【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout
·
【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 — (6)— Rollout
文章目录
0x00 概要
本系列的目的是：借着对 OpenClaw-RL 源码的学习，来梳理强化学习的一些相关概念和思想。所以，会有一些基础知识、扩展和发散，OpenClaw-RL 只是一个切入点。而且，因为整篇系列是一个整体，所以有些概念的解读/学习会在不同的文章中出现，还请大家谅解。
OpenClaw-RL 是一个用于在线强化学习(Online RL)的框架，专门针对智能体工具使用场景。它通过从环境反馈中提取过程奖励信号来训练语言模型，支持三种主要模式：
- openclaw-rl：基于二元奖励的强化学习(Binary RL / GRPO)
- openclaw-opd：基于后见之明提示的在线策略蒸馏(On-Policy Distillation, OPD)
- openclaw-combine：联合方法，在同一 PPO 更新中同时利用 RL reward 和 OPD teacher signal
可以把 RL 训练管道划分为如下5 个阶段(会有重叠，依据不同系统而不同)，本篇介绍Rollout。
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
───────── ───────── ───────── ───────── ─────────
Prompt Rollout Reward Advantage Gradient
Selection Generation Scoring Computation Update
"问什么" "怎么答" "打几分" "好了多少" "往哪走"
0x01 Rollout基础
Rollout = 用策略在环境中执行并产生轨迹 τ = (s₀, a₀, r₀, …, sₜ, aₜ, rₜ)。
1.1 概念
在 RL 框架中，“rollout” 这个词同时指代:
- 含义 1: 过程 (动词)：“doing a rollout” = 用策略在环境中生成一条轨迹的过程
- 含义 2: 结果 (名词)：“the rollout” = 生成出来的那条轨迹数据，包含: tokens, log_probs, reward, loss_mask 等。
在Slime代码中，generate_rollout_openclaw()函数名用的是含义 1(执行rollout过程)，返回的 RolloutFnTrainOutput(samples=…)是含义2(rollout的结果数据)。
1.1.1 标准 RL
Rollout = 在环境中执行策略，产生一条完整的交互轨迹(trajectory)。
形式化：
给定策略 π 和环境 E
一次 rollout 产生一条轨迹 τ: τ = (s₀, a₀, r₀, s₁, a₁, r₁, ..., sₜ, aₜ, rₜ)
其中：
s₀ ~ ρ₀ (初始状态，从 prompt 分布采样)
aₜ ~ π(・|sₜ) (策略生成 action)
sₜ₊₁ ~ P (・|sₜ,aₜ) (环境转移)
rₜ = R (sₜ, aₜ) (环境给出奖励)
1.1.2 LLM RL
在 LLM RL 中，Rollout = 给定一个 prompt, 模型生成一个完整 response + 记录 log-probs + 打分。当然，也有人这么归纳：一次 rollout = 给定一个 prompt, 模型生成一个完整 response
s₀ = prompt (初始状态)
a₀, a₁, ..., aₜ = response 的每个 token (一系列 action)
r = 对整个 response 的打分 (terminal reward)
轨迹 τ = (prompt, token₁, token₂, ..., tokenₜ, reward)
注意: LLM 的 rollout 通常是 single-step episode (一轮就结束), 不像游戏有多步交互。
1.1.3 GPRO
一个 GRPO rollout batch:
- 采样 B 个 prompt
- 每个 prompt 生成 N 个 response
- 总共 B × N 条轨迹
每条轨迹包含:
- prompt (input)
- response tokens (actions)
- log π_old (a_t | s_t) (旧策略的 log-probs, 用于后续 PPO ratio 计算)
- reward (打分)
1.1.4 OpenClaw-RL
OpenClaw 的 "rollout"的特点：
- 不主动生成
- 等用户对话 → 从 queue 收集
- 凑够 rollout_batch_size 个样本 = 一次 “rollout”
每条轨迹包括：
- prompt = 用户消息 (s₀)
- response = 模型回复 (a₀…aₜ)
- rollout_log_probs = SGLang 生成时记录的 log π_old (用于 PPO ratio)
- reward = PRM 评分 {-1, 0, +1}
- (OPD) teacher_log_probs = teacher 的 log-probs
主动和被动的对比如下。
标准 RL Rollout:
────────────────────────────────────────────────
dataset = load ("math_data.jsonl")
for prompt in dataset.sample (batch_size): ← 主动选题
responses = model.generate (prompt, n=4) ← 主动生成 N 个
for resp in responses:
score = reward_model (resp)
submit (prompt, resp, score)
OpenClaw Rollout:
────────────────────────────────────────────────
@openclaw_rollout.py
def generate_rollout_openclaw (...):
worker.resume_submission () ← 打开阀门
while len (data) < rollout_batch_size:
data += queue.get() ← 等！等用户发消息
await asyncio.sleep(0.05) ← 继续等...
