Microsoft выпустила Agent Lightning v1.0, описываемый как лёгкий фреймворк agentic reinforcement learning на 3 500 строк. Релиз позиционируется вокруг agentic RL, а не single-turn fine-tuning, и предназначен для обучения агентов на реальных harness — той же исполнительной обвязке, которая в продакшене выполняет tool calls, взаимодействие со средой и многошаговое управление потоком выполнения.
Такая постановка важна для команд, которые уже эксплуатируют агентов. Обычный путь от живого трейса к обучающему сигналу требует специальной обвязки для reward: инструментирования harness, извлечения промежуточного состояния и пересборки функции награды под каждую задачу. Фреймворк, который подключается к самому harness, меняет этот порядок. Трейсы становятся основой, и предполагается, что тренер работает
Размер кода — второе утверждение, которое стоит отметить. При примерно 3 500 строках фреймворк достаточно мал, чтобы прочитать его целиком, и это меняет то, как инженерная команда его оценивает: аудируемость, стоимость форка и поверхность интеграции становятся решаемыми вопросами, а не закупочными решениями.
Чего предоставленное освещение не устанавливает — так это поддерживаемого набора harness, реализованных алгоритмов обучения, требований к пропускной способности или оборудованию и наличия опубликованной оценки. Эти вопросы остаются открытыми, и релиз следует оценивать по ним до внедрения.