MARL模擬器旨在促進多智能體增強學習（MARL）算法的高效和可擴展開發。利用PyTorch的分佈式後端，它允許用戶在多個GPU或節點上運行並行訓練，顯著縮短實驗時間。模擬器提供模組化的環境界面，支持標準的基準場景——如協作導航、掠食者-獵物和網格世界——以及用戶定義的自定義環境。智能體可以使用各種通訊協議來協調行動、共享觀察和同步獎勵。可配置的獎勵和觀察空間使得訓練動態可以精細調控，內建的日誌記錄和視覺化工具提供實時性能指標的洞察。

Autonomys Agents使開發者能夠創建能執行複雜任務且不需要人工干預的自主AI代理。基於Python，該框架提供定義代理行為的工具、整合外部API和自訂函數，以及維持會話記憶。在多代理設定中，代理可以協作、共享知識並協調行動。觀察模組提供即時日誌、性能追蹤和除錯洞察。憑藉其模組化架構，團隊可以擴展核心組件、整合新型LLM，並在不同環境中部署代理。不論是自動化客服、數據分析或研究流程的協調，Autonomys Agents都能簡化端到端的智能自主系統開發與管理。

Agent Logging提供統一的日誌框架，支持AI代理框架及自訂工作流程。它攔截並記錄代理執行的每個階段——提示生成、工具調用、LLM回應與最終輸出——並附上時間戳與元資料。日誌可匯出為JSON或CSV格式，或傳送至監控服務。此庫支持自訂日誌層級、整合觀測平台的Hooks，並提供視覺化工具以追蹤決策流程。藉由Agent Logging，團隊能獲得代理行為洞察、辨識性能瓶頸，並維持透明的記錄供審核用。