مایکروسافت Agent Lightning v1.0 را منتشر کرده است که به‌عنوان یک چارچوب سبک‌وزن یادگیری تقویتی عاملی ۳٬۵۰۰ خطی توصیف می‌شود. این انتشار حول یادگیری تقویتی عاملی شکل گرفته است، نه فاین‌تیونینگ تک‌نوبتی، و برای آموزش عامل‌ها در برابر هارنس‌های واقعی طراحی شده است — همان داربست اجرایی که فراخوانی ابزار، تعامل با محیط و جریان کنترل چندمرحله‌ای را در محیط عملیاتی اجرا می‌کند.
این چارچوب‌بندی برای تیم‌هایی که از قبل عامل‌ها را اداره می‌کنند اهمیت دارد. مسیر معمول از یک رد (trace) زنده تا سیگنال آموزش شامل لوله‌کشی سفارشی پاداش است: ابزارگذاری هارنس، استخراج وضعیت میانی، و بازسازی تابع پاداش برای هر وظیفه. چارچوبی که خودش به هارنس متصل می‌شود این ترتیب را معکوس می‌کند. ردها بستر کار می‌شوند و انتظار می‌رود آموزش‌ده
اندازه کد ادعای دیگری است که ارزش توجه دارد. این چارچوب با حدود ۳٬۵۰۰ خط به‌قدری کوچک است که بتوان آن را سرتاسر خواند، و همین نحوه ارزیابی یک تیم مهندسی را تغییر می‌دهد: قابلیت حسابرسی، هزینه فورک و سطح یکپارچه‌سازی به پرسش‌هایی قابل‌حل تبدیل می‌شوند، نه تصمیم‌های تدارکاتی.
آنچه پوشش ارائه‌شده مشخص نمی‌کند مجموعه هارنس‌های پشتیبانی‌شده، الگوریتم‌های آموزش پیاده‌سازی‌شده، توان عملیاتی یا نیازمندی‌های سخت‌افزاری، و وجود هرگونه ارزیابی منتشرشده است. این موارد همچنان باز باقی می‌مانند و پیش از پذیرش باید بر اساس آن‌ها درباره این انتشار قضاوت کرد.