agent-lightning
18,939
Stars
1,720
Forks
80
Watchers
200
Open Issues
MIT
许可证
Python
语言
2025-06-18
创建时间
2026-11-05
最近更新
项目能做什么
微软推出的 AI Agent 训练与能力激活工具。
来源：AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录，命令与配置均以原文为准。
原始 README 摘录（英文原文，节选前 3000 字符）
<p align="center"> <img src="docs/images/agl-v1.0.svg" alt="Agent Lightning v1.0" width="500"> </p> <p align="center"><em>3,500-Line Lightweight Agentic RL Framework for Training Agents with Real Harnesses!</em></p> <p align="center"> <a href="https://microsoft.github.io/agent-lightning/stable/">Documentation</a> · <a href="https://arxiv.org/pdf/2608.17528">Technical Report</a> · <a href="https://github.com/microsoft/agent-lightning/issues/236">WeChat Group (微信群)</a> · <a href="LICENSE">MIT License</a> </p> > Agent Lightning was completely refactored in v1.0. For legacy releases earlier than v1.0, see [this branch](https://github.com/microsoft/agent-lightning/tree/v0.x). ## ⚡ News - [2026/11] We release a [Score Centering example](https://microsoft.github.io/agent-lightning/latest/85-example-score-centering/) for math reasoning, with GRPO and score centering presets, INT8 inference, and an INT4 Attention KV cache. - [2026/10] Read our [AGL-SKILL: Coding Harnesses as Agentic Optimizers](skills/assets/agl-skill.pdf) technical report on using coding harnesses to optimize other agents across five benchmarks. - [2026/09] We release [a new coding agent example based on an MoE model](https://microsoft.github.io/agent-lightning/stable/76-example-coding-agent-moe/). Pure RL improves Qwen3.5-35B-A3B on SWE-bench Verified from 47.8% to 61.6% after training it on only 1.8K training examples! - [2026/08] [Agent Lightning Skill](https://github.com/microsoft/agent-lightning/tree/main/skills#agent-lightning-skill) is released. It helps a coding agent improve another AI agent against a benchmark. - [2026/08] [Agent Lightning v1.0 technical report](https://arxiv.org/abs/2608.17528) is released! - [2026/08] We open source Agent Lightning v1.0! ## ⚡ Key Features - 🪶 **~3,500 lines of code:** We treat simplicity as the first principle. - 🧩 **Train with real agent harnesses:** Agents interact with the model through the Agent Lightning v1.0 proxy with **ZERO changes**, while keeping tools, context, control flow, and environments in the loop. - ☸️ **Native Kubernetes support:** Run agents directly as Kubernetes Jobs without relying on external sandbox services. - 💻 **Full coding agent training example:** Using only **6K training samples**, an end-to-end Qwen3.5-9B workflow improves SWE-bench Verified from **41.8% to 56.4%**, a gain of **14.6 percentage points**. We release the full pipeline, including data cleaning, reward-hacking prevention, and training scripts. **Update:** We release a [new coding agent training example](https://microsoft.github.io/agent-lightning/stable/76-example-coding-agent-moe/) based on Qwen3.5-35B-A3B. Pure RL improves Qwen3.5-35B-A3B on SWE-bench Verified from **47.8% to 61.6%** after only **1.8K training examples**, a gain of **13.8 percentage points**. ## ⚡ Installation The following is an example installation on a CUDA 13.0 machine: ```bash cd <this-repo> uv sync bash scripts/setup_verl.sh阅读完整原文
