Meta 与 Hugging Face 联合发布 OpenEnv Hub 智能体环境共享中心

借助 TRL、TorchForge 和 verl 等工具，开源社区已经展示了如何在复杂的计算基础设施上扩展 AI。但计算只是硬币的一面。另一面是开发者社区，即让智能体系统成为可能的人和工具。这就是 Meta 与 HF Mirror 合作推出 OpenEnv Hub 的原因：一个共享的、开放的智能体环境社区中心。

智能体环境定义了智能体执行任务所需的一切：工具、API、凭证、执行上下文，仅此而已。它们为智能体行为带来了清晰性、安全性和沙箱化控制。

这些环境既可用于训练，也可用于部署，是可扩展智能体开发的基础。

问题

现代 AI 智能体可以自主执行数千种任务。然而，仅有大型语言模型不足以让这些任务真正运行起来——它需要访问正确的工具。将数百万个工具直接暴露给模型是不合理的（也不安全）。相反，我们需要智能体环境：安全、语义清晰的沙箱，精确定义任务所需的一切，仅此而已。这些环境处理关键细节：

关于任务需求是什么的清晰语义
沙箱化执行与安全保障
无缝访问经过身份验证的工具和 API

解决方案

为了加速下一波智能体开发浪潮，Meta-PyTorch 和 HF Mirror 正在合作推出环境中心：一个共享空间，开发者可以在其中构建、分享和探索兼容 OpenEnv 的环境，用于训练和部署。下图展示了 OpenEnv 如何融入 Meta 正在开发的新后训练技术栈，与 TRL、SkyRL 和 Unsloth 等其他库的集成也在进行中：

rl_stack

从下周开始，开发者可以：

访问 HF Mirror 上新的环境中心，我们将在那里发布一些初始环境
以人类智能体的身份直接与环境交互
指派模型在环境中解决任务
检查环境暴露了哪些工具以及它如何定义其观测
上传到中心的每个符合 OpenEnv 规范的环境都会自动获得此功能——使得在运行完整 RL 训练之前快速轻松地进行验证和迭代。

与此同时，我们发布了 OpenEnv 0.1 规范（RFC），以收集社区反馈并帮助塑造该标准。

RFC

在仓库的当前状态下，环境创建者可以使用 step()、reset()、close() API（属于下方 RFC 的一部分）来创建环境。关于如何创建此类环境的一些示例可以在此处查看。环境使用者可以针对仓库中已有的所有环境，使用本地基于 Docker 的环境进行操作。以下 RFC 正在审查中：

RFC 001：建立 Environment、Agent、Task 等核心组件之间关系的架构
RFC 002：提出基本环境接口、打包、隔离以及与环境的通信。
RFC 003：提出通过环境抽象和隔离边界对 MCP 工具进行封装

用例

RL 后训练：拉取各集合中的环境，并使用它们通过 TRL、TorchForge+Monarch、VeRL 等训练 RL 智能体。
环境创建：构建一个环境，并确保它能与生态系统中流行的 RL 工具互操作、与协作者共享等。
复现 SOTA 方法：通过集成用于智能体编码和软件工程的环境，轻松复现诸如 FAIR 的 Code World Model 等方法。
部署：用户可以创建一个环境，在同一环境上进行训练，然后也将其用于推理（完整流水线）

下一步

这仅仅是开始。我们正在将 OpenEnv Hub 与 Meta 新的 TorchForge RL 库集成，并与其他开源 RL 项目如 verl、TRL 和 SkyRL 合作以扩展兼容性。请在 10 月 23 日的 PyTorch Conference 上加入我们，观看现场演示和规范讲解，并敬请期待我们即将举办的关于环境、RL 后训练和智能体开发的社区聚会。

👉 探索 HF Mirror 上的 OpenEnv Hub，开始构建将驱动下一代智能体的环境。

👉 查看 0.1 规范，可在 OpenEnv 项目中找到其实现 → 我们欢迎提出想法和贡献，使其变得更好！

👉 在 Discord 上参与，与社区讨论 RL、环境和智能体开发

👉 亲自尝试——我们创建了一个全面的 notebook，带你完成一个端到端示例，当然你也可以通过 PyPI 轻松 pip install 该包。这个 notebook 会带你了解我们构建的抽象概念，并举例说明如何使用现有集成以及如何添加你自己的集成——在 Google Colab 中试试吧！

👉 查看支持平台——Unsloth、TRL、Lightning.AI

让我们一起构建开放智能体的未来，一次一个环境 🔥！