Agent Lightning v1.0은 프로덕션 환경에서 실제로 사용하는 도구와 워크플로를 통해 에이전트를 학습시키려는 팀을 위해 설계됐습니다. 엔지니어가 별도의 학습 스택에 맞춰 에이전트 로직을 다시 구현하는 대신, Agent Lightning은 프록시와 롤아웃 수집기를 중간에 배치합니다. 따라서 궤적을 기록하는 동안에도 기존 제어 흐름, 도구 호출, 검색 컨텍스트와 실행 환경을 그대로 유지할 수 있습니다. 이렇게 하면 에이전트가 실제로 접하는 입력과 부수 효과가 보존됩니다. 도구 출력, 긴 실행 컨텍스트, 오케스트레이션 로직에 따라 달라지는 동작을 학습할 때 특히 중요한데, 이런 동작은 프롬프트만 조정해서는 안정적으로 재현하기 어렵습니다.
프로젝트의 엔지니어링 철학은 명확합니다. 코어를 작게 유지하고(대략 Python 3,500줄), 롤아웃 기반 학습에 집중하며, 에이전트는 이미 실행 중인 환경에서 돌립니다. Kubernetes를 기본 지원하므로 롤아웃 작업을 Kubernetes Job으로 실행할 수 있어, 취약한 샌드박스나 에뮬레이터 계층에 의존하지 않아도 됩니다. Kubernetes에 이미 투자한 팀은 운영 부담을 줄이면서도 여러 에이전트 인스턴스와 실제 도구 통합 전반에서 궤적을 대규모로 수집할 수 있습니다.
Microsoft가 공개한 사례는 아키텍처뿐 아니라 실제 성과도 보여줍니다. 코딩 에이전트 MoE 파이프라인에서 Qwen3.5-35B-A3B는 단 1.8K개의 예시로 강화 학습을 진행한 뒤, 검증된 소프트웨어 엔지니어링 벤치마크 점수가 47.8%에서 61.6%로 상승했습니다. 공개된 코딩 에이전트 가이드에는 데이터 정제, 보상 해킹 완화, 엔드투엔드 학습 스크립트도 포함되어 있습니다. 롤아웃 기반 강화 학습이 대규모 프롬프트 엔지니어링 실험보다 빠르게 측정 가능한 정확도 향상을 이끌 수 있음을 보여주는 사례입니다. 실제 도구와 테스트를 학습 과정에 포함하면 작업 중심 에이전트의 동작을 더 적절하게 개선할 수 있다는 점에서 의미가 큽니다.