最新提交
历史
80 次提交80 次提交文件夹和文件
仓库文件导航
AEnvironment一切皆环境 —— 面向智能体强化学习与智能体的生产级环境平台
📰 新闻
- 部署技能 (2026 年 2 月)—— 🎉 全新 Claude Code Skill ,用于自动化部署!可直接从 Claude Code 部署实例和服务,支持三种工作流:本地构建、现有镜像和已注册环境。 快速开始
- v0.1.4 (2026 年 1 月)—— AEnv CLI 现已支持 实例 和 服务 管理!使用简单命令即可部署和管理你的智能体与应用。详见 CLI 指南 。
关于 AEnvironment
AEnvironment 是面向 智能体强化学习 时代的统一环境平台,其核心理念是 “一切皆环境”. 通过扩展标准化的 MCP 协议,AEnvironment 为环境提供方、算法开发者和智能体开发者提供开箱即用的基础设施,使他们能够专注于智能体能力,而非繁琐的环境搭建细节。
在蚂蚁集团内部,AEnvironment 作为关键的环境层技术,与 AReaL 强化学习框架深度集成,支持大规模智能体强化学习训练和智能体服务部署。
核心理念:一切皆环境
AEnvironment 将一切抽象为环境——从简单的工具函数到复杂的多智能体系统,均可通过统一的环境接口访问。这种统一抽象使各项能力能够像积木一样被注册、组合和替换,将基准测试集成、强化学习训练和智能体部署无缝汇聚于同一套基础设施之上。
核心特性
🔧 内置基准测试,零成本集成 - 开箱即用的基准测试环境,无需复杂配置。目前支持:TAU2-Bench、SWE-Bench 和 Terminal-Bench。
🚀 无缝集成智能体强化学习训练 - 原生支持 MCP 并兼容 OpenAI Agent SDK,你可以专注于智能体逻辑,并无缝融入强化学习训练工作流。
🤖 智能体即环境 - 将智能体视为环境,实现多智能体编排。兼容包括 OpenAI Agents SDK 在内的主流智能体框架。
⚡ 从快速开发到生产部署 - 数秒内即可定义工具、构建并部署。AEnvironment 提供统一、低门槛的环境 API 抽象,使环境不再是训练流水线中的瓶颈。
使用场景
小程序 IDE
构建 AI 驱动的小程序生成系统,其中智能体将 AEnvironment 作为标准环境基础设施。 小程序示例 展示了:
- AEnvironment 作为基础设施: 智能体将 AEnvironment 作为标准化环境基础设施,提供一致的工具和运行时能力
- AI 智能体集成: 由 OpenAI API 驱动的多轮对话
- MCP 工具: 文件操作、代码执行和验证工具
- 实时预览: 实时预览生成的应用
# The agent uses AEnvironment tools to create web applications
async with Environment("mini-program@1.0.0") as env:
# Agent can use tools like read_file, write_file, execute_python_code
result = await env.call_tool("write_file", {
"path": "index.html",
"content": "<html>...</html>"
})
Mini.Program.Demo.mp4
📖 详见 小程序示例 。
TAU2 强化学习训练
使用 AReaL 框架,基于 TAU2 任务训练强化学习智能体。 TAU2 强化学习示例 展示了:
- 强化学习集成: 与 AReaL 无缝集成,用于智能体强化学习训练
- 奖励函数: 环境暴露奖励函数以供强化学习训练使用
- 回合运行器: 逐轮执行智能体并自动调用工具
- 可扩展训练: 支持大规模分布式强化学习训练
# Entrypoint for AReaL training
from aenv.examples.tau2_rl.agent import run_agent_return_reward
# Run a single episode and return reward
reward = await run_agent_return_reward({
"domain": "telecom",
"task_id": "task_123"
})
📖 详见 TAU2 强化学习示例 。
智能体即环境
AEnvironment 独特地支持将智能体本身视为环境。这一特性使多智能体编排、分层智能体系统和智能体对抗测试成为可能。
借助“智能体即环境”,你可以:
- 组合智能体: 将智能体视为可像工具一样调用的可复用组件
- 多智能体编排: 构建智能体相互交互的复杂工作流
- 分层系统: 创建嵌套的智能体结构以解决复杂问题
# Agent A calls Agent B as an environment
async with Environment("agent-b@1.0.0") as agent_b:
# List available tools from Agent B
tools = await agent_b.list_tools()
# Call Agent B's chat tool
response = await agent_b.call_tool("chat", {"message": "Hello!"})
print(response.content)
这一设计使智能体能够像环境一样被组合和编排,支持复杂的多智能体场景,其中智能体可通过同一统一接口相互交互。
🎯 内置环境
AEnvironment 自带多个开箱即用的内置环境:
| 环境 | 描述 | 示例 |
|---|---|---|
| TAU2 | 该环境支持使用 TAU2 基准进行强化学习实验 | tau2 / tau2_rl |
| 迷你终端 | 支持执行 bash 命令的轻量级终端环境 | mini-terminal |
| TerminalBench | 支持运行 Terminal Bench 评估 | terminalbench |
📖 详见 内置环境 了解更多详情。
快速开始
📖 详细安装说明请参阅 快速开始指南.
