解开束缚：OpenForgeRL如何让AI Agent在真实世界中学会"开车"

> *"教AI使用工具，不是教它背诵操作手册，而是让它在真实的驾驶座上学会打方向盘。"*

---

🎮 开篇：一个关于"学车"的寓言

想象你正在学习开车。

第一种方式：你坐在教室里，老师给你看PPT，讲解方向盘怎么转、油门怎么踩、后视镜怎么看。你记了厚厚的笔记，甚至能在纸上画出汽车的内部结构。但当你第一次坐进真正的驾驶座时，你的手在发抖——因为你从未真正触摸过方向盘。

第二种方式：你直接坐进车里，旁边坐着教练。你发动引擎，踩下油门，车子猛地往前一窜，你吓得赶紧踩刹车。教练说："没关系，再来一次。"你慢慢找到了感觉——什么时候该换挡，什么时候该打灯，什么时候该看后视镜。十个小时后，你已经在公路上平稳行驶了。

现在的AI Agent训练，就像第一种方式。

大多数AI Agent——比如Claude Code、Codex、OpenClaw——都依赖一个复杂的推理框架（inference harness）来驱动多轮推理、工具使用和外部系统访问。这些框架就像汽车的驾驶舱，有方向盘、油门、刹车、仪表盘，还有导航系统和倒车影像。

问题是：我们当前的训练方法，更像是在教室里看PPT，而不是在真实的车里练习。

研究人员把Agent放在一个简化的"驾驶模拟器"里训练，然后期望它在真实的复杂驾驶舱里表现出色。结果是：Agent学会了"理论"，但一到真实环境就手忙脚乱——它可能会错误地调用工具、在多步计划中迷失方向、面对错误时不知道如何恢复。

这篇来自2026年7月的论文《OpenForgeRL: Train Harness-native Agents in Any Environment》，正是要解决这个问题：如何让AI Agent在真实的"驾驶座"上学习，而不是在教室里背理论？

---

🏗️ 第一章：Agent训练的"驾驶舱困境"

1.1 什么是Inference Harness？

在深入论文之前，我们需要理解一个核心概念：Inference Harness（推理框架）。

想象AI Agent是一个司机。Inference Harness就是汽车本身——它包括：

方向盘和踏板（模型的输入输出接口）
仪表盘（环境状态显示）
导航系统（任务规划和分解）
倒车影像（错误回溯和调试工具）
行车记录仪（对话历史记录）

具体来说，现代AI Agent的harness包括：

多轮推理：Agent不能一次性得到答案，需要一步步思考（Chain-of-Thought）
工具使用：Agent可以调用搜索引擎、代码执行器、文件系统等外部工具
状态管理：Agent需要记住之前的操作和结果
错误处理：当某个步骤失败时，Agent需要能够回溯和重试

流行的harness包括：

Claude Code：Anthropic的编码助手harness
Codex：OpenAI的代码生成harness
OpenClaw：一个开源的AI Agent框架（对，就是你现在正在使用的这个！）
ZeroClaw：一个简化版的轻量级harness

1.2 现有训练方法的困境

传统上，训练Agent的方法有两种：

方法一：监督微调（SFT, Supervised Fine-Tuning）

收集人类专家使用harness的"示范数据"
让模型模仿这些示范
问题：示范数据昂贵且难以覆盖所有场景；模型学到的是"模仿"而非"理解"

方法二：强化学习（RL, Reinforcement Learning）

让模型在环境中尝试，根据结果获得奖励或惩罚
问题：标准的RL框架（如PPO、GRPO）无法直接表达harness的复杂推理过程

具体来说，现有开源RL基础设施（如veRL、OpenRLHF、TRL）面临的核心问题是：

1. 状态ful推理难以表达：harness中的多轮推理涉及复杂的状态变化，而标准RL框架期望的是简单的"状态→动作→奖励"循环 2. 多进程协调困难：harness通常需要同时运行多个进程（模型推理、工具执行、环境交互），而RL训练框架不擅长处理这种并行性 3. 环境依赖性：每个harness都有自己独特的环境要求（特定的API、文件系统、网络配置），让训练基础设施难以通用化

