文章综述了大语言模型Agent强化学习的全景图，展示了通过多步骤行动学习的方法。相比传统LLM仅优化单轮响应，Agent强化学习使模型具备记忆、规划、工具使用等能力，在动态环境中持续学习。这种转变使LLM从文本生成器转变为完整Agent，在搜索、代码、数学等领域形成专业化分支，为构建更强大AI系统奠定基础。

论文(The Landscape of Agentic Reinforcement Learning for LLMs: A Survey)绘制了大语言模型agent强化学习的全景图，展示了模型如何通过跨时间步骤的行动来学习。该综述涵盖了500多项工作，将其组织成一个包含能力和应用两部分的完整地图。

问题背景：传统大语言模型训练存在根本缺陷：仅对单个回答进行一次奖励，然后停止学习。但现实任务需要：

•多步骤操作

•部分信息处理

•影响后续结果的关键决策

agent强化学习框架：论文将这种设定形式化为一个agent系统：观察环境→选择行动→获得反馈。

这一视角整合了以下关键组件：

•记忆系统：追踪上下文信息

•规划能力：选择行动序列

•工具使用：影响外部世界

•约束推理：处理复杂约束条件

•多模态感知：处理文本、图像、音频输入

•自我改进：不断优化策略

强化学习将所有这些能力连接起来，因为奖励在序列完成后才到达，使策略能够学习下一步应该尝试什么。

从传统到agent强化学习的转变

传统方法的局限：最初的语言模型只需要对提示给出一个好答案，通过监督微调或基于偏好的强化学习进行优化。这种设置只能优化单轮响应，使用静态数据集。

agent强化学习的突破：模型不再只是预测文本，而是在文本动作和外部动作之间做出选择，例如：

•调用搜索引擎

•使用浏览器

•运行代码

模型在动态演化的环境中学习，面对状态转换的不确定性和延迟奖励。

agent与环境的交互循环

agent核心能力

•推理：快速直觉和缓慢深思

•规划：选择步骤序列

•记忆：存储和检索过去的上下文

•感知：理解多模态输入

•工具使用：调用外部工具

•自我改进：反思和自我纠正

交互循环机制

1.行动执行：查询、导航、生成或搜索

2.环境响应：提供反馈和奖励信号

3.策略优化：利用奖励优化内部策略

应用环境

涵盖广泛的动态、不可预测的世界：网络、软件代码、图形用户界面、视觉任务、机器人、agent团队、数学问题、市场模拟、实验室环境、驾驶任务等。

强化学习驱动的六大能力提升

1. 推理能力强化

•训练模型快速和仔细思考

•在测试时扩展推理长度

•维持长时间深思熟虑的思考

2. 记忆管理革新

从简单的知识检索转向主动管理保留、更新或丢弃的内容。MemAgent等基于强化学习的系统学会更灵活地处理记忆。

3. 自我改进机制

•语言层面：口头批评和修正自己的答案

•训练层面：通过训练内化自我纠正

•自主学习：建立自训练循环，生成新问题并从中学习

4. 规划能力提升

•外部规划：指导树搜索等规划过程

•内部策略：直接塑造模型的内部规划策略

5. 工具使用优化

训练模型学会何时以及如何调用外部工具，如搜索引擎、代码解释器或浏览器，而非仅仅模仿固定示例。

6. 多模态感知扩展

装备模型推理图像、视频或音频的能力，将语言与更丰富的输入输出连接起来。

工具使用的进化阶段

第一阶段：ReAct式工具调用

•遵循固定模式

•在脚本化循环中混合思考和工具调用

•代表系统：ReAct、ToolFormer、Agent-FLAN

•局限性：主要模仿训练数据，缺乏自适应能力

第二阶段：工具集成强化学习

•工具使用不再只是复制，而是通过反馈优化

•学会何时以及如何调用各种工具

•能够从错误中恢复，组合多个工具

•代表系统：ToRL、ReTool、ARTIST、DeepEyes

•主流应用：OpenAI o3/o4、DeepResearch、Kimi K2、QwQ-32B、GLM Z1、美团LongCat

第三阶段：长程工具集成推理（TIR）

•专注于扩展的多步骤过程

•优化跨多个步骤的工具使用

•正确分配功劳给导致最终成功的工具使用

•早期代表：SpaRL、GiGPO

领域特化agent的分支进化

强化学习在不同任务领域形成了专门化的agent分支：

（1） 搜索与研究agent

专门化能力：查询搜索引擎、收集信息、执行复杂研究工作流

•代表系统：Search-R1、DeepResearch、WebThinker

（2） 代码agent

专门化能力：从单函数生成到调试和大规模软件工程

•代表系统：DeepCoder、StepCoder、SWE-RL、RLCoder

（3）数学agent

专门化能力：非正式和正式推理，从数学应用题到定理证明

•代表系统：ARTIST、ToRL、DeepSeek-Prover、Leanabell-Prover

（4）GUIagent

专门化能力：导航和交互用户界面，处理多步骤交互

•代表系统：WebAgent-R1、GUI-R1、MobileGUI-RL

（5）多agent系统

专门化能力：多个LLMagent协同工作，优化协调、辩论或团队合作

•代表框架：MALT、MAPoRL、ACC-Collab

核心转变：将大语言模型从静态文本生成器转变为具备记忆、工具使用和长期奖励优化能力的完整agent。这种转变使模型能够在动态、不可预测的环境中持续学习和改进，为实现更强大的人工智能系统奠定了基础。

未来方向：随着强化学习技术的不断发展，我们可以期待看到更加智能、自主和适应性强的语言模型agent，它们将在各个领域发挥越来越重要的作用。

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】