worker.pause_submission () ← 关阀门
return data
# 数据从哪来？从 API Server 的请求处理流程来
# rollout 函数本身不生成任何数据！
具体可以参见下表
| 标准 | OpenClaw | |
|---|---|---|
| 谁控制prompt? | 训练系统 | 用户 |
| 谁控制N? | 训练系统（n=4~16） | 用户（永远n=1） |
| 数据到达时间 | 确定的（GPU生成速度） | 不确定的（等用户） |
| –disable-rollout-global-dataset | 不需要 | 必须（没有dataset） |
1.2 RL2 对比
我们用 RL2 这个框架来做对比，看看它是怎么做rollout的。
RL2 的本质架构为：在同一组 GPU 上交替做推理和训练。或者说，RL2 = 一个on-policy RL循环，把LLM当policy network，把推理服务器当采样器。
┌─────────────────────────────────────────────────────────────────────┐
│ PPO 一个 Step │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────────────────┐ │
│ │ Rollout │─────►│ Compute │─────►│ Update │ │
│ │ (推理) │ │ (前向) │ │ (反向+优化) │ │
│ └──────────┘ └──────────┘ └──────────────────────┘ │
│ │ │ │
│ └──────────────◄────────────────────────┘ │
│ 权重同步 │
└─────────────────────────────────────────────────────────────────────┘
展开核心数据流如下：
Prompt ──→ SGLang 生成 ──→ Environment 打分 ──→ Advantage ──────→ 梯度更新
│ │ │ │
tokens+logs reward baseline 新权重
│ │ │ │
└── tensor_dict ───┘ │ │
(states, actions, │ │
action_mask, llm_logs, │ │
rewards) │ │
│ │ │
└──────── advantage ────────┘ │
│
SGLang Server ◄──── 权重同步 ───────┘
三个核心子系统及其职责：
- Rollout = SGLang推理 + 环境交互 → 产出(token序列，reward)
- Actor/Critic = FSDP分布式模型 → 计算logps/values → 反向传播
- Environment = env_step(action)→ reward(规则/外部API/LLM judge)
注意：
- Reward 不是独立模块—它集成在 env_step 内，实现方式完全灵活(规则/外部服务/LLM judge)
- PRM 可通过多轮环境实现—每个 step 返回中间 reward，累加到轨迹中
- 整个 Rollout 是异步的—SampleGroup 并发、env_step 可调外部网络、SGLang 请求并发
- 所有组件共享同一组 GPU—通过 offload + memory occupation 管理实现时分复用
0x02 OpenClaw-RL Rollout基础
在 OpenClaw-RL 中，Rollout 是Policy Serving + Environment 的交叉。
Rollout = 在环境中执行策略，生成完整轨迹的过程 = Policy的推理输出 × Environment的状态转移
Rollout的完整循环如下：
Environment 提供 State(t)(用户消息)
↓
Policy Serving 执行推理 → Action(t)(模型回复)
↓
Environment 接收 Action(t) → Environment 提供 State(t+1)(用户下一条消息)
↓
重复，直到 session 结束
2.1 硬件架构
在 OpenClaw-RL 的硬件架构中，GPU 4-5 的名称是 “SGLang Rollout Engine”。但它实际负责的是 rollout 的 Policy Serving 侧：
- → 接收 HTTP 请求(用户消息)
- → 运行 LLM 推理，生成 token
- → 返回模型回复
rollout 的 Environment 侧(用户行为)在 GPU 之外：
- → 用户什么时候发消息？ → 外部世界决定
- → 用户发什么内容？ → 外部世界决定
- → 用户是否继续对话？ → 外部世界决定
┌──────────────────────────────────────────────────────────────┐
│ Rollout(概念上) │
│ │
│ ┌─────────────────┐ ┌───────────────────────┐ │
│ │ Policy Serving │ │ Environment │ │
│ │ GPU 4-5 │ + │ 真实用户(外部) │ │
│ │ LLM 推理生成回复 │ │ 提供 state、接收 action │ │
│ └─────────────────┘ └───────────────────────┘ │
│ │
└──────────────────────────────────────────────────────────────┘
2.2 总体模块交互架构图
OpenClaw-RL 总体模块交互架构图 (Combine 方法) 如下，可以从中找到Rollout相关内容。
2.3 Slime 的 RolloutFunction 封装
在代码层面，Slime用一个函数封装了rollout的全部逻辑：
# openclaw-rl/openclaw_rollout.py
def generate_rollout_openclaw(args, rollout_id, data_buffer, evaluation=False):
"""
Slime 的 rollout function:
标准rollout(主动生成)：
