henry 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

強(qiáng)化學(xué)習(xí)+任意一張牌，往往就是王炸。

專注于LLM+RL的科技公司OpenPipe提出全新開源強(qiáng)化學(xué)習(xí)框架——MCP·RL。

只需一個(gè)MCP Server的地址，agent就能自動(dòng)發(fā)現(xiàn)工具、生成任務(wù)，通過強(qiáng)化學(xué)習(xí)在閉環(huán)反饋中摸索出最優(yōu)調(diào)用策略。

在實(shí)測(cè)中，MCP·RL更是在2/3的benchmark上達(dá)到或超過SOTA性能，效果直接拉滿。

不套公式，在“做中學(xué)”，這就是專屬RL的power！

MCP·RL的做中學(xué)

想明白MCP·RL怎么個(gè)“做中學(xué)”法，咱們有必要簡(jiǎn)單過一下傳統(tǒng)MCP的流程：

舉個(gè)例子，假如你想讓agent幫自己讀郵件、分類、寫回復(fù)，那么你就得提前設(shè)置好整個(gè)工作流：

準(zhǔn)備郵件數(shù)據(jù)、注冊(cè)工具、寫prompt規(guī)劃執(zhí)行順序。

此外，你還得設(shè)置回退邏輯，以防中途崩掉。

而這只是一個(gè)發(fā)郵件的例子，功能一多，配置量指數(shù)級(jí)上升。

最關(guān)鍵的是——你得知道怎么拆任務(wù)、調(diào)工具、寫邏輯。

換句話說，agent就是在做你給他出的完形填空。

而你，我的朋友，要填除了空以外的所有東西。

MCP·RL的提出就是為了解決這一問題。

你只需提供MCP Server地址，不用配置工具、不用寫prompt、不用人工標(biāo)注。

模型就能自己發(fā)現(xiàn)工具、自己設(shè)計(jì)任務(wù)、自己實(shí)戰(zhàn)訓(xùn)練，邊跑邊學(xué)。

簡(jiǎn)單來(lái)說，MCP·RL的訓(xùn)練流程分四步：

• 發(fā)現(xiàn)工具：自動(dòng)連接MCP Server，獲取所有可用工具和參數(shù)。
• 生成任務(wù)：根據(jù)工具信息自己“腦補(bǔ)”出一批使用場(chǎng)景，作為訓(xùn)練任務(wù)（數(shù)據(jù)）。
• 實(shí)戰(zhàn)訓(xùn)練：通過跑任務(wù)直接從經(jīng)驗(yàn)中學(xué)習(xí)，搭配RULER評(píng)估策略，調(diào)參優(yōu)化。
• 測(cè)試泛化：用新任務(wù)檢驗(yàn)策略泛化性，讓agent越用越順手。

總結(jié)下來(lái)就是：任務(wù)場(chǎng)景是什么？AI找；工具怎么用？AI學(xué)；流程怎么拆？AI想；效果好不好？AI試。

一位網(wǎng)友精辟的點(diǎn)出了這一轉(zhuǎn)變：

• 我們?cè)柚鶰CP讓AI調(diào)用工具，而現(xiàn)在是AI反過來(lái)利用MCP。

那么，它的效果如何呢？

正如我們開頭提到的，MCP·RL在2/3的基準(zhǔn)測(cè)試中達(dá)到SOTA。

而在具體的部署層面，MCP·RL無(wú)需標(biāo)注數(shù)據(jù)，適用于任何Server，無(wú)需定制MCP接口，開箱即用。

One more thing

MCP·RL是科技公司OpenPipe基于強(qiáng)化學(xué)習(xí)的智能體訓(xùn)練系統(tǒng)(Agent Reinforcement Trainer，ART)的最新項(xiàng)目。

ART是一個(gè)開源強(qiáng)化學(xué)習(xí)框架，其核心思想是讓LLM從經(jīng)驗(yàn)中學(xué)習(xí)，從而提高agent的可靠性，ART可以將GRPO集成到任何Python應(yīng)用中。

在此前的實(shí)測(cè)中，ART（Agent Reinforcement Trainer）對(duì)Qwen 2.5-14B進(jìn)行強(qiáng)化訓(xùn)練，其在一項(xiàng)電子郵件檢索任務(wù)中表現(xiàn)優(yōu)于o3，實(shí)現(xiàn)了SOTA（state-of-the-art）。

[1]https://x.com/corbtt/status/1953171838382817625
[2]https://github.com/OpenPipe/ART?tab=readme-ov-file#-notebooks