多轮任务Agentic RL新范式！中科大开源Agent-R1 v2，提升大模型长程规划能力

头像

智猩猩

2026-03-27 16:05发布于北京科技领域创作者

问AI · Agentic RL如何推动AI从会说话进化到能做事？

智猩猩AI整理

编辑：没方

Agentic AI 正在成为人工智能领域最具变革性的研究方向之一。这类具备自主规划能力、能够灵活调用工具并与环境持续交互的智能体，正从早期的实验室原型逐步走向复杂真实场景中的规模化应用（如Claude Code与OpenClaw），其核心特征也从“回答生成”转向“驱动决策与行动”。在这一范式演进背后，Agentic RL正逐渐成为关键技术支柱。不同于传统的 RLHF，Agentic RL 强调在多轮交互环境中，通过可验证反馈与序列决策优化，让大语言模型（LLM）具备持续决策、动态规划与自我修正的能力，从而真正支撑复杂任务中的长期推理与执行。

在这一背景下，中国科学技术大学认知智能全国重点实验室率于2025年年初开源发布了 Agent-R1 训练框架。近期，Agent-R1 正式迎来 v2 版本的重要升级，目前项目在 GitHub 上的 Star 数已突破 1300+。相较于首代版本，Agent-R1 v2 在底层系统架构、Trajectory 表示机制以及多轮训练策略等方面实现了系统性重构，不仅提升了复杂任务下的稳定性与训练效率，也显著增强了智能体在开放环境中的泛化能力与鲁棒性，进一步推动 Agentic RL 从研究探索走向可落地的工程实践。

图片
  • 论文标题：
    Agent-R1: Training Powerful LLM Agents with End-to-End Reinforcement Learning
  • 论文链接：
    https://arxiv.org/pdf/2511.14460
  • 项目地址：

    https://github.com/AgentR1/Agent-R1


01

研究背景：RL for LLM 的三次进化


图片


近年来，强化学习与大语言模型的结合正快速演进，并逐步形成一条从“对齐”到“推理”再到“行动”的清晰技术路径：


第一代：RLHF（Reinforcement Learning from Human Feedback） 以 InstructGPT、ChatGPT 为代表。这一阶段的核心在于利用人类反馈对模型进行行为对齐：通过人工标注偏好数据，训练奖励模型，再借助 PPO 等方法优化模型输出，使其在表达上更加符合人类价值与安全规范。然而，这类方法高度依赖人工信号，成本较高，且奖励往往具有主观性与模糊性，因此在数学推理、程序生成等需要客观正确性的任务上存在一定局限。


第二代：RLVR（Reinforcement Learning with Verifiable Rewards） 以 DeepSeek-R1 等工作为代表。该阶段的重要转变在于引入可验证的客观奖励机制，如代码是否成功执行、数学结果是否正确等，从而摆脱对人工打分的依赖。这一范式显著提升了模型在逻辑推理与结构化任务中的表现，并促进了长链推理（Long Chain-of-Thought）的涌现。不过，这类方法仍主要聚焦于“单体推理”，模型多在封闭环境中进行推断，与外部环境的动态交互相对有限。


第三代：Agentic RL（Agent-oriented Reinforcement Learning） 这是当前正在兴起的前沿方向，也是 Agent-R1 所聚焦的核心范式。在这一阶段，大模型从“文本生成器”转变为“任务执行者”：不仅能够生成内容，还可以主动调用工具、感知环境反馈、调整决策策略，并在多轮交互中逐步完成复杂任务。其奖励信号直接来源于任务完成情况，状态空间扩展为“上下文 + 环境”，动作空间也由“token 生成”拓展为“工具调用与行动决策”，从而更贴近真实世界中的决策过程。


从整体来看，这三代技术演进反映出强化学习在大模型中的作用不断深化：从最初的行为对齐（Alignment），到强调推理能力（Reasoning），再到迈向决策与行动（Action），逐步推动大模型从“会说话”走向“能做事”。


02

Agent-R1框架介绍


1、从 R1 到 Agent-R1


DeepSeek-R1 通过长链思维（CoT）解决逻辑复杂问题，本质是一种静态的内生推导——模型只在自己的"脑袋里"想，不与外界互动。


Agent-R1 引入了 Agentic RL 范式，核心在于三点升级：


  • 工具调用：不再只是写代码，而是实际运行并根据错误日志迭代修正。

  • 闭环反馈：将外部环境（API、数据库、浏览器）的真实反馈作为 MDP 状态输入。

  • 长期规划：在动态变化的环境中进行多轮决策，具备更强的鲁棒性。


维度R1（推理模型）Agent-R1（智能体）
奖励来源数学/逻辑一致性任务达成率
动作空间文本 Token 生成文本 + 外部工具指令调用
状态空间上下文 Context上下文 + 环境实时反馈

