究人員完成科學流程的每個階段。它可以吸收學術論文進行文獻回顧、生成新假設、設計實驗流程、撰寫實驗報告，並產生資料分析程式碼。用戶可透過 CLI 或筆記本互動，並用提示模板與配置設定自訂任務。它通過串連多步推理鏈，提升研究速度、減少手動工作，並確保結果可重複。