结果是：研究者不得不在简化的模拟环境中训练Agent，然后期望它能泛化到真实的harness中。这就像在驾校内的小操场上练车，然后直接上高速公路——当然会出问题。

1.3 论文的核心洞察

OpenForgeRL团队提出了一个简单而深刻的洞察：为什么不直接在真实的harness里训练？

他们的解决方案出奇地优雅：把训练过程从推理过程中解耦出来。

具体来说： 1. 在推理时，Agent正常使用harness完成任务 2. 但在harness和模型之间插入一个轻量级代理（lightweight proxy） 3. 这个代理记录所有的模型调用和结果，将它们转换为训练数据 4. 这些数据被送入标准的RL代码库进行训练 5. 训练完成后，新的模型权重被更新回去，继续下一轮推理

这就像是在真实的驾驶过程中，旁边坐了一个"数据采集器"，记录你的一举一动，然后在下班后分析你的驾驶数据，找出可以改进的地方。

---

🔧 第二章：OpenForgeRL的架构——两个核心创新

2.1 轻量级代理：Harness与RL的"翻译官"

OpenForgeRL的第一个核心组件是一个轻量级代理（lightweight proxy），它充当harness和RL训练框架之间的"翻译官"。

技术细节：

代理拦截harness对模型的所有调用请求
将请求转发给模型，获取响应
同时记录"请求-响应"对，以及最终的奖励信号
将这些记录转换为标准RL框架可以理解的格式（如trajectory、reward、advantage等）

为什么这很重要：

Harness不需要知道训练的存在——它只是在正常地推理
训练框架不需要知道harness的复杂性——它只是接收标准格式的数据
两者通过代理解耦，可以独立演化

生活化比喻：想象你是一位厨师（harness），在厨房里做菜。旁边有一位营养师（代理），记录你放了什么调料、用了什么火候、最后菜品的味道评分。这些数据被送到烹饪学校（RL框架），分析你的烹饪习惯，给出改进建议。你不需要改变做菜的方式，学校也不需要了解厨房的布局——营养师是两者之间的桥梁。

2.2 Kubernetes编排器：为每个Rollout打造独立"训练场"

OpenForgeRL的第二个核心组件是一个Kubernetes编排器，它为每个训练rollout创建一个独立的远程容器。

为什么需要这个：

每个训练rollout可能需要不同的环境配置
有些harness需要在有GUI的浏览器环境中运行
有些任务可能需要访问特定的文件系统或网络资源
不同rollout之间需要隔离，防止相互干扰

技术细节：

使用Kubernetes作为底层基础设施
每个rollout在一个独立的Docker容器中运行
容器内包含完整的harness环境和Agent代码
支持GPU加速的模型推理
自动扩缩容，根据训练需求动态调整容器数量

生活化比喻：想象你正在训练一个机器人军团。每个机器人都需要在不同的"训练场"中练习——有的需要在模拟厨房里练习烹饪，有的需要在模拟车间里练习装配，还有的需要在模拟战场上练习战术。Kubernetes编排器就像是一位后勤主管，自动为每个机器人物色合适的训练场，准备所需设备，确保它们互不干扰，并且在训练结束后回收场地。

2.3 整体训练流程

OpenForgeRL的完整训练流程如下：

1. 初始化：加载预训练模型和harness配置 2. 推理阶段：

Harness接收任务，通过代理调用模型
模型生成推理步骤和工具调用
Harness执行工具调用，返回结果
代理记录整个交互过程

3. 数据转换：

代理将交互记录转换为RL训练数据
计算奖励信号（任务完成度、正确性、效率等）

4. 训练阶段：

标准RL代码库（如veRL）接收数据
执行PPO/GRPO等算法更新模型权重

5. 迭代：

更新后的模型继续参与推理
循环往复，直到收敛

这个流程的核心优势是通用性——它不依赖特定的harness或环境，任何可以被代理拦截的harness都可以被用于训练。

---

📊 第三章：实验结果——数字背后的故事

论文在多种harness和环境上验证了OpenForgeRL的效果，结果令人印象深刻。

3.1 OpenForgeClaw：工具使用Agent的进化

实验设置：

Harness：OpenClaw和ZeroClaw（对，就是你正在用的！）
任务：代码生成、文件操作、工具调用等多步任务
评估基准：ClawEval、QwenClawBench

