CommNet是一個面向研究的庫，實現了CommNet架構，允許多個智能體在每個時間步共享隱藏狀態，並學習在合作環境中協調行動。它包括PyTorch模型定義、訓練和評估腳本、OpenAI Gym的環境包裝器，以及用於定制通信通道、智能體數量和網絡深度的工具。研究人員和開發人員可以利用CommNet在導航、追蹤–逃避和資源收集任務中原型設計並基準測試智能體之間的通信策略。

ePH-MAPF提供一個高效的流程，用於計算數十到數百代理人在格子地圖上的無碰撞路徑。它採用優先啟發式、增量搜尋技術與可自訂的成本度量（曼哈頓距離、歐幾里得距離），在速度與解決方案品質之間取得平衡。使用者可以選擇不同的啟發式函數，將函數整合到Python機器人系統中，並在標準MAPF場景中進行效能基準測試。程式碼模組化且有良好文件，方便研究人員和開發者擴展適用於動態障礙或特殊環境。

Patrolling-Zoo提供一個彈性的框架，讓用戶能在Python中建立與實驗多智慧體巡邏任務。庫內包含多種基於格子與圖形的模擬環境，模擬監控、巡查與覆蓋場景。用戶可自行設定智慧體數量、地圖大小、拓撲結構、獎勵和觀測空間。藉由與PettingZoo與Gym API的相容性，支援與流行強化學習演算法的順暢整合。此環境便於在一致設定下進行基準測試與技術比較。通過提供標準場景與自訂工具，促進自主機器人、安保監控、搜尋救援及多智慧體協調策略的研究與應用。

AgentServe 提供一個統一界面，用於建立和部署 AI 代理。用戶在配置檔或程式碼中定義代理行為，整合外部工具或知識來源，並在 REST 終點暴露代理。框架內建模型路由、並行請求、健康檢查、日誌記錄和量測。模組化設計允許插拔新模型、定制工具或排程策略，非常適合構建聊天機器人、自動化工作流程及多代理系統，且具備可擴展性與可維護性。

A2A（Agent-to-Agent Architecture）是由谷歌開源的框架，可開發和操作協同工作的分散式 AI 智能體。它提供模組化元件，以定義智能體角色、通訊通道和共用記憶體。開發者可以整合多種 LLM 提供者，客製化智能體行為，並編排多步驟的工作流程。A2A 包含內建的監控、錯誤管理和回放功能，以追蹤智能體互動。透過標準化的協定進行智能體發現、訊息傳遞和任務分配，A2A 簡化複雜的協調模式，在不同環境中擴展智能體應用時提升可靠性。

AI-Agents 提供模組化架構，用於定義與運行基於Python的AI代理。開發者可以配置代理行為、整合外部API或工具，以及管理跨會話的代理記憶。它利用流行的大型語言模型（LLMs）、支援多代理合作，並允許透過插件擴展複雜工作流程，如資料分析、自動化支援與個人助理。

Agents with ADK是一個開源的Python框架，旨在簡化由大型語言模型驅動的智能代理建立。它包含模組化的代理範本、內建記憶管理、工具執行介面，以及多代理協調功能。開發者能快速插入自定義功能或外部API，配置規劃與推理流程，並監控代理互動。該框架支援與流行的LLM供應商整合，並提供日誌、重試邏輯，以及用於生產部署的擴展性。

AgentScope是一個面向開發者的框架，旨在簡化智能代理的創建，透過模組化組件提供動態規劃、上下文記憶存儲和工具/API整合。它支援多個LLM後端（OpenAI、Anthropic、Hugging Face），並提供可自行定義的任務執行、答案合成和資料檢索管道。其架構支持快速原型化會話機器人、流程自動化代理和研究助理，同時保持擴展性和可擴充性。

CArtAgO（Common ARTifact Infrastructure for AGents Open environments）是一個輕量、可擴展的框架，用於在多智能體系統中實作環境基礎架構。它引入工件的概念：代表具有定義操作、可觀察屬性和事件界面的環境資源的一等公民實體。開發者在Java中定義工件類型，將它們註冊到環境類別中，並公開操作與事件供代理使用。代理透過標準動作（如createArtifact、observe）與工件互動，接收非同步的狀態變更通知，並通過共享資源協作。CArtAgO能輕鬆與Jason、JaCaMo、JADE和Spring Agent等平台整合，支援混合系統開發。該框架提供內建的工件文件、動態載入和運行時監控支援，加快複雜代理應用的快速原型設計。

