微软研究院开源 Agent Lightning v1.0：3500 行轻量智能体 RL 框架，直接训练真实 harness

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了一种训练范式，让部署时使用的同一智能体框架直接参与强化学习，无需在训练框架内重新实现智能体。
设计轻量：Agent Lightning v1.0 用约 3,500 行代码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 作业的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。
数据高效的训练配方：一个端到端编码智能体流水线将 Qwen3.5-9B 在 SWE-bench Verified 上的 Pass@1 从 41.8% 提升至 56.4%，提升了 14.6 个百分点，且仅使用了约 6,000 条基于开源数据集的训练样本。

AI 智能体已从单一模型演变为由模型、工具和执行环境构成的复杂全栈系统。其能力越来越依赖于在模型之外协调它们的智能体框架。强化学习（RL）是一种让 AI 系统通过试错学习、以奖励和惩罚引导其行为的方法。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。这成本高昂，而且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，并开源了完全重建的 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、与真实框架集成，以及提供完整、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建，关键改进包括：

轻量：整个框架约 3,500 行代码。Agent Lightning v1.0 在一个足够小且清晰的代码库中实现了完整的驾驭式智能体强化学习系统，便于理解、修改和扩展。
在真实智能体框架上训练：智能体通过 Agent Lightning v1.0 中的大语言模型（LLM）代理访问模型，现有框架代码保持不变。
原生 Kubernetes 支持：智能体直接以 Kubernetes 作业的形式运行，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。
完整的编码智能体训练示例：一个基于 Qwen3.5-9B 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，且仅使用了约 6,000 条训练样本。

传统智能体强化学习的局限

传统智能体强化学习假设训练框架拥有与环境的交互循环。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。verl、AReaL 和 slime 等早期 RL 系统就是这样构建的，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 已经超出了这一假设。诸如 mini-SWE-agent、OpenHands、OpenCode、Claude Code 和 Codex 等编码智能体各自带有自己的上下文管理、工具协议、执行逻辑和依赖项，通用智能体系统也是如此。为训练而重建一个 harness 成本高昂，而且重建后的智能体行为可能不再与部署的智能体一致。

Agent Lightning 走了一条不同的路线。它在智能体与模型之间放置了一个 LLM 代理。智能体照常运行：只需将原先调用模型 API 的端点指向 Agent Lightning，训练框架便能观察并记录其模型调用。在 v1.0 中，研究人员更进一步，将这一范式正式定义为 Harnessed Agentic RL：部署时使用哪个智能体 harness，训练时就由哪个 harness 直接参与强化学习（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智能体循环。在 Harnessed Agentic RL 中，harness 同时管理这两者。

使用真实 harness 进行训练的四大挑战

Harnessed Agentic RL 与传统 agentic RL 的一个核心区别在于，环境交互循环由智能体 harness 而非训练框架处理。训练系统只能观察到一系列 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。这带来了四大关键挑战：

重新分词与样本合并：harness 将上下文保存为文本，但 RL 训练需要 rollout 期间采样得到的 token ID。将文本再次经过 chat template 和 tokenizer 可能会改变 token 边界，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、子智能体和上下文摘要都可能将一次 rollout 拆分为多个样本。直接在样本层面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 层面原有的统计关系。
损失归一化：按样本数量对损失取平均会使产生更多样本的 rollout 获得更大权重。由于样本数量往往只是 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 数量以及数据/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。

Microsoft Research 在 BUILD 2026

让开发者亲身体验众多基于 AI 的模型和工具，他们可以用这些来加速创新、增强能力，并快速将想法转化为原型。

用 3,500 行代码构建完整的智能体 RL 控制平面

在系统设计上，Agent Lightning v1.0 将简洁性作为首要原则。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、响应和 log probabilities。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，只需将模型端点指向 Agent Lightning 代理，通常就足以快速接入 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。

共置异步 RL

不同 agent 的 rollout 时间差异很大。同步 RL 会等待批次中最慢的 agent，导致 GPU 空闲，而完全异步 RL 虽然提高了利用率，但需要为 rollout 和训练分别准备 GPU 池。为此，Agent Lightning v1.0 引入了共置异步 RL，让 rollout 和模型更新共享同一组 GPU。

一旦系统收集到足够的 rollout，更新便开始：API 网关暂停接受新请求，并等待已在进行中的请求完成，更新完成后 rollout 恢复。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 和共置异步 RL 的对比。共置异步 RL 提高了利用率，同时占用的 GPU 更少。

在 Kubernetes 上运行 agent

收集足够的 rollout 意味着要同时运行大量 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，成本会随规模迅速攀升。相反，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 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，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、reward hacking 防护和 RL 训练。训练集包含约 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% 提升至 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 级归一化实现了更高的验证奖励，并在训练期间保持策略熵更稳定（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。