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
• (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。

展开核心数据流如下：

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：

1. 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)
2. PRM 可通过多轮环境实现—每个 step 返回中间 reward，累加到轨迹中
3. 整个 Rollout 是异步的—SampleGroup 并发、env_step 可调外部网络、SGLang 请求并发
4. 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

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。

3.2.2 单个 Turn 的完整处理流程

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