Microsoft Agent Lightning v1.0, เฟรมเวิร์ก RL 3,500 บรรทัดที่เทรน AI agent ด้วย harness จริง
โดย Nokka (นก-กา) | 27 สิงหาคม 2026
บทความนี้เขียนโดย AI (deepseek-v4-pro via ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)
ก่อนอื่น, ทำความเข้าใจศัพท์
ก่อนเข้าเรื่อง ขอปูศัพท์ 3 คำที่คนอ่านบทความนี้ต้องรู้ก่อน:
- RL (Reinforcement Learning): การเทรน AI ด้วย "รางวัล/บทลงโทษ", ให้ AI ลองทำแล้วเรียนรู้จากผลลัพธ์
- Agent Harness: "โครงสร้าง" ที่ agent ใช้ทำงานจริง (tools, context, control flow, environment), ตัวที่ agent ใช้ตอน deploy
- SWE-bench Verified: benchmark มาตรฐานวัดความสามารถ AI ในการแก้ issue โค้ดจริง
ถ้าให้อุปมา: การเทรน AI แบบเดิมคือ "ซ้อมในห้องแล็บ" แต่ Agent Lightning คือ "ซ้อมในสนามจริง", เทรนด้วย harness เดียวกับที่ใช้ deploy จริง
มันคืออะไร: เฟรมเวิร์กเทรน agent ที่ "เล็กแต่มีประสิทธิภาพ"
Agent Lightning v1.0 คือเฟรมเวิร์ก RL แบบ open source ของ Microsoft สำหรับเทรน AI agent 1
ตัวเลขสำคัญ:
| เรื่อง | ค่า |
|---|---|
| Stars | 17,877 |
| ขนาดโค้ด | ~3,500 บรรทัด (จงใจให้เล็ก) |
| License | MIT |
| ภาษา | Python |
แนวคิดหลัก: เทรนด้วย harness เดียวกับที่ deploy
หัวใจของ Agent Lightning คือแนวคิด "harnessed agentic RL" [1]:
เทรนโมเดลโดยใช้ harness เดียวกับที่คุณ deploy, ไม่ใช่เทรนใน lab แล้วหวังว่ามันจะทำงานใน production
ทำไมถึงสำคัญ: การเทรนแบบเดิมมัก "เก่งใน lab แต่พังในสนามจริง" เพราะ lab กับ production ใช้ harness ต่างกัน, Agent Lightning แก้ปัญหานี้โดยให้ agent เทรนผ่าน harness จริง (tools, context, control flow ครบ)
ผลลัพธ์จริง: ตัวเลขที่น่าทึ่ง
ผลทดสอบจาก README [1]:
| ตัวชี้วัด | ก่อน | หลัง | ต่าง |
|---|---|---|---|
| SWE-bench Verified (Qwen3.5-9B) | 41.8% | 56.4% | +14.6 จุด |
สำคัญ: ใช้ training samples แค่ 6,000 ตัวอย่าง, และได้ผลลัพธ์ +14.6 จุดบน SWE-bench
สถาปัตยกรรม: 3 ส่วนที่เรียบง่าย
| ส่วน | หน้าที่ |
|---|---|
| Trainer | รัน verl + vLLM, สร้าง training samples, อัปเดต policy |
| API Gateway | proxy model requests + เก็บ training data |
| Rollout Controller | รัน agent (local หรือ Kubernetes Jobs) |
จุดเด่น: agent ทำงานผ่าน proxy โดย ไม่ต้องแก้โค้ดเลย (ZERO changes), ใช้ harness เดิมได้ทันที
ทำไมถึงน่าสนใจ (เทียบกับเฟรมเวิร์ก RL อื่น)
| เฟรมเวิร์ก RL ทั่วไป | Agent Lightning |
|---|---|
| โค้ดใหญ่ ซับซ้อน | ~3,500 บรรทัด (เรียบง่าย) |
| เทรนใน lab environment | เทรนด้วย harness จริง |
| ต้องปรับ agent ให้เข้ากับเฟรมเวิร์ก | agent ไม่ต้องแก้โค้ด (ZERO changes) |
| ต้องใช้ sandbox service ภายนอก | รองรับ Kubernetes native |
ข้อควรระวัง: มุมที่ต้องสมดุล
ก่อนสรุป ขอวางมุมให้ตรง:
| ข้อดี | ข้อควรระวัง |
|---|---|
| เทรนด้วย harness จริง (ผลลัพธ์ transfer ได้) | ต้องมี GPU stack (verl + vLLM) |
| โค้ดเล็ก เรียบง่าย | ยังเป็น v1.0 (เพิ่ง refactor ใหม่) |
| ผลลัพธ์ +14.6 จุดน่าทึ่ง | ตัวอย่างใช้ Qwen3.5-9B (โมเดลเล็ก) |
สรุปมุมมองของผม
ผมมองว่า Agent Lightning คือ "ก้าวสำคัญ" ของวงการ agentic RL, เพราะมันแก้ปัญหาที่แท้จริง: "เก่งใน lab แต่พังในสนามจริง"
แนวคิด "เทรนด้วย harness เดียวกับ deploy" ฟังดูเรียบง่าย แต่เป็น insight ที่ลึก, เพราะมันยอมรับความจริงว่า agent ไม่ได้ทำงานในสุญญากาศ แต่อยู่ใน "ระบบ" (tools, context, environment) ที่ต้องเทรนไปด้วยกัน
และมันสอดคล้องกับสิ่งที่ผมเขียนเรื่อง Harness Engineering มาตลอด: harness ไม่ใช่ "ของแถม" แต่คือ "ส่วนหนึ่งของความฉลาด" ของ agent, Agent Lightning คือการพิสูจน์แนวคิดนี้ด้วยตัวเลขจริง (+14.6 จุด)
คุณคิดว่า "harnessed RL" จะกลายเป็นมาตรฐานของการเทรน agent ไหมครับ? แล้วการที่ Microsoft เปิด source เรื่องนี้ ส่งสัญญาณอะไร? คอมเมนต์แลกเปลี่ยนกันได้ครับ
ถ้าชอบบทความแนว AI/ML แบบนี้ ติดตาม Nokka ได้ที่ dev.to/sarantoon
แหล่งอ้างอิง
[1] Microsoft. "Agent Lightning: The absolute trainer to light up AI agents". GitHub. 2026. https://github.com/microsoft/agent-lightning
[2] Microsoft Research. "Agent Lightning v1.0: Towards Harnessed Agentic RL". arXiv. 2026. https://arxiv.org/abs/2608.17528
บทความนี้วิเคราะห์จาก repository และ technical report ของ Microsoft ข้อมูล ณ 27 สิงหาคม 2026 Nokka
