Acme 是一個基於 Python 的框架，簡化了增強學習代理的開發與評估。它提供預先建立的代理實現（例如 DQN、PPO、SAC）、環境封裝、重播緩衝區以及分散式執行引擎。研究人員可以混合搭配元件，原型設計新算法，通過內建日誌監控訓練指標，並利用擴展式分散式流程進行大規模實驗。Acme 與 TensorFlow 和 JAX 整合，支援透過 OpenAI Gym 接口的自定義環境，並包含快照、評估和超參數配置的工具。

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。

ChainStream 是一個跨平台的手機與桌面推理框架，可以實時串流大型語言模型的部分輸出。它將 LLM 推理拆分為子模型鏈，實現增量式 Token 傳遞並降低感知延遲。開發者可以用簡單的 C++ API 將 ChainStream 整合到應用中，選擇偏好的後端如 ONNX Runtime 或 TFLite，並自訂流水線階段。它可以在 Android、iOS、Windows、Linux 和 macOS 上運行，實現真正的裝置內 AI 聊天、翻譯和助手功能，且無需伺服器依賴。

ClassiCore-Public提供一個完整環境，用於建立、優化和部署分類模型。具有直覺操作的流程構建器，負責從原始資料讀取、清洗及特徵工程。內建的模型庫涵蓋隨機森林、SVM及深度學習架構。自動超參數調整則利用貝氏優化尋找最佳設定。訓練好的模型支援部署成RESTful API或微服務，並配備監控儀表板，可即時追蹤效能指標。擴充插件允許開發者加入自訂資料預處理、視覺化或新部署目標，非常適合產業級分類應用。

Council提供了一個結構化的環境，用於設計AI代理，包括定義角色、串聯任務和集成外部工具或API。用戶可以配置記憶存儲、管理代理狀態並實現定制的推理管道。Council的插件架構支持與NLP服務、數據源和第三方工具的無縫整合，使您能夠快速建立和部署協調執行複雜任務的多代理系統，並保證其可靠性。

Flat AI 是一個由 MindsDB 設計的依賴較少的 Python 框架，旨在快速將 AI 功能嵌入到產品中。它通過一致的界面支持聊天、文件檢索和問答、文本摘要等功能。開發者可以連接 OpenAI、Hugging Face、Anthropic 以及其他 LLM，並且支持流行的向量存儲，無需管理基礎設施。Flat AI 內建提示範本、批處理、緩存、錯誤管理、多租戶和監控，實現 Web 應用、分析工具和自動化工作流程中 AI 功能的可擴展、安全部署。

Hugging Face提供全面的機器學習（ML）生態系統，包括模型庫、數據集和訓練及部署模型的工具。它的重點是通過提供友好的用戶界面和資源來使AI民主化，惠及實踐者、研究人員和開發者。擁有像Transformers庫等功能，Hugging Face加快了創建、微調和部署ML模型的工作流程，使用戶能夠輕鬆有效地利用最新的AI技術進展。

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。

本質上，RxAgent-Zoo是一個反應式RL框架，將來自環境、重播緩衝區和訓練循環的資料事件視為可觀測的串流。使用者可以串接運算子來預處理觀測、更新網路和非同步記錄指標。此函式庫提供平行環境支援、可配置的排程器，以及與熱門的Gym和Atari基準測試的整合。插拔式API允許無縫切換代理元件，促進可重現性研究、快速實驗和擴展的訓練流程。

TorchVision 是一個在 PyTorch 中的包，旨在簡化開發計算機視覺應用程序的過程。它提供了流行數據集的集合，例如 ImageNet 和 COCO，以及可以輕鬆整合到項目中的各種預訓練模型。還包含了圖像預處理和增強的轉換，簡化了訓練深度學習模型的數據準備。通過提供這些資源，TorchVision 使開發者能專注於模型架構和訓練，而無需從頭開始創建每個組件。

MAGAIL實現了一個多代理擴展的生成對抗模仿學習，使多組代理能從專家示範中學習協調行為。基於Python並支援PyTorch（或TensorFlow變體），MAGAIL由策略（生成器）和判別器模組組成，透過對抗迴圈聯合訓練。代理在如OpenAI多代理粒子環境或PettingZoo等環境中產生軌跡，判別器用來評估軌跡的真實性與專家數據的對應性。透過反覆更新，政策網路逐步收斂到類似專家的策略，且無需明確的獎勵函數。MAGAIL的模組化設計允許自訂網路架構、專家資料輸入、環境整合與訓練超參數。此外，內建的日誌記錄與TensorBoard可視化便於監控和分析多代理學習的進展與性能基準。

PromptMage是一個Python框架，旨在簡化使用大型語言模型（LLM）開發複雜、多步驟應用程序的過程。它提供了多種功能，包括提示遊樂場、內置版本控制和自動生成的API。無論是小型團隊還是大型企業，PromptMage都能提高生產力，促進有效的提示測試和開發。它可以在本地或伺服器上部署，為多樣的用戶提供方便和可管理性。

Arcade是面向開發者的框架，通過提供一致的SDK和命令行界面簡化AI代理的建立。利用熟悉的JS/TS語法，您可以定義整合大型語言模型调用、外部API端點和自訂邏輯的工作流程。Arcade可自動處理對話記憶、上下文批次和錯誤管理。具備可插拔模型、工具調用和本地測試平臺等功能，使您能快速迭代。無論是自動化客戶支援、生成報告還是協調複雜數據管道，Arcade都能簡化流程並提供生產部署工具。

Self-Determining AI Agents是一個Python框架，旨在簡化自主AI代理的建立。它具有可自定義的規劃循環，在該循環中代理產生任務、規劃策略並使用整合工具執行。框架包括持久記憶模組以保留上下文，彈性的任務排程系統，以及用於Web API或資料庫查詢等自訂工具整合的鉤子。開發者能透過配置檔或程式碼定義代理目標，框架則負責迭代決策流程。支援日誌記錄、性能監控，並能擴展新的規劃演算法。非常適合用於研究、自動化工作流程及智能多代理系統的快速原型設計。

簡易自學為開發者提供一個非常簡單的方法來用Python建立和訓練強化學習代理。該框架將核心RL組件（如環境封裝、策略模組和經驗緩衝）封裝為簡潔接口。用戶能快速初始化環境，使用熟悉的PyTorch或TensorFlow後端定義自訂策略，並執行內建有日誌記錄和檢查點的訓練循環。該庫支持on-policy和off-policy演算法，可靈活進行Q學習、策略梯度和演員-評論家方法的試驗。降低樣板碼重複度，使實務者、教師和研究人員能以最少配置快速原型化演算法、測試假設並視覺化代理性能。其模組化設計也便於與現有ML堆疊和自訂環境整合。