微软亚洲研究院发布 Agent Lightning v1.0：3500 行代码的轻量级 Harnessed Agentic RL 框架

System architecture diagram. On the left, agents with harnesses — mini-SWE-agent, OpenHands, and OpenClaw — run on a Kubernetes cluster. They connect to three components: an API Gateway containing a Rollout API and an LLM API Proxy, a Rollout Controller containing a local reconciler and a Kubernetes reconciler, and a Customized Trainer containing a sample adapter and monitoring. These connect in turn to an inference engine and a training engine holding the model.

概览

驾驭式智能体强化学习：微软亚洲研究院提出一种训练范式，让部署时使用的同一智能体执行框架直接参与强化学习，无需在训练框架内重新实现该智能体。
轻量设计：Agent Lightning v1.0 仅用约 3,500 行代码就实现了完整的智能体强化学习控制平面。
原生 Kubernetes 支持：智能体以标准 Kubernetes 作业形式运行在自管理集群、云 Kubernetes 或本地基础设施上，不依赖付费的商业沙箱服务。
数据高效的训练方案：一条端到端编程智能体流水线将 Qwen3.5-9B 在 SWE-bench Verified 上的 Pass@1 从 41.8% 提升至 56.4%，提高了 14.6 个百分点，且仅使用基于开源数据集的约 6,000 个训练样本。

AI 智能体已从单一模型演变为由模型、工具和执行环境构建的复杂全栈系统。其能力越来越依赖于从模型外部协调它们的智能体执行框架。强化学习（RL）是一种让 AI 系统通过试错学习、并根据其行为的奖励与惩罚加以引导的方法。RL 可以让这些智能体变得更好，但大多数智能体 RL 系统要求开发者在训练框架内重新实现智能体。这既昂贵，也意味着被训练的智能体并非最终部署的那个智能体。

为解决这一问题，微软亚洲研究院的研究人员提出了驾驭式智能体强化学习（Harnessed Agentic RL）训练范式，并开源了完全重构的 Agent Lightning v1.0（在新标签页中打开）。与原始版本相比，Agent Lightning v1.0 更强调保持轻量、与真实执行框架集成，以及完整、可复现的智能体 RL 训练流水线。

Agent Lightning v1.0 围绕驾驭式智能体强化学习进行了重构，主要改进包括：

轻量：整个框架约 3,500 行代码。Agent Lightning v1.0 在一个足够小巧、清晰、易于理解、修改和扩展的代码库中实现了完整的驾驭式智能体强化学习系统。
在真实智能体执行框架上训练：智能体通过 Agent Lightning v1.0 中的大语言模型（LLM）代理访问模型，现有执行框架代码保持不变。
原生 Kubernetes 支持：智能体直接以 Kubernetes 作业形式运行，无需外部商业沙箱服务。自管理集群和本地基础设施均可支持大规模 rollout。
完整的编程智能体训练示例：一条基于 Qwen3.5-9B 构建的端到端流水线将 SWE-bench Verified 上的 Pass@1 从 41.8% 提升至 56.4%，绝对提升 14.6 个百分点，且仅使用约 6,000 个训练样本。

传统智能体强化学习的局限

传统智能体强化学习假定训练框架掌控与环境的交互循环。在 ReAct 风格的循环中，模型生成一个动作，环境返回一个观察结果，观察结果被追加到上下文中，模型再生成下一个动作，因此整个 rollout 映射为一条连续的 token 轨迹。早期的 RL 系统如 verl、AReaL 和 slime 就是这样构建的，这意味着训练智能体需要在 RL 框架内重建其循环。

真实的 harness 已经超越了这一假设。mini-SWE-agent、OpenHands、OpenCode、Claude Code 和 Codex 等编码 agent 各自带来自己的上下文管理、工具协议、执行逻辑和依赖，通用 agent 系统也是如此。为训练重新构建一个 agent 成本高昂，而且重建后的 agent 行为方式可能不再与部署的 agent 相同。

Agent Lightning 走了一条不同的路线。它在 agent 与模型之间放置了一个 LLM 代理。agent 照常运行：只需将先前调用模型 API 的端点指向 Agent Lightning，训练框架就能观察并记录其模型调用。在 v1.0 中，研究者更进一步，将这一范式正式定义为 Harnessed Agentic RL：部署中使用哪个 agent harness，训练期间就直接让该 harness 参与强化学习（图 1）。

Figure 1: Side-by-side comparison of two training loops. In Agentic RL, the environment exchanges actions and observations with a tokenizer, which passes action and observation tokens to the policy model. In Harnessed Agentic RL, an agent harness handling context and orchestration sits between the environment and an OpenAI-like API, which exchanges input and output tokens with the policy model. — 图 1. 传统 agentic RL 与 Harnessed Agentic RL 的对比。在传统 agentic RL 中，训练框架管理环境和 agent 循环。在 Harnessed Agentic RL 中，harness 同时管理这两者。

使用真实 harness 训练中的四个挑战

Harnessed Agentic RL 与传统 agentic RL 的一个核心区别在于，环境交互循环由 agent harness 而非训练框架处理。训练系统只能观察一系列 LLM 请求与响应对，因此单次 rollout 可能被拆分为数量不定的训练样本。这带来四个关键挑战：