合作搜尋環境提供一個彈性的、與gym相容的多智能體強化學習環境，適用於離散格子與連續空間中的合作搜尋任務。智能體在部分可觀測的條件下運作，並可根據自訂的通信拓撲分享資訊。框架支持預定義的場景，如搜尋與救援、動態目標追蹤及協作繪圖，並提供API以定義自訂的環境與獎勵結構，與Stabloes Baselines3和Ray RLlib等流行RL庫無縫整合，包含記錄性能的工具及即時可視化功能。研究人員可調整格子大小、智能體數量、感測器範圍及獎勵分享機制，有效評估協作策略與基準新演算法。

cpp-langchain在C++中實現了LangChain生態系統的核心功能。開發者可以封裝對大型語言模型的調用、定義提示模板、組合鏈條並協調調用外部工具或API的代理。包含用於維護對話狀態的記憶模組、相似度搜索的嵌入支持，以及向量數據庫的整合。模組化設計讓你可以根據特定用例自訂每個組件——LLM客戶端、提示策略、記憶後端及工具包。提供純標頭文件庫與CMake支援，簡化在Windows、Linux和macOS平台上原生AI應用的編譯，無需Python運行環境。

Esquilax是一個輕量級的TypeScript框架，用於建構和協調複雜的AI代理人工作流程。它提供開發者一個清晰的API，用來宣告式定義代理人、分配記憶模組，以及整合自定義的API呼叫或資料庫查詢等插件行為。內建的上下文處理與多代理人協調支援，讓建立聊天機器人、數位助理與自動化流程更加便利。事件驅動架構允許動態串接任務與觸發，還有完整的日誌記錄與除錯工具，確保代理人互動的全盤可見。抽象繁瑣程式碼，協助團隊快速原型開發可擴展的AI應用。

GPA-LM 是一個以 Python 為基礎的框架，旨在簡化由大型語言模型驅動的人工智慧代理的建立與協調。它具有一個規劃器，能將高層指令拆解為子任務，一個執行器，管理工具調用和互動，以及一個能在會話之間保留上下文的記憶模塊。插件架構允許開發者新增自訂工具、API 及決策邏輯。支援多代理協同的 GPA-LM，可以協調角色、分配任務並匯整結果。它無縫整合 OpenAI GPT 等流行 LLM，並支援在不同環境中部署。該框架加速自主代理的研發，用於研究、自動化與應用原型設計。

HexaBot旨在簡化智慧自主代理的開發與部署。它提供模組化的工作流程管道，將複雜任務拆分為可管理的步驟，以及持久記憶存儲，用於跨會話保留上下文。開發者可以通過插件生態系統將代理連接到外部API、資料庫和第三方服務。即時監控與日誌，確保對代理行為的透明度，Python和JavaScript SDK促進快速集成到現有應用。HexaBot的擴展架構支持高併發，並支援版本化部署，以確保可靠的生產使用。

LLM-Agent是個輕量級且可擴充的框架，用於建構由大型語言模型驅動的AI代理。它提供對於會話記憶、動態提示範本及無縫整合自訂工具或API的抽象層。開發者能編排多步推理流程、跨多次互動保持狀態，並自動化複雜任務，例如資料擷取、報告生成與決策支援。結合記憶管理、工具利用與規劃，讓在Python中開發智能、任務導向的代理更加高效。

Multi-Agent 是一個幫助你建立並編排多個並行運行的 AI 代理的開發者工具包。每個代理都具有獨立的記憶存儲、提示配置和訊息佇列。你可以定義自訂行為、建立代理間的溝通渠道，並根據代理角色自動委派任務。它利用 OpenAI 的 Chat API 來理解與產生語言，並提供模組化的組件來進行工作流程編排、日誌記錄與錯誤處理。這使得可以建立專門的代理，例如研究助手、資料處理器或客戶支援機器人，共同完成多面向的任務。

Odyssey 提供了一個靈活的架構，用於構建協作式多智能體系統。其核心組件包括用於定義和分配子任務的任務管理器、存儲上下文和對話歷史的記憶模塊、協調基於 LLM 的智能體的智能體控制器，以及整合外部 API 或自定義函數的工具管理器。開發者可以通過 YAML 文件來配置工作流程，選擇預建的 LLM 核心（例如 GPT-4、本地模型），並輕鬆擴展框架加入新工具或記憶後端。Odyssey 支援交互記錄、異步任務執行和迭代優化流程，適用於研究、原型設計和投產的多智能體應用。

OpenAI Agents MCP Server提供一個穩固的基礎，用於部署及管理由OpenAI模型驅動的自主代理。它公開彈性RESTful API來建立、配置和控制代理，讓開發者能編排多步驟任務、協調代理之間的互動，並維持跨會話的持久記憶。框架支持插件式工具整合、進階對話記錄及可定制的規劃策略。透過抽象化基礎建設問題，MCP Server簡化開發流程，促進快速原型製作和在生產環境中的擴展部署，適用於對話助手、流程自動化和AI驅動的數位工作者。

Universal Basic Compute 提供一個統一的環境，用於設計、訓練與部署多種工作流程中的 AI 代理。使用者可以從多個大型語言模型中選擇，配置自訂記憶存儲以提升情境意識，並整合第三方 API 與工具來擴充功能。平台會自動處理調度、容錯與擴展，同時提供即時監控與性能分析儀表板。抽象基礎架構細節，使團隊能專注於代理邏輯與用戶體驗，而非後端複雜性。

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。