rollout_engine.generate(prompts) → 直接调LLM生成轨迹
= Policy Serving(GPU4-5)自己完成整个rollout
Environment是静态的(题目数据集)
OpenClaw的被动rollout：
等待_sample_queue.get()→ 从真实用户对话中取已完成的轨迹
= PolicyServing已经完成了(对话已结束)
= Environment已经交互过了(用户消息已收到)
这里只是“收集“已经发生的rollout
"""
while len(samples) < batch_size:
sample=_sample_queue.get(block=True)#被动等待
return samples
-disable-rollout-global-dataset的含义就是：
- 告诉Slime：“不需要你主动用LLM生成rollout"
- "我的rollout由真实用户+Policy Serving联合产生，你只管拿已完成的样本“
具体如下图。
Slime 训练框架调用: generate_rollout_openclaw(args, rollout_id, data_buffer)
|
| passive rollout:
| 不主动生成, 等待真实对话产生数据
▼
+---------------------------------------+
| worker.resume_submission() | <- 开启 submission_enabled Event
| _drain_output_queue() | <- 等待 rollout_batch_size=16 组
+---------------------------------------+
|
|
▼
(数据由异步 FastAPI handler 填入)
2.4 被动Rollout
OpenClaw-RL的rollout是被动rollout。generate_rollout_openclaw()等待真实用户发消息，而非主动从prompt池中选择问题生成回答。这意味着系统对rollout allocation(选什么问题训练)几乎没有控制权，由用户决定。
优势：
- 训练数据 = 真实用户对话，天然分布对齐，无train-deploy distribution gap
- 用户多样性天然提供entropy保障和batch内reward方差
- 无需维护prompt数据集
劣势：
- 无法做curriculum learning(由简到难)
- 无法增大group size G(每turn只有一条用户消息)
- 无法做dynamic sampling(不能要求用户“换个问题再问")
- Rollout allocation 几乎完全失控
2.5 小结
- 概念上：Rollout = PolicyServing + Environment 两者的交互过程，不专属任何一方
- 架构上：GPU 4-5标记为“Rollout Engine"，但只承担了Policy Serving(推理)侧的工作
- 代码上：generate_rollout_openclaw是被动收集器，真正的rollout在FastAPI服务器处理用户请求时已经完成
0x03 OpenClaw-RL Rollout 实现
3.1 Rollout 完整流程
外部用户(Environment)
| HTTP POST /v1/chat/completions
↓
┌────────────────────────────────────────────────────────┐
│ Policy Serving 层(GPU 4-5 SGLang Rollout Engine) │
│ │
│ OpenClawAPIServer.chat_completions() ← FastAPI 入口 │
│ └─ _handle_request() ← 核心调度逻辑 │
│ └─ httpx.post(sglang_chat_url) ← 转发给 SGLang │
│ → SGLang LLM 推理(GPU 4-5) ← Policy 推理 │
│ └─ 返回 response + logprobs │
└────────────────────────────────────────────────────────┘
↓
↓ response 返回给用户
↓
用户看到回复 → 决定下一步
↓
用户发下一条消息
↓
↓(下一次 HTTP 请求触发)
┌─────────────────────────────────────────────────────────────┐
│ Reward Judging 层(GPU 6-7 SGLang PRM/Judge) │
│ │
│ _handle_request() 检测到有新请求 → 之前 turn 的 next_state 来了 │
│ └─ _flush_pending_record(session_id, messages[-1]) │
│ └─ _fire_prm_scoring(session_id, turn_num, ...) │
│ └─ asyncio.create_task(_prm_evaluate(...)) ← 异步│
│ └─ asyncio.gather(*[ │
│ _query_prm_once(prompt, i) │
│ for i in range(m=3) │
│ ]) │
│ ← m=3 并行调用 GPU 6-7 Judge LLM │
│ └─ _majority_vote(scores) ← 多数投票 │
│ └─ 返回 {"score": +1/0/-1, "votes": [...]} │
└─────────────────────────────────────────────────────────────┘
↓
PRM 评分完成(异步回调)
↓
┌─────────────────────────────────────────────────────────────┐
│ 训练样本构造层(Reward Judging → Policy Training 的桥接) │
│ │
│ _maybe_submit_ready_samples(session_id) │
│ └─ _submit_turn_sample(turn_data, session_id, prm_result) │
│ ├─ 计算 exclude = (not has_next_state or score == 0.0) │