重新分词与样本合并：Harness 以文本形式保存上下文，但 RL 训练需要 rollout 期间采样得到的 token ID。将文本再次通过 chat template 和 tokenizer 可能导致 token 边界偏移，因此相邻调用并不总能合并为一个样本。
优势计算：重新分词、子 agent 和上下文摘要可能将一次 rollout 拆分为多个样本。直接在样本级别计算基线和优势会导致产生更多样本的 rollout 被重复计数，从而改变 rollout 级别原有的统计关系。
损失归一化：按样本数平均损失会给产生更多样本的 rollout 更大权重。由于样本数往往只是 harness 行为的产物，损失归一化也必须避免受其扭曲。
训练后端调度：样本数量和长度只有在 harness 完成后才可知，而 GPU 数量和数据/张量并行配置通常是固定的。后端必须将可变的工作负载映射到固定的资源上。

用 3,500 行代码构建完整的 agent RL 控制平面

在系统设计上，Agent Lightning v1.0 将简单性作为第一原则。整个框架约 3,500 行代码，包含三个核心组件：API Gateway、Rollout Controller 和 Customized Trainer（图 2）。

API 网关存储 rollout、模型和事件，并充当兼容 OpenAI 的 LLM 代理。它将 harness 中的每次模型调用与其 rollout 关联起来，并记录训练所需的提示词、响应和对数概率。rollout 控制器启动并管理 agent 执行，可以以本地进程或标准 Kubernetes Job 的形式运行，从而将 agent 执行与训练器分离。基于 verl 构建的定制训练器负责创建 rollout、等待其完成、收集样本，并通过样本适配器组装最终的训练样本。因此，对于现有的 agent harness，通常只需将模型端点指向 Agent Lightning 代理，即可快速接入 RL 训练。

Figure 2: System architecture diagram. On the left, agents with harnesses — mini-SWE-agent, OpenHands, and OpenClaw — run on a Kubernetes cluster. They connect to three components: an API Gateway containing a Rollout API and an LLM API Proxy, a Rollout Controller containing a local reconciler and a Kubernetes reconciler, and a Customized Trainer containing a sample adapter and monitoring. These connect in turn to an inference engine and a training engine holding the model. — 图 2. Agent Lightning v1.0 系统架构，展示了 API 网关、rollout 控制器和定制训练器。

同置异步 RL

不同 agent 的 rollout 时间差异很大。同步 RL 需要等待一个批次中最慢的 agent，会让 GPU 空置，而完全异步 RL 虽然提高了利用率，却需要为 rollout 和训练分别准备 GPU 池。为此，Agent Lightning v1.0 引入了 Collocated Async RL，让 rollout 和模型更新共享同一组 GPU。

当系统收集到足够的 rollout 后，更新便开始：API 网关暂停接受新请求，并等待正在进行的请求完成，更新结束后再恢复 rollout。整个状态转换对外部 agent harness 是透明的。在实验中，这种方法相比同步 RL 实现了约 2 倍的端到端加速，同时使用的 GPU 比传统异步 RL 更少（图 3）。

Figure 3: Three GPU scheduling timelines. Synchronous RL uses four GPUs at low efficiency, with long idle gaps before a single update block. Collocated Async RL uses the same four GPUs at high efficiency, interleaving full and partial rollouts with update blocks. Asynchronous RL reaches high efficiency but requires eight GPUs. Bars are colored for full rollout, partial rollout, and update. — 图 3. 同步 RL、异步 RL 和 Collocated Async RL 对比。Collocated Async RL 提高了利用率，同时占用的 GPU 更少。

在 Kubernetes 上运行 agent

要收集足够的 rollout，就意味着同时运行许多 agent，这会消耗大量 CPU、内存和计算资源。其他 Harnessed Agentic RL 框架通常将这些 agent 托管在 Modal Sandbox 或 E2B 等商业沙箱服务上，成本会随规模迅速上升。而 Agent Lightning v1.0 将它们作为标准 Kubernetes Job 运行，复用现有的自管理集群、云上 Kubernetes 或本地基础设施（图 4）。现有计算资源得到更高效的利用，大规模 rollout 成本更低，整个流水线保持开源且可复现。

Figure 4: Flow diagram. An API Gateway holds three rollouts, two queueing and one running. The Rollout Controller polls the gateway and uses a Kubernetes reconciler to create jobs on a Kubernetes cluster, and a local reconciler to watch and list local processes. Status updates flow back to the gateway. — 图 4. Agent Lightning v1.0 中的 Rollout Controller 提供原生 Kubernetes 支持，可将 agent 直接作为标准 Kubernetes Job 运行。

6,000 个训练样本，性能提升 14.6 个百分点

为测试该方法，研究人员在 SWE-smith、mini-SWE-agent 和 Qwen3.5-9B 上构建了完整流水线，涵盖数据清洗、环境构建、奖励作弊防护和 RL 训练。训练集约有 6,000 个样本，无需大规模算力。仅 RL 训练就将 Qwen3.5-9B 在 SWE-bench Verified 上从 41.8% 提升到 56.4%，提高了 14.6 个百分点。

编码 agent 实验进一步证实了此前对两个挑战的分析：优势计算和损失归一化。与样本级处理相比，rollout 级优势结合 rollout 级归一化能获得更高的验证奖励，并在训练过程中保持策略熵更稳定（图 5）。

Figure 5: Two line charts plotting 200 training steps. On the left, validation reward: rollout-level advantage combined with rollout-level normalization reaches the highest reward at about 0.37, above rollout-level advantage alone and sample-level advantage. On the right, policy entropy: rollout-level advantage alone climbs steeply to about 0.65, while the combined method stays lower and steadier. — 图 5. Qwen3.5-9B 在 SWE-smith 验证集上的通过率和策略熵。

技术报告

GitHub 项目

在新标签页中打开

文章 Agent Lightning v1.0：一个 3,500 行的轻量级 Agentic RL 框架，用于使用真实 Harness 训练智能体首次发表于 Microsoft Research。