Flocking Multi-Agent提供模組化的庫，用於模擬展示群體智慧的自主智能體。它編碼核心操控行為——凝聚、分離與對齊——以及避障和動態目標追蹤。利用Python和Pygame進行視覺化，該框架允許調整如鄰居半徑、最大速度和轉向力等參數。它支持通過自定義行為函數和機器人或遊戲引擎的集成掛鉤來擴展。適用於AI、機器人學、遊戲開發和學術研究的實驗，展示簡單的本地規則如何產生複雜的全局行為。

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。

MultiAgent-Systems-StarCraft2-PySC2-Raw提供一整套工具組，用於在星際爭霸II中開發、訓練與評估多個AI代理。它暴露低層次控制單位移動、目標指向和技能，同時支持彈性的獎勵設計與場景配置。用戶可以輕鬆插入自定義神經網路架構、定義隊伍協調策略，並記錄指標。基於PySC2，支援並行訓練、檢查點與視覺化，非常適合推動合作與對抗多智能體強化學習的研究。

PettingZoo 遊戲的強化學習代理人是一個基於 Python 的程式庫，提供現成的 DQN、PPO 和 A2C 演算法，用於 PettingZoo 環境下的多智能體強化學習。具有標準化的訓練與評估腳本、可配置的超參數、整合的 TensorBoard 日誌記錄，以及支持競爭和合作遊戲。研究人員和開發者可以克隆倉庫、調整環境與演算法參數、運行訓練並視覺化指標，以快速進行多智能體 RL 實驗和基準測試。

StoreforGPT是一個致力於展示自定義GPT作品的在線平台。用戶可以探索多樣化的GPT，這些GPT針對各種目的而量身定制，讓人們輕鬆找到滿足特定需求的AI解決方案。該平台通過允許用戶嘗試和分享自己的GPT來促進創新和社群參與。無論您是在尋找提高生產力，簡化任務，還是只是想試驗AI，StoreforGPT都是您發現新可能性的地方。

Dual Coding Agents 提供模組化架構，建構能無縫結合視覺理解與語言生成的人工智慧代理。此框架支援內建影像編碼器如 OpenAI CLIP、基於變壓器的語言模型如 GPT，並將它們串聯成思考鏈流程。用戶可向代理提供圖像和提示詞範本，代理會處理視覺特徵、推理上下文，並產出詳盡的文字輸出。研究人員與開發者可交換模型、配置提示詞，並用插件擴展代理。此工具包簡化多模態人工智慧實驗，更快速原型應用，涵蓋圖像問答、文件分析、無障礙工具與教育平台。

LLM Clash是一個動態平台，旨在為想要在即時辯論中挑戰其他大型語言模型（LLM）的AI愛好者、研究者和業餘者提供服務。該平台具有多功能，支持微調和即用模型，無論它們是本地托管還是基於雲的。這使其成為測試和改進您的LLM性能及辯論能力的理想環境。有時，一個精心設計的提示就是在辯論中改變局勢所需的全部！

multi_agent_celar設計為模組化的AI平台，能在模擬環境中實現多智能體之間的涌現語言通信。用戶可以通過策略文件定義智能體行為，配置環境參數，並啟動協調訓練，使智能體演化出自己的通信協議以解決合作任務。該框架包含評估腳本、可視化工具，以及對擴展性實驗的支持，非常適合多智能體協作、涌現語言及決策過程的研究。

SimCheck是一個旨在幫助用戶生成、比較和視覺化向量嵌入的Chrome擴展。這個擴展利用HuggingFace模型和transformers.js庫，提供一個易於使用的界面來實驗文本嵌入。用戶可以創建嵌入、比較它們並視覺化結果，這使得它對開發人員、數據科學家和NLP愛好者來說是一個有價值的工具。它特別適合於以更直觀和互動的方式理解文本數據之間的相似性和差異性。

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。

CAMEL-AI是一個基於Python的框架，讓開發者與研究人員能建構、配置及運行多個由LLMs支援的自主AI代理。它內建支援檢索增強生成（RAG）、外部工具運用、代理通信、記憶與狀態管理以及排程功能。藉由模組化組件與便捷整合，團隊可以快速原型化複雜的多代理系統、自動化流程並擴展不同LLM後端的實驗。

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。