Agent Lightning v1.0は、本番環境で実際に使っているツールやワークフローを通じて、エージェントを学習させたいチームを想定して設計されています。エンジニアが別の学習基盤向けにエージェントのロジックを実装し直す必要はありません。Agent Lightningはプロキシとロールアウトコレクターを間に挟み、軌跡データを記録しながら、同じ制御フロー、ツール呼び出し、検索コンテキスト、環境を維持します。これにより、エージェントが現実の環境で受け取る入力や、その動作が引き起こす副作用を損なわずに済みます。ツールの出力、長時間にわたるコンテキスト、オーケストレーションのロジックに左右される振る舞いを学習するうえで、これは重要です。プロンプトだけを調整しても、こうした状況を確実に再現することはできません。
プロジェクトの開発方針は明快です。コアを小さく（Pythonで約3,500行）保ち、ロールアウト駆動型の学習に注力し、エージェントはすでに稼働している場所で実行します。Kubernetesをネイティブにサポートしているため、ロールアウトのジョブをKubernetes Jobsとして実行でき、実行時に脆弱なサンドボックスやエミュレーターの層を挟まずに済みます。Kubernetesをすでに活用しているチームにとって、運用上の負担を抑えながら、多数のエージェントインスタンスや実際のツール連携を通じて軌跡データを大規模に収集できる設計です。
Microsoftが公開した事例は、アーキテクチャだけでなく、実用面での効果も示しています。コーディングエージェントのMoEパイプラインでは、Qwen3.5-35B-A3Bがわずか1.8K件のサンプルを使った強化学習の後、検証済みのソフトウェアエンジニアリングベンチマークで47.8%から61.6%へとスコアを伸ばしました。公開されたコーディングエージェント向けガイドでは、データのクリーニング、報酬ハッキングの抑制、学習を最初から最後まで実行するスクリプトも扱っています。これらは、ロールアウト駆動型の強化学習が、大規模なプロンプトエンジニアリングの試行よりも短期間で、測定可能な精度向上につながることを示しています。実際のツールやテストを学習のループに含めることで、タスクに特化したエージェントをより的確に改善できる点も重要です。