正文

请到「今天看啥」查看全文

模型形式 ：其他开源/闭源模型（如用 GPT-4o 做文档总结，输入 Prompt，输出 Response）

Agent 形式 ：程序和模型的集合（如文献综述 Agent，输入主题，输出综述结果）

端到端Agent模型有哪些不一样？

传统工作流依赖人工规则和分阶段处理，效率低下。RLFactory 支持端到端训练，模型可自主推理决策，决定何时、如何调用工具与终止任务，极大提升 LLM 应用的智能化和自动化水平。

• 输入 ：原始任务（如用户的自然语言指令、问题、对话等）
• 输出 ：最终的任务结果（如多轮工具调用后的答案、执行结果等）
• 无需人工为每一步单独设计规则

下图展示了端到端Agent模型的交互流程：

1. 输入原始 Prompt ，Agent模型推理输出 Response （自行决定使用工具或者输出结果）
2. 对模型输出做后处理，解析工具名称及参数（若未解析到工具，视为终止循环，输出模型响应）
3. 按解析到的工具名称及参数运行工具（可并行），并对工具结果做后处理
4. 将工具结果拼接回 Prompt ，再次调用模型，直至终止

---

RLFactory - 简单且高效的端到端RL后训练

RLFactory的目标是让用户专注于奖励逻辑和工具配置，以极少的代码实现快速的 Agentic Learning，而进阶开发者则可以专注于提升训练效率和模型性能。

RLFactory的核心优势：

• 奖励函数易设计 ：通过 规则 、 模型判分（LLM as Judge）

请到「今天看啥」查看全文