【Agentic RL专题】一、LLM agent 与 agentic RL

🧔 这里是九年义务漏网鲨鱼，研究生在读，主要研究方向是人脸伪造检测,长期致力于研究多模态大模型技术；国家奖学金获得者，国家级大创项目一项，发明专利一篇，多篇论文在投，蓝桥杯国家级奖项、妈妈杯一等奖。 ✍ 博客主要内容为大模型技术的学习以及相关面经，本人已得到B站、百度、唯品会等多段多模态大模型的实习offer，为了能够紧跟前沿知识，决定写一个“从零学习 RL”主题的专栏。这个专栏将记录我个人的主观学习过程，因此会存在错误，若有出错，欢迎大家在评论区帮助我指出。除此之外，博客内容也会分享一些我在本科期间的一些知识以及项目经验。 🌎 Github仓库地址：Baby Awesome Reinforcement Learning for LLMs and Agentic AI 📩 有兴趣合作的研究者可以联系我：yirongzzz@163.com

相信初学的小伙伴会对 LLM agent以及 Agentic RL 两个名词有点混淆，因此，对于这两个名词的解释将作为专题第一章，带你深入理解 LLM agent 以及 Agentic RL的区别

@toc

一、为什么我们需要 Agentic RL？

在系统的学习agentic RL之前，我们需要去了解两个问题：① 什么是agent ② LLM agent 与 agentic RL之间有什么联系

过去几年，LLM 的飞速发展让语言理解与生成达到了惊人的水平——但在“行动”层面，它依然是被动的。给它一个 prompt，它给你一段回答。但这并不是智能，他更像是现代的“百度”，为我们提供答案。LLM 就像是一个知识库反馈我们答案

大语言模型（LLM）已经能写诗、写代码、答题——但它不会自己去行动。 比如它知道“去查天气”，但不会真的去打开天气网站。 那么，如何让它能感知世界、做决策、执行行动？ 这正是Agent想要解决的问题。

因此，智能体（Agent）还需要：

• 感知（Perception）：理解环境、状态、反馈；
• 规划（Planning）：制定策略、选择行动；
• 执行（Action）：调用工具、发出指令；
• 反思（Reflection）：评估行动是否有效；
• 记忆（Memory）：保留长期经验，形成习惯与风格

这些功能在专题会继续研究。

也就是说，① 现在的大语言模型我们更想让他成为一个智能体Agent，不仅仅是需要让他输出文字，还需要有感知、规划、推理、调用工具、维护记忆、适合策略等的能力。除此之外，② 强化学习 (Reinforcement Learning, RL) 正是让模型“学会在交互中行动”的关键。 而当这种强化学习与大型语言模型（LLM）结合——让语言模型从“说得对”变成“做得对”——就形成了一个新的研究分支：🧠 Agentic Reinforcement Learning (Agentic RL) ——让 LLM 成为会行动的智能体。

二、两条研究主线：LLM Agents 与 RL for LLMs

Agentic RL 的研究在这之前大致可以分为两条主线 ： ① LLM Agents ② RL for LLMs

• LLM Agents：研究LLMs在交互式环境里能否自主完成任务。重点是让 LLM 具备感知、规划、推理、工具调用、记忆维护、交互等能力，像一个决策者一样行动。代表工作包括基于 ReAct、AutoGPT、Voyager 等框架的 LLM agents
• RL for LLMs：研究强化学习方法优化 LLM 的行为，让模型更符合人类或任务需求。最典型的是RLHF（从人类反馈中强化学习），以及其衍生的RLAIF、DPO、ORPO 等，用于对齐人类偏好。

硬币的两面：

LLM Agents 关注“怎么让模型动起来”； RL for LLMs 关注“怎么让动作越来越聪明”。

最终，这两条路径正在融合——形成一个能“自主学习与改进”的智能体生态。

三、静态对齐 vs. 动态决策

1️⃣ RLHF——静态对齐

在过去的 RLHF（Reinforcement Learning from Human Feedback）中，例如InstructGPT的训练流程大致如下：

1. 收集 prompt 与回答样本；
2. 用人类标注的偏好训练奖励模型 (Reward Model, RM)；
3. 让语言模型通过 PPO 等算法最大化奖励分数。

