RepoAgent 是一個能將任何程式碼倉庫轉變為互動知識庫的人工智慧框架。它將原始碼檔案、函式、類別與文件索引至向量儲存區，實現快速搜尋與情境回應。開發者可問及有關程式碼功能、架構或相依性之自然語言問題。它支援自動摘要、文件生成與測試案例製作，並結合大型語言模型來達成。RepoAgent 也會分析問題、Pull Request 及提交歷史，提供程式碼品質和潛在錯誤的洞見。其模組化設計允許自訂檢索流程、模型選擇與輸出格式。透過整合至 CI/CD 流程或 IDE，使開發更有效率，降低學習曲線，提升團隊生產力。

SmartRAG是一個模塊化的Python函式庫，設計用於搭配大型語言模型的檢索增強生成（RAG）工作流程。它結合了文件引入、向量索引和先進的LLM API，可提供準確且富含上下文的回應。用戶可以匯入PDF、文本檔或網頁，使用FAISS或Chroma等流行的向量存儲進行索引，並定義自訂的提示範本。SmartRAG負責協調檢索、提示組合與LLM推理，並回傳依據資料來源的連貫答案。通過抽象化RAG流程的複雜度，加快知識庫問答系統、聊天機器人及研究助理的開發速度。開發者可以擴充連接器、更換LLM供應商，並微調檢索策略以符合特定知識領域。

Vanilla Agents 是一個輕量級的 PyTorch 為基礎的框架，提供模組化且可擴展的核心強化學習代理實作。它支援 DQN、Double DQN、PPO 和 A2C 等演算法，並配備與 OpenAI Gym 兼容的可插拔環境封裝。用戶可以配置超參數、記錄訓練指標、保存檢查點並制圖學習曲線。程式碼架構清晰，非常適合研究原型設計、教育用途及新想法的基準測試。

CASA設計為一個模組化即插即用的自主框架，建立在ROS生態系統之上。它采用去中心化架構，每個機器人運行本地規劃器和行為樹節點，並向共享黑板發布世界狀態更新。任務分配通過基於拍賣的算法來根據機器人能力和可用性分配任務。通信層使用標準ROS消息在多機器人網路中同步代理。開發者可以自定義任務參數、整合傳感器驅動和擴展行為庫。CASA支持場景模擬、實時監控和日誌工具。其擴展性設計使研究團隊能試驗新型協同算法，並能在多種機器平台上無縫部署，從無人地面車輛到空中無人機。

Agno AI Agent旨在幫助開發者快速構建由大型語言模型支援的自主代理。它提供模組化的工具管理庫、記憶管理、規劃與執行循環，以及與外部API（如網頁搜索、檔案系統和資料庫）的無縫集成。用戶可定義自訂工具介面、配置代理個性化設置，並協調複雜的多步工作流程。代理可以規劃任務、動態調用工具，並從過往交互中學習以提升性能。

ai-agents-trial是一個開源的Python項目，展示如何使用LLMs構建自主AI代理。它提供模組化抽象來規劃代理、調用工具（如網絡搜索、計算器）和管理記憶。開發者可以定義自訂工具、串連多步操作，並在會話間保存上下文。這個代碼庫結合OpenAI API與輔助工具，協調工作流程，非常適合快速建立聊天助手、研究機器人或專門領域的自動化代理的原型。擴展點允許添加新連接器和資料來源，無需更改核心邏輯。

CrewAI是一個模組化的Python框架，用於建立完全自主的AI代理。核心組件包括用於規劃與決策的代理協調器、連接外部API或自訂動作的工具整合層，以及用於存儲與回憶交互內容的記憶模組。開發者定義任務、註冊工具、配置記憶後端，並啟動能規劃多步驟流程、執行動作、根據結果調整的Agent，讓CrewAI非常適合用於打造智能助手、自動化工作流程與研究原型。

AI-Creator提供一個彈性的架構，可用於創建能執行任務、用自然語言互動並利用外部工具的AI代理。它包含提示管理、鏈式推理、會話記憶及可自訂的流程模組。開發者可以使用簡單的JSON或程式碼配置來定義代理行為，整合API和資料庫作為工具，並將代理部署為Web服務或CLI應用程式。此框架支持擴充性和模組化，非常適合用於快速打造聊天機器人、虛擬助手和專用數位工作者。

AI代理人石頭剪刀布是一個開源Python專案，展示如何在經典遊戲中建立、訓練和評估不同的AI策略——隨機、規則基圖案識別與強化學習（Q-學習）。它提供模組化的代理類別、可配置的遊戲執行器、性能記錄與視覺化工具。用戶可以輕鬆交換代理、調整學習參數，並探索AI在競爭場景中的行為。

CrewAI-Learning是一個開源庫，旨在簡化多智能體強化學習的項目。它提供環境結構、模組化智能體定義、可定制的回饋函數，以及適用於協作任務的內建算法如DQN、PPO和A3C。用戶可以定義場景、管理訓練迴圈、記錄度量並視覺化結果。框架支持動態配置智能體團隊和回饋共享策略，使其在多領域中便於原型設計、評估和優化合作AI解決方案。