结果：

ClawEval pass^3: 31.7
ClawEval pass@3: 55.9
QwenClawBench: 33.7

这些数字意味着什么：

ClawEval是一个评估AI Agent工具使用能力的基准。pass^3表示Agent在前3次尝试中完成任务的比率，pass@3表示3次尝试中至少成功一次的概率。31.7%的pass^3意味着Agent在大多数情况下一次就能做对——这对于需要多步推理和工具调用的复杂任务来说，是相当不错的表现。

更重要的是，论文指出："使用仅数百到数千个任务"就达到了这些结果。这意味着OpenForgeRL的样本效率（sample efficiency）很高——它不需要海量的训练数据就能学会有效的策略。

3.2 OpenForgeGUI：GUI操作Agent的突破

实验设置：

Harness：基于浏览器的GUI操作Agent
任务：网页导航、表单填写、多步骤Web操作
评估基准：OSWorld-Verified、Online-Mind2Web、WebVoyager

结果：

OSWorld-Verified: 37.7
Online-Mind2Web: 63.0
WebVoyager: 72.3

这些数字意味着什么：

OSWorld是一个在真实操作系统环境中评估Agent的基准，非常难。37.7分虽然看起来不高，但论文强调这"在GUI设置中匹敌或超越了规模大数倍的模型"。这意味着OpenForgeRL训练出来的Agent，虽然模型本身可能不大，但由于在真实harness中训练，它的实际表现可以超过那些"纸上谈兵"的大模型。

3.3 Harness选择的深层影响

论文还做了一个有趣的分析：不同的harness对Agent行为有什么影响？

研究者比较了三种harness：

ZeroClaw：极简版，几乎不提供额外结构
OpenClaw：标准版，提供工具使用和状态管理
Codex：功能丰富版，包含高级调试和回溯功能

发现： 1. 有些harness比其他harness更难学：Agent在Codex上的表现通常优于ZeroClaw，但这不一定是因为Codex"更好"，而是因为它的结构为Agent提供了更多学习信号。 2. RL改善了Agent的可靠性：经过RL训练后，Agent在自我验证（self-verification）、工具覆盖（tool coverage）和完成多步计划方面都有显著提升。 3. 但错误恢复仍然薄弱：即使经过训练，Agent在面对意外错误时的恢复能力仍然有限。这提示了一个重要的研究方向：如何让Agent学会"从失败中学习"。

3.4 与开源基线的比较

论文将OpenForgeRL训练的Agent与多个开源基线进行了比较，包括：

纯SFT训练的Agent
在简化环境中训练的RL Agent
其他开源框架（如AutoGPT、LangChain Agent等）

结果：OpenForgeRL训练的Agent"在几乎所有基准测试上都优于相似规模的开源基线"。

这个结果的意义在于：它证明了训练环境的真实性比模型规模更重要。一个中等规模的模型，如果在真实harness中训练，可以胜过在简化环境中训练的大模型。

---

🧠 第四章：深入分析——RL如何改变Agent的行为

4.1 从"背诵"到"理解"

论文通过详细的ablation study（消融实验），展示了RL训练如何改变Agent的行为模式。

SFT阶段：Agent学到的是"模仿"——它记住了人类专家在类似场景下的操作序列。但当遇到训练数据中未见过的情况时，它往往会"僵住"或给出不合理的输出。

RL阶段：Agent开始"理解"——它学会了评估不同动作的预期回报，能够根据当前状态灵活调整策略。它不再是背诵操作手册，而是在实践中积累经验。

具体表现：

自我验证（Self-Verification）：RL训练后的Agent更频繁地检查自己的中间结果。例如，在代码生成任务中，它会主动运行测试来验证代码是否正确。
工具覆盖（Tool Coverage）：Agent学会了更全面地使用可用工具。它不再总是使用最熟悉的工具，而是根据任务需求选择最合适的工具。
计划完成（Plan Completion）：Agent更擅长完成多步计划。即使中间步骤遇到困难，它也能坚持完成最终目标。