│ ├─ at-least-one guarantee 检查 │
│ ├─ 构造 Sample 对象： │
│ │ sample.loss_mask = [0]*n 或 [1]*n │
│ │ sample.reward = {"score": ±1 或 0} │
│ │ sample.rollout_log_probs = [...] │
│ └─ output_queue.put((group_index, [sample])) ← 入队 │
└─────────────────────────────────────────────────────────────┘
↓
==================== Rollout结束了 ==============================
↓
Sample 进入队列
↓
┌───────────────────────────────────────────────────────────┐
│ Policy Training 层(GPU 0-3 Megatron Actor) │
│ │
│ generate_rollout_openclaw() ← Slime 的 rollout 入口函数 │
│ └─ _drain_output_queue() ← 阻塞等待 N 个样本积累 │
│ └─ worker.pause_submission() ← 触发 503，暂停 API 接收 │
│ → 返回 RolloutFnTrainOutput(samples=...) 给 Slime │
│ Slime 计算 GRPO advantages (get_grpo_returns) │
│ Slime 运行 PPO 梯度更新(GPU 0-3) │
│ Megatron → SGLang 权重同步 │
│ └─ worker.resume_submission() ← 503 解除，API 恢复 │
└───────────────────────────────────────────────────────────┘
关键设计要点
| 机制 | 实现方式 |
|---|---|
| next_state 滞后 | turn N 的 next_state = turn N+1 请求里 messages 的最后一条 |
| PRM 异步 | asyncio.create_task + done_callback 触发提交 |
| at-least-one | session 全为 score=0 时，首个 turn 强制 loss_mask=1 |
| 权重同步暂停 | submission_enabled Event 控制，同步中返回 503 |
3.2 Session 生命周期
假设我们session含有三轮。
turn 1 → [buffered, waiting next_state]
turn 2 → flush turn1(next_state=turn2.messages[-1]) → PRM(turn1) fire
turn 3 → flush turn2(next_state=turn3.messages[-1]) → PRM(turn2) fire
session_done=True → flush last_turn(next_state=None) → force_no_prm
3.2.1 示例
下图展示了 rollout 的 3-turn 示例。
【完整时序 - 以 3-turn 对话为例】
时间轴 ───────────────────────────────────────────────────────────────►
时间轴 ──────────────────────────────────────────────────────────────────────►
用户: "写排序" ────────────────────────────────────────────────────────────────
│
▼ turn1请求 (X-Turn-Type: main, X-Session-Id: abc)
Proxy: [1] 转发 → SGLang → 响应
[2] 截取 turn1_data {prompt_ids, response_ids, rollout_logprobs}
[3] pending_turn_data["abc"][1] = turn1_data
[4] 返回响应给用户
用户: "能用快排吗" ────────────────────────────────────────────────────────────
│
▼ turn2请求 (messages[-1] == "能用快排吗" == turn1的next_state)
Proxy: [1] flush turn1: next_state = {"role":"user","content":"能用快排吗"}
[2] 触发 PRM 异步评分 turn1 (并发 m=3)
[3] 转发 turn2 → SGLang
[4] 截取 turn2_data
[5] 返回响应
(异步) PRM评分完成 turn1: score=+1.0
→ _submit_turn_sample(turn1, score=+1.0)
→ output_queue.put(sample_1)
用户: "再加个测试" (X-Session-Done: true) ─────────────────────────────────────
│
▼ turn3请求 (session_done=True)
Proxy: [1] flush turn2: next_state = "再加个测试"
[2] 触发 PRM 异步评分 turn2
[3] 转发 turn3 → SGLang → 返回响应
[4] session_done → force_no_prm 提交 turn3 (score=0, 无next_state)
[5] 清理 session state
(异步) PRM评分完成 turn2: score=+1.0 → output_queue.put(sample_2)
turn3: no next_state → score=0.0
at-least-one? → session_effective>0 → exclude=True
→ loss_mask=[0,...,0] (不贡献梯度)
3.2.2 单个 Turn 的完整处理流程
