El simulador MARL está diseñado para facilitar el desarrollo eficiente y escalable de algoritmos de aprendizaje por refuerzo multiagente (MARL). Aprovechando el backend distribuido de PyTorch, permite a los usuarios ejecutar entrenamiento paralelo en múltiples GPUs o nodos, reduciendo significativamente el tiempo de experimentos. El simulador ofrece una interfaz modular de entorno que soporta escenarios de referencia estándar — como navegación cooperativa, depredador-presa y mundo en cuadrícula — así como entornos personalizados definidos por el usuario. Los agentes pueden utilizar diversos protocolos de comunicación para coordinar acciones, compartir observaciones y sincronizar recompensas. Espacios de recompensa y observación configurables permiten un control preciso de la dinámica de entrenamiento, mientras que herramientas integradas de registro y visualización proporcionan información en tiempo real sobre métricas de rendimiento.

Autonomys Agents capacita a los desarrolladores para crear agentes de IA autónomos capaces de ejecutar tareas complejas sin intervención manual. Construido en Python, el marco proporciona herramientas para definir comportamientos de agentes, integrar APIs externas y funciones personalizadas, y mantener la memoria conversacional a través de interacciones. Los agentes pueden colaborar en configuraciones multi-agente, compartiendo conocimientos y coordinando acciones. Los módulos de observabilidad ofrecen registro en tiempo real, seguimiento del rendimiento y conocimientos para depuración. Con su arquitectura modular, los equipos pueden ampliar componentes principales, incorporar nuevos LLM y desplegar agentes en diferentes entornos. Ya sea automatizando soporte al cliente, realizando análisis de datos o coordinando flujos de trabajo de investigación, Autonomys Agents agiliza el desarrollo y gestión de sistemas inteligentes autónomos.

Agent Logging proporciona un marco unificado de registro para frameworks de agentes de IA y flujos de trabajo personalizados. Intercepta y registra cada etapa de la ejecución de un agente — generación de indicaciones, invocación de herramientas, respuesta LLM y salida final — junto con marcas de tiempo y metadatos. Los logs se pueden exportar en JSON, CSV o enviarse a servicios de monitorización. La biblioteca soporta niveles de registro personalizables, hooks para integración con plataformas de observabilidad y herramientas de visualización para rastrear caminos de decisión. Con Agent Logging, los equipos obtienen insights sobre el comportamiento del agente, detectan cuellos de botella de rendimiento y mantienen registros transparentes para auditoría.