这个过程的本质是单步强化学习：

• 输入 prompt → 输出完整回答；
• 奖励仅取决于最终输出；
• 没有过程状态的变化，也没有多步决策。

2️⃣ Agentic RL——动态决策

当我们更希望我们的模型能够：

• 主动去检索资料，
• 调用计算工具或执行代码，
• 与用户进行多轮交互，
• 或者在一个游戏/任务环境中逐步推理与探索，

那么原来的“一步到位”训练方式就不够用了。我们需要的是：多步决策 的强化学习。Agentic RL 把 LLM 看作一个“语言驱动的决策体”：

• 每一次生成 token、调用 API、执行代码，都是一个动作 (Action)；
• 每一次环境反馈（检索结果、计算结果、用户回应）都是一个新状态 (State)；
• 模型的目标是最大化长期累计奖励 (Return)，不仅仅是“最终结果正确”，还包括“过程是否高效、合理、符合逻辑”。

四、马尔可夫决策过程

强化微调可以被认为是一个马尔可夫决策过程，一共包含了七个过程元素$<S,O,A,P,R,T,\gamma>$：

RLHF是单次决策的结果，不依赖过程的决策，通过起始状态S={prompt}，执行一次动作为模型的输出，不需要有过程的输出以及奖励，因此在PBRFT中T = 1, y无效，并且下一个状态是确定的。就像在InstructGPT中一样，我们首先会构建偏好数据集训练一个奖励函数，其中prompt就是起始状态，而最后模型也只会根据输出进行奖励，训练目标是最大化似然估计输出。因此我们可以把 RLHF 看作是一种 偏好驱动的强化式微调（PBRFT / RFT），对应于一个简化的 MDP：

$T=1, S={prompt}, A={generate_y}, R=RM(y), P(S′∣S,A)=1$

Agentic RL被当作连续决策的智能体，每次动作的执行都可以观察到部分信息：包括外部环境、工具/代码运行的中间结果、数据库/网页内容、会话历史、代理的内存等。状态是不断变化的.有多步交互（T>1）、中间会拿到/影响后续信息与奖励，这时才需要$\gamma$来权衡短期和长期，训练会用终点奖励（目标是否完成）+ 过程奖励（步骤是否正确），属于POMDP、多步决策。

五、奖励设计：从静态偏好到动态任务反馈

在 Agentic RL 中，奖励不再只是“人类喜欢哪种回答”，而是更复杂的组合：

一种典型的实现方式是使用 PRM（Process Reward Model）：

• PRM 不是只给最终答案打分，而是给整个 reasoning chain（例如一步步推理的过程）进行局部奖励；
• 这让 LLM 可以学会 “每一步都做得对”，而不是“结果对了就行”。

六、总结

我们在这一篇中，从最直觉的问题——“为什么 LLM 需要行动能力？”——出发，逐步理解了 Agentic RL（智能体强化学习） 的核心思想：

1. 从语言到行动： 传统的 LLM 只会被动回答，而 Agentic RL 让它学会“感知—思考—行动—反思”，成为真正的智能体（Agent）。
2. 两条发展主线：
   • 一条是构建具备工具使用、记忆、推理能力的 LLM Agents；
   • 另一条是用强化学习优化 LLM 的策略，即 RL for LLMs（例如 RLHF、DPO、RLAIF）。 它们正在融合，目标是让模型能在交互中不断提升自己。
3. 静态对齐 vs. 动态决策： RLHF 属于“单步决策”，仅优化最终回答； Agentic RL 则是“多步决策”，模型需要在复杂环境中持续决策与调整。
4. 统一视角：马尔可夫决策过程（MDP）： 无论是 RLHF 还是 Agentic RL，本质上都是在学习“在某个状态下，执行哪个动作能获得更高的长期奖励”。
5. 奖励函数的演化： 从“人类喜欢什么样的回答”扩展到“模型在执行过程中是否做得对”， 这让 LLM 真正具备了推理与改进的能力。

从“输出答案”到“行动决策”，Agentic RL 是让语言模型从“被动大脑”走向“主动智能”的关键一步。

🧠 下一步：走向策略优化（PPO）

理解了“为什么要强化学习”和“Agentic RL 的概念”，接下来我们就要进入最核心的算法——

👉 Proximal Policy Optimization（PPO）。

它是目前最主流、最稳定的强化学习方法，也是 RLHF 与 Agentic RL 的基石。

下一篇我们将详细拆解 PPO 的原理、推导与代码实现，从直觉到数学，一步步理解它如何让语言模型变得“又稳又聪明”。