OmniMind0 是一個完整的基於代理的 AI 框架，使用 Python 編寫，允許建立並協調多個自主代理。每個代理可配置以處理特定任務—如資料擷取、摘要或決策—並透過可插拔的記憶體後端（如 Redis 或 JSON 檔案）共享狀態。內建插件架構讓您可以拓展功能，與外部 API 或客製命令整合。支援 OpenAI、Azure 和 Hugging Face 模型，並提供 CLI、REST API 伺服器或 Docker 的部署選項，以便靈活集成入您的工作流程。

RinSim 提供一個模組化的模擬環境，專注於模擬具有多個自主代理的動態物流場景。用戶可以定義道路網路圖，配置車隊（包括電動模型及電池限制），並模擬采樣到達的接送請求。離散事件架構確保精確的時間控制與事件管理，而內建的路由演算法和可自定義的代理行為允許進行廣泛的實驗。RinSim 支援輸出度量如行程時間、能耗及服務水平，並包含實時和事後的可視化模組。其擴展性設計支持自訂演算法整合，擴展至大型車隊，並可復現研究流程，對於學術與產業中優化流動性策略至關重要。

Saiki是一個開源的代理協調框架，讓開發者能寫出描述性的YAML定義，建立複雜的AI驅動工作流程。每個代理可以執行任務、調用外部服務或串聯調用其他代理。Saiki提供內建的REST API服務器、執行追蹤、詳細日志和即時監控的Web儀表板，支援重試、備援和自定義擴展，使迭代除錯和擴展機器人流程變得簡單。

Swarm Squad 利用自主運作的 AI 代理，共同管理與執行複雜的工作流程。用戶透過直觀介面定義目標，並設定代理角色—如研究、草擬、分析與排程—每個代理專精於其功能，並交換資料與反饋以不斷優化輸出。平台整合 Google Drive、Slack 及 CRM 等熱門服務，實現資料傳輸與任務轉移的無縫協作。即時儀表板追蹤代理性能，並透過自動警示確保及時介入。進階客製化功能允許用戶編寫自訂代理行為，觸發條件性工作流程，為行銷活動、客戶接觸、報告產生及其他商業關鍵流程提供統一的端到端解決方案。

此專案提供一個可自訂的多代理框架，模擬計程車呼叫中心，包含：CustomerAgent用來請求搭乘、DispatchAgent根據距離分配司機、DriverAgent確認指派與更新狀態，以及NotificationAgent負責帳單與訊息傳送。代理透過一個協調循環與OpenAI GPT呼叫與記憶體互動，支援非同步對話、錯誤處理與記錄。開發者可調整代理提示詞、整合即時系統，並輕鬆原型開發AI驅動的客服與調度工作流程。

Tongui Agent提供模組化架構，用於創建能夠維持對話狀態、利用外部工具並協調多個子代理的AI代理。開發者可以配置LLM後端、定義自定義行動，並附加記憶模組來存儲上下文。該框架包含SDK、CLI和中介層鉤子，以便實現觀測性，方便整合至網頁或Node.js應用程序中。支援的LLM包括OpenAI、Azure OpenAI及開源模型。

Java-Action-Shape 是一個專為擴充 LightJason 多智慧體框架而設的專用幾何形狀動作函庫。它為代理人提供開箱即用的動作來實例化常見形狀（圓、矩形、多邊形）、應用轉換（平移、旋轉、縮放）和執行分析計算（面積、周長、重心）。每個動作皆為執行緒安全，並能與 LightJason 非同步執行模型整合，確保高效的平行處理。開發者可以透過指定頂點和邊來定義自訂形狀，並將其註冊於代理的動作登錄表中，亦可在計劃定義中使用。集中形狀相關邏輯後，Java-Action-Shape 能降低重複冗長代碼，確保 API 一致性，加快基於幾何的代理應用開發，包括模擬與教育工具。

LLMLing代理是一個模組化框架，用於建立、配置和部署由大型語言模型驅動的人工智能代理。用戶可以實例化多個代理角色，連接外部工具或API，管理對話記憶，並協調複雜的工作流程。平台包含一個基於瀏覽器的實驗場，可視化代理互動、記錄訊息歷史，並允許實時調整。借助Python SDK，開發者可以撰寫自定義行為、整合向量數據庫，並通過插件擴展系統。LLMLing代理通過提供可重用組件和清晰抽象，簡化聊天機器人、數據分析機器人和自動化助手的創建流程，促進多代理協作。

OpenAI Swarm Node協調多個ChatGPT代理的並行調用，收集每個輸出，應用所選擇的彙總策略（例如多數投票或自訂加權），並返回統一的共識回應。其可擴展的架構支援對模型參數的細緻控制、錯誤處理、重試邏輯和非同步執行，使開發者能在任何Node.js應用中整合群集智慧，以提升AI決策的準確性與一致性。

