Nestor提供模組化架構，組合能維持對話狀態、調用外部工具及自訂處理流程的AI代理。主要特色包括基於會話的記憶存儲、工具函數或插件註冊表、彈性的提示範本，以及統一的LLM客戶端介面。代理可執行序列任務、決策分支，並整合REST API或本地腳本。Nestor不依賴特定框架，使用者可以用OpenAI、Azure或自託管的LLM供應商。

Labs是一個開源、可嵌入的領域專用語言，用於定義和執行使用大型語言模型的AI代理。它提供聲明提示、管理上下文、條件分支和集成外部工具（如數據庫、API）的結構。使用Labs，開發者可以將代理工作流程描述為代碼，協調多步任務，如資料檢索、分析和生成。該框架將DSL腳本編譯成可執行的管道，可用於本地或生產環境。Labs支持交互式REPL、命令列工具，並與標準LLM提供商集成。其模組化架構允許輕鬆擴展自定義函數和工具，促進快速原型及可維護的代理開發。輕量運行時確保低資源開銷，無縫嵌入現有應用。

LangGraph Agent將LLMs與圖結構記憶相結合，以建立能記憶事實、推理關係並在需要時調用外部函數或工具的自主代理。開發者定義記憶架構為圖節點與邊，插入自訂工具或API，並通過可配置的規劃者與執行器協調代理工作流程。此方法提升語境保持、促進知識驅動的決策，並支持在多元應用中進行動態工具調用。

在其核心，LionAGI提供模組化架構，用於定義與執行依賴性任務階段，將複雜問題拆解成可順序或並行處理的邏輯組件。每個階段可利用自定義提示、記憶存儲和決策邏輯，根據先前結果調整行為。開發者可整合任何支援的LLM API或自我部署模型，配置觀察空間並定義動作映射，創建具備計劃、推理與多循環學習能力的代理。內建的日誌、錯誤修復與分析工具，支援實時監控與反覆優化。不論應用於研究流程自動化、報告生成或自主流程編排，LionAGI都能以最少樣板碼，加速智慧型、適應性AI代理的開發。

LLM驅動的AI代理旨在通過模組化架構協調大型語言模型與外部工具，簡化自主代理的創建。開發者可以定義具有標準化接口的自定義工具，配置記憶後端以保存狀態，以及建立多步推理鏈，使用LLM提示來規劃和執行任務。AgentExecutor模組管理工具調用、錯誤處理和異步工作流程，內建範例模板展示了資料擷取、客戶支援及行事曆排程等場景。通過抽象API調用、提示工程和狀態管理，該框架降低重複性程式碼，加快實驗速度，非常適合Python環境下的客製化智慧自動化解決方案團隊。

LiteSwarm 是一個完整的 AI 代理人協調框架，旨在促進多專精代理人之間的協作。用戶定義各個代理人的角色，如資料抓取、分析、摘要或外部 API 呼叫，並在視覺化工作流程中連結它們。LiteSwarm 處理代理人間的通訊、持久記憶存取、錯誤恢復及記錄。它支援 API 集成、客製化程式碼擴展與即時監控，使團隊能快速原型、測試並部署複雜的多代理解決方案，減少工程負擔。

Llamator是一個開源的JavaScript函式庫，讓開發者可以在統一的管道中，透過結合記憶模組、工具整合與動態提示模板，建立自主AI代理。它協調規劃、行動執行與反思循環，以處理多步驟任務，支援多個LLM提供者，並允許自定義工具來進行API調用或資料處理。利用Llamator，你可以快速在網頁或Node.js應用中原型化聊天機器人、個人助理及自動化工作流程，並且享有模組化架構，方便擴展與測試。

LLM Maze Agent框架提供了一個基於Python的環境，用於構建能夠利用大型語言模型導航網格迷宮的智能代理。通過結合模塊化環境介面、思路鏈提示模板和啟發式規劃，代理迭代詢問LLM以決定移動方向，適應障礙物並更新其內部狀態表示。支持OpenAI和Hugging Face模型的開箱即用，並可配置迷宮生成和逐步調試，方便實驗不同策略。研究人員可以調整獎勵函數、定義自定義觀測空間，並視覺化代理路徑來分析推理過程。這種設計使得LLM Maze Agent成為評估LLM驅動規劃、教授AI概念和基準測試空間推理任務的多功能工具。

LLPhant 是一個開源的 Python 框架，讓開發者能建立多功能的 LLM 驅動代理。提供整合工具（API、搜尋、資料庫）、多輪對話記憶管理以及可自訂的決策循環。支援多個 LLM 後端（如 OpenAI、Hugging Face 及其他），插件式組件，以及配置驅動的工作流程，加快代理開發。可用於原型開發聊天機器人、自動化任務或建立融入外部工具與情境記憶的數位助手，免寫繁瑣重複碼。

