Le MARL Simulator est conçu pour faciliter le développement efficace et scalable d'algorithmes d'apprentissage par renforcement multi-agent (MARL). En utilisant le backend distribué de PyTorch, il permet aux utilisateurs d'exécuter un entraînement parallèle sur plusieurs GPU ou nœuds, réduisant significativement la durée des expériences. Le simulateur offre une interface environnementale modulaire qui supporte des scénarios de référence standard — tels que la navigation collaborative, le prédateur-préy, et le monde en grille — ainsi que des environnements personnalisés. Les agents peuvent utiliser divers protocoles de communication pour coordonner leurs actions, partager des observations et synchroniser des récompenses. Les espaces de récompense et d’observation configurables permettent un contrôle précis de la dynamique d'entraînement, tandis que des outils de journalisation et de visualisation intégrés fournissent des aperçus en temps réel des métriques de performance.

Autonomys Agents permet aux développeurs de créer des agents IA autonomes capables d’exécuter des tâches complexes sans intervention manuelle. Basé sur Python, le framework fournit des outils pour définir le comportement des agents, intégrer des API externes et des fonctions personnalisées, et maintenir une mémoire conversationnelle tout au long des interactions. Les agents peuvent collaborer dans des configurations multi-agents, partager des connaissances et coordonner leurs actions. Les modules d’observabilité offrent des journaux en temps réel, le suivi de la performance et des insights pour le débogage. Avec son architecture modulaire, les équipes peuvent étendre les composants principaux, intégrer de nouveaux LLM et déployer des agents dans différents environnements. Que ce soit pour automatiser le support client, effectuer des analyses de données ou orchestrer des workflows de recherche, Autonomys Agents simplifie le développement et la gestion de systèmes intelligents autonomes de bout en bout.

Agent Logging fournit un cadre unifié de journalisation pour les frameworks d'agents IA et les flux de travail personnalisés. Il intercepte et enregistre chaque étape de l'exécution d'un agent — génération d'invites, invocation d'outils, réponse LLM et sortie finale — avec horodatages et métadonnées. Les logs peuvent être exportés en JSON, CSV ou envoyés à des services de surveillance. La bibliothèque prend en charge des niveaux de journalisation personnalisables, des hooks pour l'intégration avec des plateformes d'observabilité et des outils de visualisation pour suivre les chemins de décision. Avec Agent Logging, les équipes obtiennent des insights sur le comportement des agents, détectent les goulets d'étranglement de performance et maintiennent des enregistrements transparents à des fins d'audit.