OpenClaw App
|
|
| POST /v1/chat/completions
| Headers: X-Session-Id, X-Turn-Type (main/side), X-Session-Done
|
▼
+-----------------------------------------------------------------------------+
| FastAPI Proxy (openclaw_api_server.py) |
| |
| ① 权限检查 (Bearer Token) |
| ② submission_enabled? 否 → HTTP 503 |
| ③ 解析 session_id / turn_type / session_done |
+-----------------------------------------------------------------------------+
|
|转发 (logprobs=True, top_logprobs=1)
▼
+-----------------------------------------------------------------------------+
| SGLang Engine (port 30000) - 当前 policy 权重 |
| 返回: content + reasoning_content + tool_calls + logprobs |
+-----------------------------------------------------------------------------+
|
▼ response
+-----------------------------------------------------------------------------+
| |
| turn_type == "main" (训练路径) |
| |
| A. 处理上一 turn 的 next_state |
| messages[-1] == 本次请求的最后一条消息 (用户/tool return) |
| → _flush_pending_record(session_id, next_state) |
| → 触发上一 turn 的 PRM 评分 |
| |
| B. Tokenize 当前 turn |
| apply_chat_template(messages) → prompt_ids |
| apply_chat_template(msgs+resp) → prompt_ids + response_ids |
| extract logprobs from choice → response_logprobs (old policy) |
| |
| C. 记录 turn_data 到 _pending_turn_data[session_id][turn_num] |
| { prompt_ids,response_ids,response_logprobs,prompt_text,response_text } |
| |
| D. _maybe_submit_ready_samples() |
| <- 提交 PRM 已完成的 turns |
+-----------------------------------------------------------------------------+
| |
| |
| next_state 到来时 |turn_type=="side" → 跳过
▼ ▼
┌────────────────────────────────────────────────────────────────────┐
│ PRM 评分 (异步, _fire_prm_scoring) │
│ │
│ 输入: response_text + next_state (role: user | tool) │
│ Judge Prompt: System(评分规则) + User(assistant_output + next_state)│
│ │
│ 并发 m=3 次独立请求 → PRM Engine (GPU 6-7, port 30001) │
│ 每次返回: \boxed{1} / \boxed{0} / \boxed{-1} │
│ │
│ majority_vote([v0, v1, v2]): │
│ 有明确多数 → 取胜者; 平票 → 0.0 │
│ │
│ final_score = {+1.0, 0.0, -1.0} │
└────────────────────────────────────────────────────────────────────┘
|
| PRM task.done() 回调
▼
┌─────────────────────────────────────────────────────────────────────────┐
│ _submit_turn_sample() - 构建 Sample 对象 │
│ │
│ exclude 逻辑： │
│ score == 0.0 OR 无 next_state → exclude=True → loss_mask=[0,...,0] │
│ at-least-one guarantee: │
│ 若 session 迄今 effective_samples==0 且 has_next_state │
│ → 强制 exclude=False (首个 score=0 样本升为 loss_mask=[1]) │
│ │
│ Sample 字段： │
│ .tokens = prompt_ids + response_ids │
│ .response_length = len(response_ids) │
│ .loss_mask = [1]*L (有效) 或 [0]*L (排除) │
│ .rollout_log_probs = response_logprobs (old policy π_old) │
│ .reward = {"score": score} │
│ .index / .group_index (全局计数) │
│ │
│ → output_queue.put((group_index, [sample])) │