2、Agent-R1框架概览


Agent-R1 将传统单轮 RL 训练框架扩展为支持多轮交互 Rollout 的完整系统， 核心由 Tool 与 ToolEnv 两个模块构成。


图片

Agent-R1 训练轨迹示意图

如上图所示，Agent 在 Rollout 阶段进行多轮推理与工具调用，接收环境反馈，最终用完整轨迹进行 RL 更新。


（1）两大核心模块


图片


（2）关键训练机制


图片

（3）训练后端的统一优雅视角


Agent-R1 的训练后端设计极为简洁，背后藏着一个重要洞见：无论是单轮问答，还是跨越数十步的"思考-工具-反馈"多轮交互，在训练层面都只是一条 Token 序列。具体而言：


  • 通过 Loss Mask 区分 Prompt 与 Response，训练只对模型生成的 token 计算梯度，工具返回的内容不参与更新。

  • 训练后端接收一个带有 Mask 的张量，执行标准前向传播获取 Logits。

  • 损失计算过程与 SFT（监督微调）完全一致，唯一的区别是每个 token 的交叉熵损失会乘以一个标量——Advantages。


这意味着 RL 训练的复杂性被完全封装在 Advantages 的计算中，训练后端本身无需感知智能体的多轮交互逻辑，从而实现了采样与训练的彻底解耦。


（4）分布式训练架构：推理与训练解耦


图片

Agent-R1 采用业界成熟的分布式训练链路，将采样生成与梯度更新彻底解耦：


  • 采样端：基于 vLLM，高效并行地完成多轮 rollout 轨迹收集。

  • 训练端：支持 DeepSpeed / FSDP / Megatron，适配不同规模的算力集群。

  • 算法支持：GRPO、PPO 等主流 RL 算法均已集成。


03

实验结果


图片

所有 RL 训练方法均大幅超越基线：最弱的 RL 算法（REINFORCE++，平均 EM 0.33） 仍比 Naive RAG（0.13）高出约 2.5 倍。GRPO 综合表现最优， PPO 在域外 Musique 数据集上表现突出，展现了良好的泛化能力。

消融实验证明 Action Mask（用于损失计算与优势对齐） 是 Agent-R1 框架中最关键的设计之一。 去掉 loss mask 或 advantage mask 均会导致性能显著下降， 说明精确的信用分配对多轮 Agent 训练至关重要。

图片


04

本次Agent-R1 v2版本更新


Step-level MDP：多轮任务的正确建模方式


传统单轮 RL 将任务退化为多臂赌博机问题，无真实中间状态转移。Agent-R1 v2 提出 Step-level MDP，恢复了完整的序列决策特性：


  • 每一轮交互都是一个真实的状态转移。

  • 奖励信号同时包含过程奖励和结果奖励。

  • 支持跨越数十步"思考-工具-反馈"的长程信用分配。


这使得模型能从真正意义上学习"怎么做"，而不仅仅是"说什么"。


Layered Abstractions：开发者友好的分层设计


v0.1.0 全面重构了代码库，引入分层抽象设计：


  • 研究者可以自定义工具与交互环境，快速构建新任务。

  • 支持多模态输入，不局限于文本场景。

  • 与 verl 生态完全兼容，复用成熟的 RL 训练基础设施。


05

回顾Agent-R1中三代轨迹表示方案的演进


图片


如何在多轮工具调用中准确收集训练轨迹，是 Agentic RL 的核心工程难题。Agent-R1 经历了三代方案的演进：


第一代：Messages


  • 优势：直觉清晰，可直接用 OpenAI chat 接口

  • 问题：存在 Retokenization Drift——文本 decode 再 encode 过程不可逆，导致 token 对齐漂移，影响训练稳定性


第二代：Token-In-Token-Out


  • 全流程直接拼接 token ids，精细控制 mask

  • 优势：rollout 与训练完全对齐，训练稳定

  • 问题：与实际部署（chat 接口）存在不一致，思考内容处理复杂


第三代（v2 最新）：Step-based Sequence


  • 一条完整轨迹由多个 step 组成，每个 step 对应一个单轮 (prompt, response, reward)

  • 优势：实现极简，无需复杂 token 拼接；训练部署 100% 完全一致；支持高度灵活的上下文压缩/重写；支持 rollout 训练完全解耦（黑盒模式）


从 RLHF 到 RLVR，再到 Agentic RL，大模型强化学习的演进路径正逐步清晰：强化学习赋予大模型的，不仅是“更强的推理能力”，更是在真实环境中进行决策与行动的能力。


Agent-R1 v2 的发布，尝试在这一范式下迈出关键一步：通过 step-level MDP 重构多轮任务的建模方式，以 step-based sequence 缓解训练与推理不一致的问题，并通过分层抽象降低复杂 Agent 系统的研究与开发门槛。这些探索并非局限于单一框架优化，而是指向一个更普遍的问题——如何让大模型在开放环境中稳定地进行长程决策。


我们逐渐认识到，未来大模型能力的核心，不再只是“生成更好的答案”，而是完成真实世界中的复杂任务。在这一意义上，能够“做事”的智能体，或许将成为下一阶段人工智能最关键的研究方向之一。