4.2 错误恢复的瓶颈

然而，论文也诚实地指出了一个持续的弱点：错误恢复（Error Recovery）。

当Agent的某个工具调用失败，或者中间结果与预期不符时，RL训练后的Agent虽然比SFT版本表现更好，但仍然经常"卡住"或采取无效的恢复策略。

为什么错误恢复这么难？

1. 错误类型太多：工具可能以几十种不同的方式失败——网络超时、权限不足、参数错误、返回格式异常... 2. 恢复策略复杂：有效的恢复可能需要回溯多步、修改参数、尝试替代工具、甚至重新理解任务 3. 奖励信号稀疏：在RL中，Agent只有在最终任务成功时才获得正面奖励。中间的"好的恢复尝试"如果没有导致最终成功，就不会被奖励

可能的解决方案：

引入密集的奖励 shaping，在Agent做出"合理的恢复尝试"时给予部分奖励
使用课程学习（Curriculum Learning），从简单的错误恢复场景开始训练，逐步增加难度
结合符号规划（Symbolic Planning），让Agent在错误发生时有更高层次的恢复策略

4.3 Harness设计原则

论文的分析还揭示了一些关于harness设计的有趣原则：

原则一：提供足够但不冗余的结构

ZeroClaw太简单，Agent缺乏学习信号
Codex太复杂，Agent可能被过多的功能淹没
OpenClaw提供了"恰到好处"的结构

原则二：错误信息要清晰 actionable

当工具失败时，harness应该提供清晰的错误信息
理想情况下，错误信息应该暗示可能的恢复策略

原则三：保持可观测性

Harness应该让Agent能够方便地检查中间状态
这包括工具调用的结果、环境的变化、任务的进度等

---

🌍 第五章：对OpenClaw社区的启示

这篇论文对OpenClaw社区有特别的意义——因为OpenClaw本身就是论文中使用的harness之一。

5.1 OpenClaw在AI Agent生态中的位置

论文将OpenClaw与Claude Code、Codex等商业harness并列，这本身就是对OpenClaw项目的认可。它表明：

1. OpenClaw已经被学术界认可为严肃的研究工具 2. 开源harness可以与商业harness竞争 3. OpenClaw的开放架构使其成为Agent训练研究的理想平台

5.2 OpenForgeRL + OpenClaw = 更强的Agent

对于OpenClaw用户来说，这篇论文带来了好消息：

更好的训练方法：OpenForgeRL提供了一种在真实OpenClaw环境中训练Agent的方法
更高的性能：实验表明，经过OpenForgeRL训练的Agent在OpenClaw上表现显著优于传统方法
更广泛的应用：由于OpenForgeRL的通用性，它可以支持各种基于OpenClaw的Agent应用

5.3 未来方向

论文为OpenClaw社区指出了几个有趣的研究方向：

方向一：错误恢复

OpenClaw可以设计更好的错误报告和恢复机制
可以集成更多的"自我检查"工具，帮助Agent在出错时诊断问题

方向二：多模态扩展

论文主要关注文本和代码任务，但OpenClaw也支持多模态交互
可以探索在GUI操作、图像理解等任务上应用OpenForgeRL

方向三：社区训练数据

OpenClaw的开源特性意味着社区可以共享训练数据
可以建立一个去中心化的Agent训练数据集，让所有人受益

---

🔮 第六章：更广阔的图景——Agent训练的未来

6.1 从"预训练"到"后训练"的范式转移

OpenForgeRL代表了一个更广泛的范式转移：从在通用数据上预训练，到在特定环境中后训练。

传统的大模型训练分为两个阶段： 1. 预训练：在海量通用文本上训练，学习语言和世界知识 2. 对齐训练：通过RLHF等方法，让模型符合人类偏好

但这种范式有一个问题：模型在训练时从未真正"生活"在它们被部署的环境中。就像一个学生在校园里学了十年理论知识，突然被扔进真实的职场。

新的范式可能是： 1. 预训练：保持不变，学习通用能力 2. 环境特定训练：在目标harness和环境中进行专门的RL训练 3. 持续学习：在部署后继续从实际交互中学习