└─────────────────────────────────────────────────────────────────────────┘
│
│ (累积到 rollout_batch_size=16)
▼
┌─────────────────────────────────────────┐
│ worker.pause_submission() │
│ 返回 RolloutFnTrainOutput │
│ samples → Megatron 训练 │
│ │
│ ← 关闭 Event (权重同步中) │
└─────────────────────────────────────────┘
3.2.3 多个 Turn 的机制
关键时序：next_state的"延迟到达“机制
Turn 1发生时：
- 用户发消息M1→SGLang生成R1→返回给用户
- 此时：R1的next_state还没有(用户还没回复)
- →_pending_records[session_id] ={response_text: R1} ，等待Turn 2
Turn 2发生时(用户发M2=Turn1的next_state)：
- 用户发消息M2 → _handle_request()被调用
- → messages[-1]=M2=Turn 1的 next_state ← 此刻才可用！
- → _flush_pending_record(session_id，M2)被调用
- → _fire_prm_scoring(R1，next_state=M2)被触发(异步)
- → 同时SGLang生成R2→返回给用户
- → _pending_records[session_id]={response_text:R2}，等待 Turn 3
PRM评估R1的结果异步返回：
- → _submit_turn_sample(turn_data_1,prm_result_1)
- → output_queue.put(Sample(loss_mask=…, reward=score_1))
这个设计导致：每个 turn的 reward来自下一个HTTP请求到达的时刻，而非当前请求结束的时刻。这是OpenClaw Rollout 中最独特的工程设计。
3.3 At-Least-One Guarantee
At-Least-One Guarantee 的作用是：防止整个session贡献零梯度，确保即使最"平庸"的session也有一个turn进入训练，=Reinforce-Ada"强制至少一个梯度"的session级版本。
At-Least-One Guarantee 是最直接的零梯度修复。
具体如下：第一个被 PRM 评过(has_next_state=True)但 score=0 的 turn → 强制 loss_mask=[1]，参与训练 → 至少每个 session 贡献一个样本。
# _submit_turn_sample() 中的核心逻辑:
exclude = not has_next_state or score == 0.0
# 正常情况：score = 0 → exclude=True → loss_mask=[0,0,...,0]
# 但是！特殊保障：
if exclude and has_next_state and self._session_effective.get(session_id, 0) == 0:
exclude = False # ← 强制参与训练！
# "at-least-one guarantee"
# openclaw_api_server.py:615-622
# 使用 _session_effective 计数器追踪每个 session 的有效样本数
# 首个 has_next_state 但 score=0 的 turn → 强制 exclude=False
if exclude and has_next_state and self._session_effective.get(session_id, 0) == 0:
exclude = False # ← 强制参与训练！
# "at-least-one guarantee"
# 之后 self._session_effective[session_id] += 1
3.3.1 问题情景
情景：整个 session 的所有 turn 都 score=0
详述：用户发了 5 条消息，但每次都是中性反馈(score=0) → 所有 turn loss_mask=[0] → 这个 session 对训练没有任何贡献 → 分母增大但分子不变 → rollout_batch_size 难以填满 → 训练停滞
3.3.2 逻辑分析
-
问题逻辑：all loss_mask=[0] → 整个session 贡献零梯度
-
At-Least-One 触发：
records[0]["loss_mask"]=[1]强制打开第一个turn 的门- reward不变=0.0
-
此时的梯度情况：
loss_mask=[1](门打开了)- reward=0.0 → advantage由GRPO的批内归一化决定
- → 在训练 batch 中，与来自其他 session的+1/-1样本一起归一化
- → 这个0.0 reward的样本advantage ≈ 0(在均值附近)
- → 贡献的梯度接近但不等于零
-
at-least-one的真正价值：
- 确保Policy不会在这类对话上“完全不见光“
- 即使效果微弱，也让这种回复参与了分布的锚定
- → 防止Policy在这类对话上悄悄退化
3.3.3 直观类比
- loss_mask=考试是否交卷
- 0=这次不参加考试(完全不影响成绩)
- 1=参加考试(成绩会影响最终评价)
- advantage=这次考试得了几分(正分/负分)
- 正值=这次考得好，鼓励这种答题方式
- 负值=这次考得差，惩罚这种答题方式
- ~0=这次成绩平平，基本没有反馈
- at-least-one=“就算这次内容不好，也必须交卷"
- 强制loss_mask=1，哪怕advantage=0
- 至少这次答题留下了记录，不会被系统彻底忽视
3.3.4 设计要点
为什么score=0用loss_mask=0而不是advantage=0？
两种方式理论上都产生零梯度(在kl-coef=0时)
实践中loss_mask=0更优：
- 效率：直接跳过这些token的梯度计算(节省计算)
- 语义清晰：明确表达“这个turn没有学习价值，不参与训练“
