agent-lightning: 這是什麼、解決了什麼問題以及為什麼它正受到關注

解決了什麼問題

Agent Lightning 的設計目的是讓 AI agent 可以進行優化，而不需要進行大量的程式碼變更。它允許開發者將訓練技術應用於使用任何框架（例如 LangChain, AutoGen, CrewAI, 或甚至是原始的 Python OpenAI calls）構建的 agent，透過迭代優化來提升其性能。

如何運作

該系統使用輕量級的 tracer 和輔助函數 (agl.emit_xxx()) 來收集 prompt、tool calls 和 rewards 作為結構化的 spans。這些數據會被儲存在一個稱為 LightningStore 的中央 hub。優化演算法（例如 Reinforcement Learning 或 Automatic Prompt Optimization）會從 store 中讀取這些 spans，從中學習並更新資源（例如 prompt templates 或 policy weights）。接著，一個 Trainer 會管理 runner、store 和 inference engine 之間的數據流，以應用這些改進。

對象是誰

想要使用 RL 或 fine-tuning 等進階訓練方法來優化現有 AI agent 行為的開發者和研究人員，且不希望重新編寫 agent 的核心邏輯。

重點摘要

• Framework Agnostic: 使用任何 agent 框架或完全不使用框架皆可。
• Zero Code Change: 對現有的 agent 程式碼僅需極小的修改即可啟用優化。
• Selective Optimization: 能夠在多 agent 系統中優化特定的 agent。
• Algorithm Support: 支援 Reinforcement Learning, Automatic Prompt Optimization, 以及 Supervised Fine-tuning。