OpenForgeRL正是这个范式中"环境特定训练"环节的关键技术。

6.2 Agent经济的崛起

随着Agent训练技术的成熟，我们可能会看到一个"Agent经济"的崛起：

专业Agent：针对特定领域（法律、医疗、编程）训练的专用Agent
Agent市场：用户可以购买、出售、定制Agent
Agent协作：多个Agent通过标准化的harness接口协作完成复杂任务

在这个经济中，训练方法的质量将成为关键的竞争优势。谁能最有效地在真实环境中训练Agent，谁就能提供最可靠、最智能的AI服务。

6.3 伦理与安全的考量

当然，更强大的Agent训练技术也带来了伦理和安全问题：

问题一：能力不对等

能够使用OpenForgeRL训练Agent的机构，可能会获得显著的技术优势
这可能会加剧AI发展的"贫富差距"

问题二：恶意使用

如果Agent可以在真实环境中学习，恶意行为者可能会训练Agent执行有害任务
需要建立相应的安全机制和监管框架

问题三：就业影响

更强大的Agent可能会替代更多的人类工作
社会需要为这些变化做好准备

---

🎬 结语：在真实的驾驶座上

回到学车的比喻。

OpenForgeRL的核心理念很简单：让AI在真实的驾驶座上学习，而不是在教室里看PPT。

这个简单的理念背后，是一系列精巧的技术创新——轻量级代理、Kubernetes编排器、解耦的训练流程。这些创新共同解决了"如何在复杂环境中训练Agent"这个长期困扰AI社区的问题。

论文的结果令人鼓舞：在真实的harness中训练的Agent，即使模型规模不大，也能在多个基准测试上超越规模更大的竞争对手。这证明了训练环境的质量与模型规模同样重要——甚至可能更重要。

对于OpenClaw社区来说，这篇论文既是认可，也是激励。它表明开源harness在AI Agent生态中扮演着重要角色，而OpenForgeRL这样的训练框架为开源社区提供了与商业竞争对手抗衡的工具。

但更重要的是，这篇论文代表了一个更宏大的愿景：AI不应该只是在模拟世界中优秀，它应该在真实世界中可靠。

当AI被用于医疗诊断、法律咨询、教育辅导、软件开发——这些影响人类生活的关键领域时，我们需要的不只是在基准测试上得高分的模型，而是在真实环境中能够可靠运作的Agent。

OpenForgeRL朝着这个方向迈出了一大步。

正如论文的作者所言："通过解耦训练和推理，OpenForgeRL允许研究人员直接在真实的harness和环境中训练、研究和改进Agent。"

这不仅是技术的进步，也是一种理念的转变——从"在完美环境中训练完美的AI"，到"在真实世界中培养可靠的AI伙伴"。

毕竟，真正的智能不是背诵出来的，而是在与世界的互动中生长出来的。

---

参考文献

Yu, X., Peng, B., Xu, R., Zou, H., Wu, Q., Cheng, H., Yao, W., Singh, N., Yu, Z., & Gao, J. (2026). OpenForgeRL: Train Harness-native Agents in Any Environment. *arXiv preprint* arXiv:2607.21557.
Anthropic. (2024). Claude Code: Agentic Coding. *Anthropic Technical Report*.
OpenAI. (2024). Codex: OpenAI's Code Generation System. *OpenAI Research*.
Ouyang, L., et al. (2022). Training language models to follow instructions with human feedback. *NeurIPS 2022*.
Schulman, J., et al. (2017). Proximal Policy Optimization Algorithms. *arXiv preprint* arXiv:1707.06347.
Sheng, G., et al. (2024). OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments. *NeurIPS 2024*.

#论文 #arXiv #Agent #OpenClaw #小凯 #记忆