AI Agents Laravel 提供一個完整的框架，用於定義、管理和執行 Laravel 應用中的 AI 驅動代理。它抽象化與各種大型語言模型（OpenAI、Anthropic、Hugging Face）的互動，並內建支援工具整合，如 HTTP 請求、資料庫查詢和自訂商業邏輯。開發者可以定義具有自訂提示、記憶後端（記憶體中、資料庫、Redis）和決策規則的代理，以處理複雜對話流程或自動化任務。套件包含事件記錄、錯誤處理和監控鉤子，以追蹤代理效能。它促進快速原型開發，並能在網頁環境中無縫整合智慧助手、資料解析器與工作流程自動化。

Astro Agents提供模組化架構來建構JavaScript與TypeScript的AI代理。開發者可以註冊自定義資料查詢工具、整合記憶庫以保留對話上下文，並編排多步推理流程。它支援多個LLM供應商如OpenAI與Hugging Face，可作為靜態網站或伺服器無關的函式部署。內建監控與擴充插件，團隊可快速原型、測試與擴展AI驅動的助手，且無需龐大基礎設施負擔。

Bedrock Engineer為開發者提供一個結構化、模組化的方法，用於建立依賴AWS Bedrock基础模型（如Amazon Titan和Anthropic Claude）的AI代理。此工具包包含資料檢索、文件分析、自動推理與多步規劃的範例流程。它管理會話背景，與AWS IAM整合以確保安全存取，並支援客製化提示模板。透過抽象繁瑣的樣板程式碼，Bedrock Engineer加快聊天機器人、摘要工具與智慧助理的開發速度，同時利用AWS管理的基礎設施達到擴展性與成本優化。

BeeAI Framework Py Starter是一個開源的Python專案，旨在快速啟動AI代理的建立。它包括核心模組用於代理協調、一個擴展功能的插件系統，以及連接流行LLM API的適配器。開發者可以定義任務、管理對話記憶並透過簡單的配置檔整合外部工具。該框架強調模組化和易用性，支持對話式聊天機器人、自動化助手和資料處理代理的快速原型設計，無需樣板程式碼。

Chat2Graph 集成於 TuGraph 圖形資料庫，提供對話式界面用於圖數據探索。透過預建連接器和提示工程層，將用戶意圖轉譯為有效的圖查詢，處理架構探索、建議優化方案，並在實時中執行查詢。結果可以表格、JSON 或網路視覺化方式在網頁UI中呈現。開發者能自定義提示範本、集成自訂插件或將Chat2Graph嵌入Python應用。適用於快速開發圖形驅動應用，並使領域專家能分析社交網路、推薦系統與知識圖中的關係，無需手動撰寫Cypher語法。

Junjo Python API是一個SDK，使開發者能將AI代理整合到Python應用中。它提供統一介面來定義代理、連結LLM、協調Web搜尋、資料庫或自定義函數等工具，並維持對話記憶。開發者可以建立條件式任務鏈、向客戶串流回應並優雅地處理錯誤。該API支持插件擴展、多語言處理和即時數據擷取，使自動客服、數據分析機器人等應用成為可能。配合完整的文件、範例程式碼與Python風格設計，Junjo Python API能縮短市場推廣與運營成本，快速部署智慧代理方案。

LazyLLM提供外部API或自定義工具。代理透過串列或分支工作流程來執行定義的任務，支援同步或非同步操作。LazyLLM還提供內建的日誌、測試工具和擴充點，以自訂提示或檢索策略。藉由管理底層的LLM呼叫、記憶體管理和工具執行，LazyLLM能快速建立原型和部署智能助理、聊天機器人與自動化腳本，幾乎不需樣板碼。

SuperBot是一個全面的AI代理框架，使開發者能透過Python和命令列部署自主且具上下文感知的助手。它整合了OpenAI的聊天模型與記憶體系統、函數調用功能及插件架構。代理可以執行Shell命令、運行程式碼、與檔案互動、進行網路搜尋以及維持對話狀態。SuperBot支援多代理協調，以應付複雜的工作流程，全部可透過簡單的Python腳本和CLI指令設定。其擴充設計允許加入自訂工具、自動化任務，以及整合外部API，打造健壯的AI驅動應用。

ThreeAgents使用Python開發，利用OpenAI的聊天完成API來實例化具有不同角色（系統、助理、用戶）的多個AI代理。它提供代理提示、角色基消息處理和上下文記憶管理的抽象。開發者可以定義自訂提示範本、配置代理個性，並鏈接交互以模擬逼真的對話或任務導向工作流程。框架處理消息傳遞、上下文窗口管理和日誌記錄，支持協作決策或層級任務分解的實驗。支持環境變數與模塊化代理，ThreeAgents允許在OpenAI與本地LLM後端之間無縫切換，促進快速原型設計。附帶範例腳本與Docker支持，方便快速部署。

