EspressoAI為開發者提供一個結構化環境，用於設計、配置和部署由大型語言模型驅動的AI代理。它支持在代理工作流程中註冊和調用工具，通過內建的記憶模塊管理對話上下文，並允許鏈接提示進行多步推理。開發者可以整合外部API、自訂插件和條件邏輯，以定制代理行為。該框架的模組化設計確保擴展性，讓團隊能替換組件、加入新能力，或適配專有的LLM而不需重寫核心邏輯。

Query-Bot整合了文件攝取、文本切割與向量嵌入，從PDF、文本文件和Word文檔建立可搜尋的索引。結合LangChain和OpenAI GPT-3.5 Turbo處理用戶查詢，提取相關段落並生成簡明答案。基於Streamlit的界面讓用戶上傳文件、追蹤對話歷史並調整設定。可在本地或雲端部署，提供擴展性強的框架以支持自訂代理和知識庫。

Advanced_RAG 提供一個模組化的管道，用於檢索增強生成任務，包括文件載入器、向量索引構建器和鏈管理器。用戶可以配置不同的向量資料庫（FAISS、Pinecone）、自訂檢索策略（相似度搜尋、混合搜尋），並插入任何 LLM 以產生具上下文的回應。它還支援評估指標與日誌記錄，用於性能調整，並設計為具有擴展性與可擴充性，適合生產環境使用。

Agentle為開發者提供一個結構化的框架，以最少的樣板碼建立定制的AI代理。它支持將代理工作流程定義為任務序列、與外部API及工具的無縫整合、保存上下文的對話記憶管理，以及內建的日誌記錄以確保可追蹤性。該庫還提供插件掛鉤以擴展功能、多代理協調以處理複雜管道，以及統一界面在本地運行或通過HTTP API部署。

Crayon使開發者能在JavaScript/Node.js中建立能呼叫外部API、維持對話歷史、規劃多步任務和處理非同步流程的自主AI代理。其核心實現了一個規劃-執行循環，將高層目標拆解為獨立的行動，並與自訂工具包整合，利用記憶模組來儲存和回憶資訊跨會議。該框架支援多個記憶後端、插件式工具整合與完整的除錯記錄。開發者可以透過提示與YAML流程配置代理行為，這促使複雜工作流程，例如資料爬取、報告生成和互動聊天機器人變得簡便且高效。Crayon的架構支持擴展，讓團隊能整合特定領域工具並根據業務需求調整代理。

CryptoTrader Agents provides a comprehensive toolkit for designing, training, and deploying AI-driven trading strategies in cryptocurrency markets. It includes a modular environment for data ingestion, feature engineering, and custom reward functions. Users can leverage preconfigured reinforcement learning algorithms or integrate their own models. The platform offers simulated backtesting on historical price data, risk management controls, and detailed metric tracking. When ready, agents can connect to live exchange APIs for automated execution. Built on Python, the framework is fully extensible, enabling users to prototype new tactics, run parameter sweeps, and monitor performance in real time.

e2e-chainlit-chatbot是一個示例項目，展示了使用Chainlit的完整對話式AI開發週期。該存儲庫包括端到端的代碼，用於啟動本地Web服務器，托管具有交互性的聊天界面，集成大型語言模型以產生回應，並管理消息之間的對話上下文。它具有可定制的提示模板、多代理工作流程和實時流式回應。開發者可以配置API金鑰、調整模型參數，並用自定義邏輯或集成來擴展系統。由於依賴少且文檔清晰，該項目加快了AI驅動聊天機器人的實驗，並為生產級的對話助手提供堅實的基礎。還包括自定義前端組件、日誌記錄和錯誤處理的範例。設計為能與雲平台無縫集成，支援原型和正式應用場景。

LangChain Google Gemini 代理是一個用於簡化由Google Gemini語言模型提供支持的自主AI代理建立的Python函式庫。它結合 LangChain 的模組化設計—允許提示鏈、記憶管理和工具整合—與 Gemini 先進的自然語言理解能力。用戶可以定義自訂工具，進行API呼叫、資料庫查詢、網路爬蟲及文件摘要，並由代理解讀用戶輸入，選擇適當的工具操作，產生連貫的回應。這樣的代理能進行多步推理、即時資料存取和語境對話，非常適合建立聊天機器人、研究助手和自動化工作流程，也支援與流行向量資料庫及雲端服務整合，提供擴展性。

MARL-DPP是一個開源框架，使用確定性點過程（DPP）強制多智能體強化學習（MARL）中的多樣性。傳統的MARL方法經常陷入策略收斂到類似行為的問題，MARL-DPP透過引入基於DPP的措施來鼓勵代理保持多元的行動分佈。該工具套件提供模組化的程式碼來將DPP嵌入訓練目標、樣本策略和探索管理中，包括與OpenAI Gym和多智能體粒子環境（MPE）的即插即用整合，以及用於超參數管理、日誌記錄和多樣性指標視覺化的工具。研究人員可以評估多樣性約束在合作任務、資源分配與競爭遊戲中的影響。其擴展性設計支持客製化環境與高階演算法，促進新型MARL-DPP變體的探索。

模組化LLM架構旨在通過可組合的模組設計，簡化定制化LLM驅動應用的創建。它提供關鍵組件如會議狀態保持的記憶模組、外部API調用工具接口、模板或動態提示生成的提示管理器，以及控制代理人工作流程的協調引擎。您可以配置串聯這些模組的管線，以實現多步推理、上下文感知回應和資料整合等複雜行為。此框架支持多個LLM後端，允許切換或混用模型，同時提供擴展點以增加新模組或自訂邏輯。這個架構加快開發速度，促進元件重用，並維持對代理行為的透明度與控制。

MultiAgentes採用模組化架構來定義環境和智能體，支持同步和異步的多智能體互動。它包含環境和智能體的基礎類別，預定義的合作和競爭任務方案，用於自定義獎勵函數的工具，以及通信和觀察分享的API。可視化工具允許實時監控智能體行為，同時記錄模組記錄性能指標供分析。該框架能與Gym兼容的強化學習庫無縫集成，讓使用者可以用現有演算法訓練智能體。MultiAgentes設計為可擴展性，允許開發者添加新的環境模板、智能體類型和通信協議，以適應多樣的研究與教育應用。

rag-services是一個可擴展的平台，將RAG流程拆分成不同的微服務。它提供文件存儲服務、向量索引服務、嵌入服務、多個LLM推理服務，以及協調工作流程的編排器。每個模組都提供REST API，允許你組合資料庫和模型供應商。支持Docker和Docker Compose，可以在本地或Kubernetes叢集部署。此框架支持為聊天機器人、知識庫和自動文件問答提供擴展性和容錯性強的解決方案。