- 与–kl-coef=0.0一致：如果有KL惩罚，advantage=0的token仍会通过KL term产生梯度，loss_mask=0彻底排除，避免这种副作用
为什么 Binary RL 需要 at-least-one
Binary RL的具体问题：训练饥饿(training starvation)
设想一个极端场景：
Session A: turn 1→ score=0,turn 2→ score=0,turn 3→ score=0
Session B: turn 1→ score=0,turn 2→ score=0
- → output_queue中全是loss_mask=[0]*T 的样本
- → Slime收到rollout_batch_size个样本
- → 前向传播正常，但 ∂L/∂θ ≈ 0(所有token都被mask掉)
- → 实际上没有任何参数更新
- → 占用了一次完整的 rollout+forward pass+backward pass，什么也没学
at-least-one 的修复：
# openclaw_api_server.py
if exclude and has_next_state and self._session_effective.get(session_id, 0) == 0:
exclude=False #强制 loss_mask=[1]
# 但reward保持0.0！
注意：被promote的样本reward仍是0.0，所以advantage ≈ 0，梯度实际上接近 0。它解决的不是“学到有用信号”，而是确保：
- output_queue 里每个 session 至少有一个非ABORTED 样本(Slime 的sample状态机要求)
- 防止Slime内部因为全 mask=0 的batch触发边界异常
为什么 OPD/Combine 不需要
根本原因：两种“零贡献“的本质不同。关键区别：Binary RL的零贡献样本会“占据“批次槽位但静默无效；OPD/Combine则完全不产生样本。
Binary RL的零贡献路径：
score=0 → exclude=True → loss_mask=[0]*T → 样本进入output_queue，但不产生梯度
↑
样本在批次中"占位"，Slime看得到，但无梯度流动
OPD/Combine的零贡献路径：
hint被拒绝 & eval=0 → 样本根本不进入output_queue(直接丢弃)
↑
样本对Slime来说不存在
OPD 的信号结构：
| 情形 | 是否进入队列 | advantage |
|---|---|---|
| hint 接受 | √ | teacher_lp - rollout_lp ≠ 0（几乎必然） |
| hint 拒绝 | ×（丢弃） | N/A |
OPD 样本要么有真实的 per-token 教师信号(即使 reward=0， advantage 也非零)，要么根本不进队列。没有“占位但无梯度"的中间状态。
Combine 的信号结构：
| 情形 | 进队列？ | OPD 项 | RL 项 |
|---|---|---|---|
| OPD+RL | √ | ≠ 0 | ≠ 0 |
| OPD-only | √ | ≠ 0 | = 0 |
| RL-only | √ | = 0（数值对消） | ≠ 0 |
| 丢弃 | × | N/A | N/A |
进入队列的样本，至少一个信号项非零(这是 dispatch 逻辑保证的)。
设计选择的对称性
- Binary RL的“批次污染"问题：存在 → at-least-one作为“最低保证“
- OPD/Combine的等价保证：dispatch逻辑本身就确保“进队列=有信号“ → 问题从根源上消除，无需at-least-one
Binary RL的 at-least-one是在loss_mask二元门控机制下的补丁，而OPD/Combine 绕开了这个机制(始终 loss_mask=[1]，通过 advantage 对消来“关掉“不需要的信号)，所以补丁也就不再需要。
0x04 AsyncRolloutWorker
AsyncRolloutWorker = 线程边界 + 开关 + 数据渡口
4.1 功能
AsyncRolloutWorker 是Slime(Policy Training)与 FastAPI Server(Policy Serving)之间的线程边界管理器，它不做推理、不做打分，但控制着Policy Serving的“营业时间"，控制着两侧的生命周期和数据流转，并通过output_queue把FastAPI 异步世界里生产的样本，安全地传递给Slime同步训练世界。
具体功能如下：
-
启动和管理
-
API服务器管理
- 启动控制：负责启动和管理 OpenClawAPIServer 实例
- 生命周期管理：控制 API服务器的运行状态和资源分配
- 配置传递：向API服务器传递必要的运行时参数
-
样本队列管理
-
输出队列创建：创建queue.Queue()作为样本传输通道
队列监控：监控队列大小和样本积压情况
超时检测：实现30秒无进展警告机制
-
-
训练批次收集/协调
-
批次收集：等待足够数量的样本后触发训练
提交控制：管理样本提交的暂停/恢复机制
进度跟踪：显示收集的样本数量和耗时统计
-
-
提交控制(暂停/恢复)
4.2 示例图
4.3 三个核心职责
4.3.1 线程隔离：让FastAPI跑在独立asyncio事件循环里
- Slime的主循环(训练)是同步代码
- FastAPI需要异步事件循环
- AsyncRolloutWorker 把FastAPI server 启动在独立线程中，两侧互不阻塞
#worker_thread_func跑在独立线程
def worker_thread_func(self):
asyncio.run(self.continuous_worker_loop())
# asyncio.run()创建独立事件循环
# FastAPI/httpx异步请求全在这个线程里
continuous_worker_loop()本身只是一个 sleep(1.0)的keepalive 循环—真正的数据生产在 FastAPI的 requesthandler 里，不是在这个loop里。
4.3.2 开关控制：submission_enabled事件同步
def pause_submission(self):
self._submission_enabled.clear()#关闸 →FastAPI 返回 503
self._server.purge_record_files() #清理临时记录