商业机会分析 AI 生成
可视化MLOps控制台与一键容器化部署套件（Open-Core）
| 产品构想 | 针对仓库特征中docker=0、db=0、gpu=0、apikey=0的现状（推测原生缺乏开箱即用UI、实验数据持久化及服务化接口），基于MIT协议构建商业增强版，提供可视化训练看板、Checkpoint管理及标准容器编排模板。 |
| 核心功能 | 训练指标实时可视化看板、基于数据库的实验/模型版本追踪、Docker/K8s一键部署镜像、API网关与团队权限管理（基于部署特征缺失项推测）。 |
| 目标用户 | 缺乏专职MLOps人员的中小AI应用团队、需要多成员协同管理Agent训练实验的研发部门（推测）。 |
| 难度/周期 | 中等偏高（需结合Web全栈工程、容器算力调度与底层Python训练框架适配，推测）。 · 2-4个月完成MVP（推测）。 · 成本：主要为软件研发人力成本及少量功能验证用GPU测试成本，无需长期垫付客户算力（推测）。 |
| 收费模式 | 采用开源核心+商业插件（Open-Core）模式，按企业节点数或团队席位收取年度授权费。 |
| 竞争风险 | 微软官方或开源社区后续可能直接补齐Docker与UI工具；因README为空，不能排除仓库内已有相关第三方生态集成文档。 |
| 依据 | 数据支持的判断 |
托管式Agent强化学习微调云平台（PaaS/SaaS）
| 产品构想 | 为不想自建GPU集群和配置复杂强化学习环境的开发者，提供基于agent-lightning的云端全托管训练服务，用户通过配置Agent任务与评估标准即可按需启动云端训练（推测）。 |
| 核心功能 | Serverless GPU算力自动扩缩容、隔离的Agent沙盒执行环境、标准化训练任务提交API与微调权重导出功能（推测）。 |
| 目标用户 | 初创Agent公司、独立AI应用开发者及需要弹性GPU算力进行Agent微调的团队（推测）。 |
| 难度/周期 | 高（涉及多租户GPU算力调度、Agent沙盒安全隔离与强化学习长周期任务稳定性保障，推测）。 · 4-6个月以上（推测）。 · 成本：较高的云端GPU算力采购/预留成本、对象存储与网络带宽成本及高阶Infra研发成本（推测）。 |
| 收费模式 | 按GPU训练时长溢价计费、沙盒运行包月订阅或按训练消耗Token量计费。 |
| 竞争风险 | 算力转售毛利受限且易与主流云厂商及大模型训练平台产生同质化竞争；企业客户可能对核心Agent交互数据上云存在合规顾虑。 |
| 依据 | 尚需验证的假设 |
垂直行业Agent训练管线私有化交付与技术支持
| 产品构想 | 利用项目18935 Star的高行业知名度及200个Issue反映出的潜在工程落地门槛（推测），为金融、软件研发、客服等高价值场景企业提供私有化部署、Reward（奖励函数）定制及专项训练调优咨询。 |
| 核心功能 | 企业内网算力环境适配、领域专属奖励模型与评测基准构建、Agent持续训练流水线集成及SLA技术保障（推测）。 |
| 目标用户 | 有严格数据内网隔离要求、且希望用强化学习提升垂直业务Agent准确率的传统中大型企业或头部科技公司（推测）。 |
| 难度/周期 | 中等（高度依赖算法实战经验、业务理解力及B端项目交付能力，推测）。 · 1-2个月可启动首单验证（推测）。 · 成本：前期固定投入较低，主要为算法与工程顾问的人力时间成本，训练算力通常由客户自备（推测）。 |
| 收费模式 | 按项目制收取定制开发与集成费用，叠加年度技术支持与持续调优顾问费。 |
| 竞争风险 | 非标定制项目多，人力难以规模化复制；强依赖客户自身业务Agent的成熟度与可用训练环境。 |
| 依据 | AI推测 |
AI 基于仓库公开数据分析生成，含推测成分，不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| morluto/rea | 中文介绍暂未生成 Reverse engineer anything with agents, from app behavior dow |
449,345 | TypeScript |
| mattpocock/skills | 中文介绍暂未生成 Skills for Real Engineers. Straight from my .agents director |
320,643 | Shell |
| obra/superpowers | 中文介绍暂未生成 An agentic skills framework & software development methodolo |
315,590 | Shell |
| affaan-m/ECC | 中文介绍暂未生成 The agent harness performance optimization system. Skills, i |
300,651 | JavaScript |
| NousResearch/hermes-agent | 中文介绍暂未生成 The agent that grows with you |
262,371 | Python |
| anomalyco/opencode | 中文介绍暂未生成 The open source coding agent. |
225,857 | TypeScript |
以上为通过 GitHub 官方 Search API 检索的相似项目，功能差异与优劣势需进一步人工确认，配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2025-06-18，近 30 天仍在推送，发布过 11 个 Release |
| 社区活跃 | Star 18,939 / Fork 1,720 / Issue 200（数据支持，可自行核实） |
| 许可证 | MIT |
| 主要风险 | 上游项目方向可能变化；同赛道竞争者较多（见竞品表）；热度与需求不完全等价 |
安装与使用
快速开始（以仓库 README 为准）
git clone https://github.com/microsoft/agent-lightning.git cd agent-lightning # 请阅读仓库 README 获取确切安装步骤（依赖、配置、启动命令）
术语说明：Docker＝应用容器（把程序和依赖打包运行）；API Key＝调用外部服务的密钥；Git Clone＝把仓库代码下载到本地。常见错误：API Key 未配置 / 端口占用 / 数据库连接失败，多数项目在 README 的 Troubleshooting 章节有说明。