햇살 가득한 절벽 길이 키 큰 황금빛 풀 사이로 구불구불 이어진다. 아래로

Agent Lightning은 에이전트 런타임을 훈련 루프에서 분리하는 오픈소스 프레임워크입니다. 핵심 아이디어는 에이전트와 트레이너가 서로 직접 접촉하지 않는다는 것입니다. 에이전트는 이미 실행되는 방식대로 실행되며(LangChain, AutoGen, CrewAI, OpenAI SDK, 또는 일반 Python) 진행 중에 스팬(span)을 방출합니다. 트레이너는 공유 저장소 반대편에 위치하여 해당 스팬을 읽습니다. 어느 쪽도 서로를 임포트하지 않습니다. 이는 기존 에이전트를 RL 훈련 가능한 무언가로 전환하려면 일반적으로 트레이너의 데이터 모델에 맞춰 재작성하거나, 처음부터 트레이너의 프레임워크 내부에서 에이전트를 구축해야 하는 문제를 해결하기 때문에 중요합니다. 여기서 런타임은 그대로 유지되고 훈련 루프는 외부에서 부착됩니다. 메커니즘: → 모든 프롬프트, 도구 호출, 보상은 구조화된 스팬으로 캡처되며, 직접 삽입하는 emit_xxx 헬퍼 또는 자동으로 수집하는 트레이서를 통해 처리됩니다. → 스팬은 작업, 리소스, 추적을 보관하는 중앙 LightningStore로 흐릅니다. 에이전트 러너와 알고리즘 모두 여기에서 읽고 쓰며, 이것이 두 측 간의 유일한 계약입니다. → 알고리즘 슬롯은 플러그형입니다. 강화 학습, 자동 프롬프트 최적화, 지도 미세 조정 모두 동일한 인터페이스에 적합하며, 직접 작성한 알고리즘일 수도 있습니다. → 멀티 에이전트 시스템에서는 트레이너를 특정 에이전트 하나에만 지정하고 나머지는 그대로 둘 수 있습니다. 다른 에이전트들은 계속 실행되고 스팬을 방출하지만, 선택된 에이전트만 업데이트된 가중치나 프롬프트를 받습니다. 마지막 부분이 제가 실제로 사용할 기능입니다. 대부분의 에이전트 RL 작업은 훈련할 모델이 하나라고 가정합니다. 실제 시스템에는 플래너, 여러 전문가, 크리틱이 있으며 병목이 실제로 있는 하나의 가중치만 이동시키고 싶을 때가 많습니다. 전체 그래프를 분해하지 않고 이를 격리할 수 있는 능력이 연구 데모와 프로덕션에서 작동하는 시스템의 차이를 만듭니다. 2025년에 출시되는 거의 모든 에이전트 프레임워크는 런타임 우선이었습니다. 이 프레임워크는 훈련 우선이며 에이전트를 구축한 프레임워크를 요구 사항이 아닌 구현 세부 사항으로 취급합니다.