PommerLearn使研究人員和開發者能在Pommerman遊戲環境中訓練多智能體RL機器人。它包含現成的流行演算法（PPO、DQN）實作、彈性的超參數配置文件、自動記錄和訓練指標可視化、模型檢查點和評估腳本。其模組化架構便於擴充新演算法、自訂環境及整合標準ML庫如PyTorch。

Team Coordination是一個輕量級Python庫，旨在簡化多個AI代理共同完成複雜任務的協調工作。通過定義專門的代理角色—如規劃者、執行者、評估者或通信者—用戶可以將高層目標分解為可管理的子任務，委派給各個代理，並促進它們之間的有序通信。該框架處理異步執行、協議路由以及結果聚合，使得AI代理團隊能有效協作。其插件系統支持與熱門的大型語言模型（LLMs）、API和自定義邏輯整合，非常適用於自動客戶服務、研究、遊戲AI和資料處理流程等應用。透過清晰的抽象與擴展組件，Team Coordination加快了可擴展多代理工作流程的開發速度。

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。

Agent Forge 透過提供 CLI 骨架命令簡化整個 AI 代理開發周期，這些命令用於生成樣板程式碼、對話範本與配置設定。開發者可以定義代理角色、附加 LLM 提供者，以及利用 YAML 或 JSON 描述文件整合外部工具（例如向量資料庫、REST API 和自定義插件）。此框架支持本地執行、互動測試，以及將代理打包成 Docker 映像或無伺服器函數，方便部署。內建日誌記錄、環境配置檔與 VCS 鉤子簡化除錯、協作與 CI/CD 流程。這個靈活的架構支持建立聊天機器人、自動研究助手、客戶支援機器人，以及端到端自動化數據流程，僅需最小設定。

Agentic Seek利用OpenAI的GPT模型和定制工具包，來自動化整個網絡研究生命周期。用戶定義高層次的目標，系統生成專門的子代理來執行搜索查詢、瀏覽網站、通過抓取提取關鍵信息，並匯總結果。它支持迭代細化，允許代理根據新見解重新調整和更新結果。開發者可以通過集成自定義操作處理器和API連接器來擴展其功能。其適用於競爭情報、學術研究、市場分析和大規模數據收集，Agentic Seek減少手動瀏覽，加快決策速度，並確保多個線上資源的全面覆蓋。平台包括一個基於網頁的監控界面，用於監督代理活動和審查中間輸出。內建日誌記錄、可自定義的提示和審計跟蹤，使團隊能追蹤代理決策以確保透明度、合規性與質量保證。

Agent Supervisor Demonstrates存儲庫展示如何在協調的工作流程中編排多個自主AI代理。用Python編寫，定義一個Supervisor類，用於調度任務、監控代理狀態、處理故障及整合回應。您可以擴展基本代理類，插入不同模型API，並配置排程策略。它記錄活動以作稽核，支援平行執行，並提供模組化設計，方便定制與整合入更大型的AI系統。

Agentic Website Dev通過協調專門的AI代理，帶來網站開發的自動化。某個代理分析用戶的提示以設計網站架構，另一個生成響應式HTML和CSS模板，而一個編碼代理則實現動態JavaScript功能。最後，一個部署代理打包並將網站推送到Vercel或Netlify等平台。該框架抽象化整個工作流程——規劃、編碼、測試和部署——實現快速原型和迭代。開發者用簡單的英文定義需求，代理合作產出一個完整的可運作、上線的網站。這減少了手動編碼，加快了上市時間，並讓非技術人員也能參與網站開發。

AGNO AI代理提供一套可定制的預建AI代理，處理各種任務：大型文件摘要、網頁內容爬取與解析、領域專屬問答、源碼審查、資料集分析，以及具備記憶的聊天機器人。其模組化設計讓你可以加入新工具或整合外部API。代理透過LangChain流程協調，並通過REST端點暴露。AGNO支援多代理流程、記錄和簡單部署，幫助開發者加速應用中的AI驅動自動化。

動態多智能體RAG路徑提供模塊化架構，每個智能體處理特定任務，如文件檢索、向量搜索、上下文摘要或生成，而中心協調器則動態路由輸入和輸出。開發者可以定義自定義智能體，通過簡單的配置文件組裝管道，並利用內建的日誌記錄、監控與插件支持。此框架加快複雜RAG解決方案的開發，實現自適應任務分解與並行處理，以提升吞吐量和準確率。

基於GA的N皇后解算器採用模組化的2APL多代理架構，每個代理編碼一個候選的N皇后配置。代理評估適應度（如非攻擊的皇后對數）後，與其他代理共享高適應度配置。通過選擇、交叉和突變等遺傳操作，生成新的候選棋盤。在多次迭代中，代理集體收斂至有效的N皇后解决方案。此框架用Java實現，支持調整群體大小、交叉率、突變概率和通信協議，並提供詳細日誌和演化過程的視覺化。

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。