部署 Skill
部署 AEnvironment 实例和服务最简单的方式是使用我们的 Claude Code Skill。该 Skill 提供自动化部署工作流,全面支持实例和服务管理。
安装部署 Skill
# Install from GitHub releases curl -L https://github.com/inclusionAI/AEnvironment/releases/latest/download/aenvironment-deploy.skill -o aenvironment-deploy.skill claude skill install aenvironment-deploy.skill
使用部署 Skill
安装完成后,你可以直接从 Claude Code 进行部署:
部署已有环境:
# Simply ask Claude Code: # "Deploy game-2048@1.0.6 as an instance with 1 hour TTL" # "Deploy myapp@2.0.0 as a service with storage enabled"
支持的工作流:
- 工作流 A: 在本地构建 Docker 镜像并部署
- 工作流 B: 注册已有 Docker 镜像并部署
- 工作流 C: 部署已注册的环境(最简单)
部署类型:
- 实例: 带 IP 访问的临时环境(用于智能体、测试)
- 服务: 带域名访问和可选存储的持久化服务(用于生产应用)
该 Skill 会自动处理:
- ✅ CLI 配置与校验
- ✅ 环境注册
- ✅ 实例/服务创建
- ✅ 环境变量注入
- ✅ 资源管理(列出、更新、删除)
- ✅ 错误处理与重试
📖 详见 部署 Skill 指南 了解详细文档。
安装 SDK 并初始化环境
# Install SDK pip install aenvironment # Initialize a new environment project aenv init my-env
定义工具、函数和奖励
from aenv import register_tool, register_function, register_reward
# Register a tool
@register_tool
def search_code(query: str, path: str = ".") -> dict:
"""Search for code patterns in files."""
# Implementation
return {"matches": [...]}
# Register a function (for internal use within environment)
@register_function
def calculate_sum(a: int, b: int) -> int:
"""Calculate the sum of two numbers."""
return a + b
# Register a reward function (for RL training)
@register_reward
def evaluate_task_completion(status: dict) -> float:
"""Evaluate task completion and return reward."""
if status.get("completed"):
return 1.0
return 0.0
测试环境
在本地运行环境以测试工具:
# Start the MCP server within your project dir aenv run
这将启动一个 MCP 服务器,暴露你的工具以供测试和开发。
构建并推送环境
# Build and push aenv build && aenv push
使用环境
import asyncio
from aenv import Environment
async def main():
async with Environment("swe-env") as env:
# List available tools
tools = await env.list_tools()
# Call a tool
result = await env.call_tool("search_code", {"query": "def main"})
print(result.content)
# Call a function (for internal use within environment)
func_result = await env.call_function("calculate_sum", {"a": 10, "b": 20})
print(f"Function result: {func_result}")
# Call a reward function (for RL training)
reward = await env.call_reward({"status": {"completed": True}})
print(f"Reward: {reward}")
asyncio.run(main())
性能
我们针对同一个简单演示,与其他主流沙箱引擎进行了性能对比:
1 Kubernetes 是 AEnvironment 当前支持的引擎。
2 ASandbox 是一款高性能引擎,计划在未来开源发布。
📖 资源
- 安装 - 安装与设置指南
- 快速开始 - 快速上手 AEnvironment
- SDK 指南 - Python SDK 用法与 API 参考
- CLI 指南 - 命令行界面文档
- 环境指南 - 环境配置与管理
- 架构 - 系统架构与设计
🤝 贡献
我们热烈欢迎社区贡献!无论你是修复缺陷、添加功能、改进文档,还是帮助他人,你的贡献都很有价值。
# Fork and clone the repository git clone https://github.com/YOUR-USERNAME/AEnvironment.git cd AEnvironment # Install in development mode cd aenv pip install -e ".[dev]" # Set up pre-commit hooks for automatic formatting pip install pre-commit pre-commit install # Make changes git checkout -b feat/your-feature git add . # `git commit` will automatically format your file git commit -m "Add your feature" git push
请查看我们的 贡献指南 了解详细信息。
💬 社区与支持
- GitHub Discussions - 提问、分享想法并与社区交流
- 微信群 - 加入我们的微信社区(微信群)
许可证
Apache License 2.0 - 详见 LICENSE 。
关于
面向 Agentic AI 开发的标准化环境基础设施。
inclusionai.github.io/AEnvironment/
AI 热点