JaCaMo提供一個統一的環境，用於設計和運行多智能體系統（MAS），整合三個核心組件：用於基於BDI代理的Jason代理語言、用於工件的環境建模CArtAgO，以及用於指定組織結構和角色的Moise。開發者可以撰寫代理計劃、定義帶操作的工件，並在規範框架下組織代理群組。此平台包括模擬、除錯和視覺化MAS交互的工具。支援分散式執行、工件資料庫及彈性訊息傳遞，使得JaCaMo能迅速原型化與研究，例如群體智慧、協作機器人及分散決策。其模組設計確保在學術及工業專案中的擴展性及彈性。

LangChain 是一個模組化的框架，幫助開發者連結大型語言模型與外部資料來源和工具，打造高階 AI 應用。它提供用於順序 LLM 呼叫的鏈抽象、決策流程的代理協調、用於保留上下文的記憶模組，並與文件載入器、向量存儲器與 API 工具整合。支援多供應商和 Python、JavaScript SDK，加速聊天機器人、QA 系統與個人化助理的原型與部署。

LLM to MCP整合引擎是一個開源框架，用於將大型語言模型（LLMs）整合到各種訊息通信平台（MCPs）中。它提供OpenAI和Anthropic等LLM API的適配器，以及Slack、Discord和Telegram等聊天平台的連接器。該引擎管理會話狀態、豐富上下文並雙向路由訊息。其插件化架構使開發者能擴展支持新供應商並自定義業務邏輯，加速AI代理在生產環境中的部署。

LLMWare 作為一個全面的工具包，用於構建由大型語言模型驅動的 AI 代理。它允許用戶定義可重用的鏈條，通過簡單接口整合外部工具，管理上下文記憶狀態，並協調多步推理，涵蓋語言模型與下游服務。使用 LLMWare，開發者可插入不同模型後端，設定代理決策邏輯，並附加自定義工具包，用於網頁瀏覽、資料庫查詢或 API 呼叫等任務。其模組化設計支持快速原型開發自主代理、聊天機器人或研究助手，並提供內建日誌記錄、錯誤處理與部署適配器，適用於開發與生產環境。

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。

多智能體無人機環境是基於OpenAI Gym與PyBullet建立的Python套件，提供可自訂的多智能體模擬。用戶可以定義多個具有運動與動力模型的無人機代理，探索隊形飛行、目標追蹤與障礙避讓等合作任務。此環境支持模組化任務配置、逼真碰撞偵測與感測器模擬，同時允許自定義獎勵與去中心化策略。開發者可整合自家強化學習演算法，評估在不同場景下的效能，並即時視覺化代理軌跡與度量。其開源設計鼓勵社群貢獻，適合用於研究、教學及高階多智能體控制原型開發。

JADE是一個基於Java的代理框架，使開發者能夠在分散式環境中建立、部署與管理多個自主軟件代理。每個代理在容器中運行，通過符合FIPA的代理通訊語言（ACL）進行通信，並能在服務目錄（Directory Facilitator）註冊服務以供發現。代理執行預定義行為或動態任務，並能利用遠端方法調用（RMI）在容器間遷移。JADE支持本體定義，用於結構化訊息內容，並提供圖形工具來監控代理狀態與訊息交換。其模組化架構允許與外部服務、資料庫及REST界面整合，使其適用於模擬、物聯網協調、談判系統等各種應用。框架的擴展性與行業標準的遵循，促進了複雜多代理系統的實作。

Multiagent-Prediction-Reward 是一個針對研究的框架，整合預測模型與獎勵分配機制，用於多智能體增強學習。其包含環境包裝器、預測同行動的神經模組，以及可自定義的獎勵路由邏輯，根據智能體的表現進行調整。該專案提供配置文件、範例腳本和評估儀表板，方便進行合作任務的實驗。用戶可以擴展代碼，測試新型獎勵函數、整合新環境及與既有多智能體 RL 演算法進行基準測試。

Multiagent_system提供了一套完整的工具包，用於構建和管理多智能體環境。用戶可以定義自訂模擬場景、指定智能體行為，並利用預先實現的算法如DQN、PPO和MADDPG。該框架支持同步和異步訓練，使智能體能同時或輪流互動。內建的通信模組促進智能體間的訊息傳遞，用於合作策略。通過YAML文件簡化實驗配置，結果自動記錄為CSV或TensorBoard格式。視覺化脚本幫助解釋智能體軌跡、獎勵演變和通信模式。Designed for research and production workflows, Multiagent_system seamlessly scales from single-machine prototypes to distributed training on GPU clusters.

Prediction Market Agent Tooling 提供模組化架構來建立自主預測市場交易代理。它包括主要平台的連接器如 Augur 和 Polymarket、一套可重用策略範本、即時數據串流、強大的回測引擎，以及內建的績效分析。使用者可以快速原型設計算法、模擬歷史市場狀況，並部署實時代理監控工具，非常適合研究者與量化交易者。