Local-Super-Agents提供一個基於Python的平台，用於創建完全在本地運行的自主AI代理。框架包括模組化元件，如記憶體存儲、API整合工具包、LLM適配器和代理協調。用戶可以定義自訂任務代理、連鎖行動，並在沙盒環境中模擬多代理協作。它通過CLI工具、預設模板和可擴展模組抽象複雜的設定。沒有雲端依賴，讓開發者保有資料隱私與資源控制。其插件系統支援整合網頁爬蟲、資料庫連接器和自訂Python函式，應用於自主研究、資料擷取和本地化自動化等工作流程。

在LORS中，用戶可以導入文檔集合，將文本預處理為向量嵌入，並存儲於向量資料庫中。當發出查詢或摘要任務時，LORS會執行語義檢索，識別出最相關的文本片段，並將它們輸入大型語言模型，產生簡潔且具上下文意識的摘要。模組化設計允許替換嵌入模型、調整檢索閾值和客製化提示範本。LORS支持多文件摘要、互動式查詢優化和批次處理，適合學術文獻回顧、企業報告或任何需快速從大量文本中提取見解的情境。

Magi MDA是一個以開發者為中心的AI代理框架，簡化自主代理的建立與部署。它提供核心組件——規劃者、執行者、解釋器和記憶體——可以組裝成自定義流程。用戶可連接流行的LLM提供者進行文字生成、加入檢索模組以增強知識，並整合任意工具或API以完成專門任務。該框架自動處理逐步推理、工具路由和上下文管理，讓團隊專注於領域邏輯，而非協調程序。

ManasAI是一個以Python為基礎的框架，可創建具有內建狀態和模組化元件的自主AI代理。它提供代理推理、短期與長期記憶、外部工具與API整合、訊息驅動事件處理與多代理協調的核心抽象。代理可被設定來管理背景、執行任務、處理重試及收集反饋。其可插拔架構讓開發者能根據特定工作流程調整記憶後端、工具和協調器，非常適合原型開發聊天機器人、數位工作者與需要持續背景與複雜交互的自動化流程。

MARFT是一個基於Python的LLM，支持可重複實驗和快速原型設計協作式AI系統。

MCP Ollama Agent 利用本地 Ollama LLM 執行時環境，提供多功能的任務自動化代理框架。它集成多種工具接口，包括通過 SERP API 進行網絡搜索、文件系統操作、Shell 命令執行，以及 Python 環境管理。通過定義自訂提示和工具配置，用戶可以編排複雜工作流程，自動化重複性任務，並構建專為各種領域定制的專用助手。代理管理工具調用和上下文，保持會話記錄和工具回應，以產生連貫行動。其基於 CLI 的設定與模組化架構使得擴展新工具和適應不同應用場景變得容易，從研究和數據分析到開發支援。

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。

MONAI，即醫學開放網絡AI，是一個為醫療影像設計的開源框架，專為深度學習而設。它為醫療專業人員提供穩健的工具和庫，使他們能夠快速有效地開發、訓練和部署AI驅動的解決方案。其模組化架構確保用戶可以定制自己的工作流程，同時利用現有的組件，從而導致更高效的研究和臨床合作。通過MONAI，開發者可以處理多樣的醫療數據集，促進醫學影像技術的進步。

alaamoheb的多智能體強化學習是一個全面的開源庫，旨在促進多個智能體在共享環境中的開發、訓練與評估。它包括價值基和策略基算法如DQN、PPO、MADDPG等的模組化實現。此存儲庫支持與OpenAI Gym、Unity ML-Agents和星際爭霸多智能體挑戰的整合，允許用戶在研究和實際應用中實驗。通過可配置的YAML格式實驗設置、日誌工具與可視化工具，實踐者可以監控學習曲線、調整超參數、比較不同算法。這個框架加快了合作、競爭與混合多智能體任務的實驗速度，促進可重複性研究與基準測試。

multiagent-ai-coding是一個基於Python設計的框架，旨在促進專業AI代理在軟體開發任務中的協作流程。系統允許用戶定義生成程式碼、建立單元測試、程式碼審查、除錯和文件的代理。將這些代理串接在可配置的管線中，開發者可自動化整個編碼流程、提升程式碼品質並加快循環週期。框架亦支援自訂代理、記錄與錯誤恢復機制。

OLI（OpenAI邏輯解釋器）是一個客戶端框架，旨在通過利用OpenAI API來簡化在Web應用中創建AI代理。開發人員可以定義自定義函數，OLI根據用戶提示智能選擇，管理會話上下文以在多次互動中保持一致的狀態，並鏈接API調用到複雜的工作流程，如預約或報告生成。此外，OLI還包括解析響應、處理錯誤和通過Webhook或REST端點集成第三方服務的工具。由於它是完全模組化和開源的，團隊可以自定義代理行為、增加新功能並在任何Web平台上部署OLI代理，無需後端依賴。OLI加快了對話界面和自動化的開發。