agent-lightning: 它是什么，解决了什么问题以及为什么它正受到关注

解决了什么问题

Agent Lightning 旨在使 AI agent 可优化，而无需进行大量的代码更改。它允许开发者将训练技术应用于使用任何框架（例如 LangChain, AutoGen, CrewAI, 或甚至是原始的 Python OpenAI 调用）构建的 agent，通过迭代优化来提高其性能。

工作原理

该系统使用轻量级 tracer 和辅助函数 (agl.emit_xxx()) 来收集 prompt、tool calls 和 rewards 作为结构化 spans。这些数据被存储在一个名为 LightningStore 的中央 hub。优化算法（例如 Reinforcement Learning 或 Automatic Prompt Optimization）从 store 中读取这些 spans，从中学习并更新 prompt templates 或 policy weights 等资源。随后，一个 Trainer 管理 runner、store 和 inference engine 之间的数据流，以应用这些改进。

适用人群

希望使用 RL 或 fine-tuning 等高级训练方法来优化现有 AI agent 行为，而无需重写 agent 核心逻辑的开发者和研究人员。

亮点

• Framework Agnostic: 适用于任何 agent 框架，或者完全不使用框架。
• Zero Code Change: 仅需对现有 agent 代码进行极小的修改即可启用优化。
• Selective Optimization: 能够在多 agent 系统中优化特定的 agent。
• Algorithm Support: 支持 Reinforcement Learning, Automatic Prompt Optimization, 和 Supervised Fine-tuning。