def resume_submission(self):
self._submission_enabled.set() #开闸→FastAPI正常接受请求
- threading.Event 是跨线程安全的信号量
- Slime 主线程通过这个事件控制FastAPI线程的“营业状态“
- weight sync 期间=paused=503；rollout 收集期间 =resumed=正常
4.3.3 数据渡口：output_queue跨线程传递样本
queue.Queue是Python标准库中线程安全的FIFO，是FastAPI线程和 Slime 主线程之间唯一的共享数据结构。
#FastAPI 线程写入(async)
await asyncio.to_thread(self.output_queue.put,(sample.group_index,[sample]))
#Slime主线程读取(同步)
def get_completed_groups(self)-> list[tuple]:
while True:
completed.append(self.output_queue.get_nowait())
4.4 与 OpenClawAPIServer 的协作机制
AsyncRolloutWorker 是OpenClaw-RL框架中的异步轨迹收集工作者，负责管理整个 rollout数据收集流程的生命
4.4.1 交互架构模式 – 生产者-消费者模式
- OpenClawAPIServer：作为生产者，生成训练样本并放入队列
- AsyncRolloutWorker：作为消费者管理者，提供队列并协调消费过程
- Slime训练器：作为最终消费者，从队列中获取样本进行训练
4.4.2 层次化控制结构
AsyncRolloutWorker (顶层控制)
↓ 创建并管理
OpenClawAPIServer(数据生产)
↓ 提交到
SampleQueue(数据传输)
↓ 消费于
SlimeTrainer(模型训练)
4.4.3 具体交互机制
队列传递机制
- 队列创建：AsyncRolloutWorker 在初始化时创建self.output_queue =queue.Queue()
- 队列共享：将output_queue作为参数传递给OpenClawAPIServer
- 样本提交：OpenClawAPIServer 调用 self.output_queue.put((group_index，[sample]))
- 队列消费：Slime训练器通过rollout_worker.get_output_queue()获取队列并消费
状态同步机制
- 提交开关：AsyncRolloutWorker 维护_submission_enabled 状态_
- 暂停信号：训练开始前调用pause_submission()禁用提交
- 恢复信号：权重更新后调用resume_submission()启用提交
- API服务器响应：OpenClawAPIServer在提交前检查提交状态
权重更新协调
- 记录清理：AsyncRolloutWorker 调用purge_record_files()清空记录文件
- 状态重置：确保新策略开始时的数据一致性
- API服务器配合：OpenClawAPIServer响应清理请求并重置内部状态
4.4.4 两者配合的工作流程
初始化阶段
AsyncRolloutWorker 初始化
- 创建输出队列：self.output_queue=queue.Queue()
- 设置提交状态：self.submit_enabled=True
- 初始化统计变量：样本计数、时间戳等
OpenClawAPIServer初始化
- 接收队列引l用：从AsyncRolloutWorker获取output_queue
- 初始化内部状态：_turn_counts，_pending_records 等字典
- 启动FaStAPI服务：准备接收用户请求
运行阶段
数据生产流程
- 用户请求到达：OpenClawAPIServer处理请求并生成样本
- 样本构建完成：调用_submit_turn_sample()创建Sample对象
- 队列提交：执行 self.output_queue.put((group_index，[sample]))
- 队列监控：AsyncRolloutWorker检测队列大小变化
批次收集流程
- 队列检查：AsyncRolloutWorker 定期检查output_queue.qsize()
- 批次判断：当队列大小达到值时准备训练批次
- 提交暂停：调用pause_submission()防止新样本干扰当前批次
- 批次提取：训练器从队列中提取完整批次
训练阶段
权重更新协调
- 训练开始：AsyncRolloutWorker暂停样本提交
- 记录清理：调用 OpenClawAPIServer 的 purge_record_files()
- 状态重置：清空所有待处理的回合记录和状态权重加载：新策略模型加载到 SGLang服务
恢复运行
- 提交恢复：AsyncRolloutWorker 调用resume_submission()
- 新会话开始：OpenClawAPIServer使用新策略处理后续请求
- 数据一致性：确保新旧策略数据不混合
实际应用场景示例
正常对话流程
用户请求 → OpenClawAPIServer(生产样本) → output_queue → AsyncRolloutWorker (监控队列) → SlimeTrainer (消费训练)
权重更新流程
训练批次完成 → AsyncRolloutWorker.pause_submission() → purge_record_files() → 权重更新 →
AsyncRolloutWorker.resume_submission() → 新策略生效
异常处理流程
队列积压警告 → AsyncRolloutWorker发出30秒超时警告 → 管理员介入或自动扩容 → 恢复正常处理
这种设计确保了OpenClaw-RL能够在保证用户体验的同时，高效地收集和处理强化学习训练数据，体现了解耦设计和异步处理的现代系统架构思想。
0xEE 个人信息
★★★★★★关于生活和技术的思考★★★★★★
微信公众账号：罗西的思考
0xFF 参考
小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用
更多推荐
7
0- 0
已为社区贡献5条内容
所有评论(0)