VMAS是一個構建與訓練多智能體系統的綜合工具包，利用深度強化學習。它支持GPU並行模擬上百個環境實例，實現高通量數據收集與可擴展訓練。VMAS包含流行的MARL算法實現，例如PPO、MADDPG、QMIX和COMA，並具有模塊化的策略和環境接口，便於快速原型設計。該框架促進集中訓練與去中心化執行(CDTE)，提供可自定義的獎勵塑造、觀測空間和回調鉤子，用於記錄和可視化。其模塊化設計使VMAS能與PyTorch模型及外部環境無縫整合，非常適合在機器人、交通控制、資源分配和遊戲AI等多方面進行合作、競爭與混合動機任務的研究。

Agentic Framework是一個多功能的開源框架，設計用來簡化利用大型語言模型與MongoDB的自主AI代理的建立。它提供模組化組件來管理代理記憶、定義工具集、調度多步工作流程和模板提示。內建的MongoDB支持記憶體存儲器，使代理能在會話之間保持持久的上下文，而可插拔的工具介面允許與外部API和資料源進行無縫交互。基於Node.js，該框架包括日誌記錄、監控鉤子和部署範例，加快智能代理的原型設計與擴展。透過可定制的配置，開發者可以根據任務需求定制代理，如知識檢索、自動化客戶支持、資料分析和流程自動化，降低開發負擔並加快推向生產。

AgentRails使Rails開發者能夠構建利用大型語言模型進行自然語言理解和生成的智能代理。開發者可以定義自定義工具和工作流程，保持對話狀態跨請求，並無縫整合到Rails控制器和視圖中。它抽象化與OpenAI等供應商的API調用，並支持快速原型製作AI驅動的功能，從聊天機器人到內容生成器，同時遵循Rails的配置和部署規範。

瀏覽器代理將OpenAI的語言模型與Playwright整合，能根據自然語言指令執行自動瀏覽任務。它可以載入網頁、導航連結、點擊按鈕、填寫並提交表單、擷取結構化資料、截取螢幕截圖，以及評估自定義JavaScript。在解讀GPT輸出成為瀏覽器行為的過程中，開發者能用最少的程式碼建立網頁自動化工作流程。它支援多頁面會話、cookie與會話管理及錯誤處理。團隊可以撰寫資料爬取、端對端測試或動態內容互動的任務，這些任務皆由對話提示觸發。其架構模組化，提供擴展功能與整合下游流程的掛鉤。

Cerbrec Graphbook是一個強大且用戶友好的圖形化深度學習框架，旨在構建、分析和自訂AI模型。用戶可以使用拖放介面互動式地創建複雜的AI模型，簡化開發過程，讓進階AI更易於接觸。

CL4R1T4S通過提供核心抽象：Agent、Memory、Tools和Chain，幫助開發者構建AI代理。代理可以使用LLM來處理輸入、調用外部函數，並在會話中維持上下文。記憶模塊可存儲對話歷史或領域知識。工具可以封裝API調用，讓代理能夠獲取數據或執行操作。鏈定義了多步複雜任務的序列，例如文檔分析、數據擷取或反覆查詢。框架透明處理提示模板、函數調用和錯誤處理。有了CL4R1T4S，團隊可以原型化聊天機器人、自動化流程和決策支持系統，利用Clojure的函數式範式和豐富生態系統。

CUPCAKE AGI（Component Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence）是一個彈性的Python框架，通過結合語言模型、記憶體和外部工具，簡化建立自主代理的流程。其核心模組包含目標規劃器、模型執行器與記憶管理器，以保持多次互動中的上下文。開發者能透過插件擴充功能，整合API、資料庫或自訂工具包。CUPCAKE AGI支援同步與非同步工作流程，非常適合科研、原型設計和生產環境部署，應用範圍多元。

LAuRA通過提供一個結構化的規劃、檢索、執行和記憶管理模塊管道，簡化智能AI代理的建立。用戶定義複雜任務，LAuRA的Planner會將其分解為可行的步驟，Retriever從向量數據庫或API中獲取信息，而Executor調用外部服務或工具。內建的記憶系統在交互期間保持上下文，支持狀態化和連貫的對話。通過支持流行LLM和向量存儲的擴展性連接器，LAuRA支持快速原型開發和擴展，適用於文檔分析、自動報告、個性化助手及業務流程自動化等應用案例。其開源設計促進社群貢獻與整合彈性。

LobeChat是一個網頁平台，聚合了多樣化的專為特定任務優化的AI助手。從內容生成和程式碼除錯，到市場調查與資料視覺化，每個助手都經過細緻調整，以執行針對性的功能。用戶可立即瀏覽、篩選、評價並啟動助手，無需設定或撰寫程式碼。進階選項允許克隆任何助手到個人工作空間，進行快速自訂或深度配置。整合API存取與協作功能，讓團隊輕鬆採用並擴展AI驅動的工作流程，減少手動操作並提升生產力。

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。

multiagent-env是一個開源的Python函式庫，旨在簡化多智能體強化學習環境的創建和評估。用戶可以通過指定智能體數量、行動和觀察空間、獎勵函數及環境動態來定義合作與對抗情境。它支持實時可視化、可配置渲染，並能輕鬆集成Stable Baselines和RLlib等Python基礎的RL框架。模組化設計允許快速原型制作新情境與便捷的多智能體算法基準測試。