HMAS是一個開源的Python框架，允許開發階層式多智能體系統。它提供抽象功能，用於定義智能體層級、智能體間通信協議、環境整合和內建訓練循環。研究人員和開發者可以使用HMAS對複雜的智能體互動進行原型設計、訓練協作策略，以及在模擬環境中評估性能。其模組化設計使擴展和定制智能體、環境及訓練策略變得簡單。

IRIS（互動式研究構思系統）是一個由人工智能驅動的助手，能幫助研究人員快速原型化研究想法。用戶輸入研究主題或領域，IRIS 會產出量身定制的研究問題，識別關鍵概念，綜合相關文獻摘要，並建議實驗設計或方法。它將這些洞察整理成可自訂的工作流程，支援假設發展、資料收集規劃及結果解讀。透過迭代聊天，根據反饋微調輸出，確保與研究目標一致，並導出 PDF、DOCX 或 Markdown 等格式的結構化報告。自動化重複性任務、強化創意思考能力，IRIS 可加速學術、研發實驗室和新創公司的早期研究，促進創新並縮短獲取洞察的時間。

multi_agent_celar設計為模組化的AI平台，能在模擬環境中實現多智能體之間的涌現語言通信。用戶可以通過策略文件定義智能體行為，配置環境參數，並啟動協調訓練，使智能體演化出自己的通信協議以解決合作任務。該框架包含評估腳本、可視化工具，以及對擴展性實驗的支持，非常適合多智能體協作、涌現語言及決策過程的研究。

簡易自學為開發者提供一個非常簡單的方法來用Python建立和訓練強化學習代理。該框架將核心RL組件（如環境封裝、策略模組和經驗緩衝）封裝為簡潔接口。用戶能快速初始化環境，使用熟悉的PyTorch或TensorFlow後端定義自訂策略，並執行內建有日誌記錄和檢查點的訓練循環。該庫支持on-policy和off-policy演算法，可靈活進行Q學習、策略梯度和演員-評論家方法的試驗。降低樣板碼重複度，使實務者、教師和研究人員能以最少配置快速原型化演算法、測試假設並視覺化代理性能。其模組化設計也便於與現有ML堆疊和自訂環境整合。