LLM-Blender-Agent使開發者能將LLM封裝為協作型智能體，建立模組化的多智能體AI系統。每個智能體可以存取Python執行、網路擷取、SQL資料庫和外部API工具。框架能管理對話記憶、逐步推理與工具協調，支持產生報告、資料分析、自動化研究和流程自動化等應用。基於LangChain，輕量、擴展性佳，可與GPT-3.5、GPT-4及其他LLM兼容。

多代理股票分析是一個開源框架，部署多個專門的人工智能代理—DataCollector、SentimentAnalyst、Predictor 和 Reporter，以優化端到端的股票研究流程。DataCollector 代理實時擷取價格和財經新聞。SentimentAnalyst 解析新聞內容以衡量市場情緒。Predictor 利用機器學習模型預測未來的股價波動。Reporter 創建詳細摘要與視覺化圖表。其模塊化架構支持輕鬆定制不同資產、模型和報告格式。

Autonomys Agents使開發者能夠創建能執行複雜任務且不需要人工干預的自主AI代理。基於Python，該框架提供定義代理行為的工具、整合外部API和自訂函數，以及維持會話記憶。在多代理設定中，代理可以協作、共享知識並協調行動。觀察模組提供即時日誌、性能追蹤和除錯洞察。憑藉其模組化架構，團隊可以擴展核心組件、整合新型LLM，並在不同環境中部署代理。不論是自動化客服、數據分析或研究流程的協調，Autonomys Agents都能簡化端到端的智能自主系統開發與管理。

DEf-MARL（多智能體強化學習去中心化執行框架）提供一個穩健的基礎設施，用於執行與訓練合作智能體，無需中央控制。它利用點對點通訊協議，分享政策與觀測數據，實現局部互動協調。該框架能無縫整合PyTorch及TensorFlow等常用RL工具包，提供可自訂的環境包裝器、分散式Rollout收集與梯度同步模組。用戶可定義特定智能體的觀測空間、獎勵函數與通訊拓撲。DEf-MARL支持運行時動態添加與移除智能體，通過複製關鍵狀態提升錯誤容忍，並採用自適應通訊調度平衡探索與利用。它透過平行模擬環境並減少中心瓶頸，加速訓練，適用於大規模MARL研究及工業模擬。