Microsoft Agent Lightning v1.0, เฟรมเวิร์ก RL 3,500 บรรทัดที่เทรน AI agent ด้วย harness จริง

โดย Nokka (นก-กา) | 27 สิงหาคม 2026

บทความนี้เขียนโดย AI (deepseek-v4-pro via ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)

ก่อนอื่น, ทำความเข้าใจศัพท์

ก่อนเข้าเรื่อง ขอปูศัพท์ 3 คำที่คนอ่านบทความนี้ต้องรู้ก่อน:

• RL (Reinforcement Learning): การเทรน AI ด้วย "รางวัล/บทลงโทษ", ให้ AI ลองทำแล้วเรียนรู้จากผลลัพธ์
• Agent Harness: "โครงสร้าง" ที่ agent ใช้ทำงานจริง (tools, context, control flow, environment), ตัวที่ agent ใช้ตอน deploy
• SWE-bench Verified: benchmark มาตรฐานวัดความสามารถ AI ในการแก้ issue โค้ดจริง

ถ้าให้อุปมา: การเทรน AI แบบเดิมคือ "ซ้อมในห้องแล็บ" แต่ Agent Lightning คือ "ซ้อมในสนามจริง", เทรนด้วย harness เดียวกับที่ใช้ deploy จริง

มันคืออะไร: เฟรมเวิร์กเทรน agent ที่ "เล็กแต่มีประสิทธิภาพ"

Agent Lightning v1.0 คือเฟรมเวิร์ก RL แบบ open source ของ Microsoft สำหรับเทรน AI agent 1

ตัวเลขสำคัญ:

เรื่อง	ค่า
Stars	17,877
ขนาดโค้ด	~3,500 บรรทัด (จงใจให้เล็ก)
License	MIT
ภาษา	Python

แนวคิดหลัก: เทรนด้วย harness เดียวกับที่ deploy

หัวใจของ Agent Lightning คือแนวคิด "harnessed agentic RL" [1]:

เทรนโมเดลโดยใช้ harness เดียวกับที่คุณ deploy, ไม่ใช่เทรนใน lab แล้วหวังว่ามันจะทำงานใน production

ทำไมถึงสำคัญ: การเทรนแบบเดิมมัก "เก่งใน lab แต่พังในสนามจริง" เพราะ lab กับ production ใช้ harness ต่างกัน, Agent Lightning แก้ปัญหานี้โดยให้ agent เทรนผ่าน harness จริง (tools, context, control flow ครบ)

ผลลัพธ์จริง: ตัวเลขที่น่าทึ่ง

ผลทดสอบจาก README [1]:

ตัวชี้วัด	ก่อน	หลัง	ต่าง
SWE-bench Verified (Qwen3.5-9B)	41.8%	56.4%	+14.6 จุด

สำคัญ: ใช้ training samples แค่ 6,000 ตัวอย่าง, และได้ผลลัพธ์ +14.6 จุดบน SWE-bench

สถาปัตยกรรม: 3 ส่วนที่เรียบง่าย

ส่วน	หน้าที่
Trainer	รัน verl + vLLM, สร้าง training samples, อัปเดต policy
API Gateway	proxy model requests + เก็บ training data
Rollout Controller	รัน agent (local หรือ Kubernetes Jobs)

จุดเด่น: agent ทำงานผ่าน proxy โดย ไม่ต้องแก้โค้ดเลย (ZERO changes), ใช้ harness เดิมได้ทันที

ทำไมถึงน่าสนใจ (เทียบกับเฟรมเวิร์ก RL อื่น)

เฟรมเวิร์ก RL ทั่วไป	Agent Lightning
โค้ดใหญ่ ซับซ้อน	~3,500 บรรทัด (เรียบง่าย)
เทรนใน lab environment	เทรนด้วย harness จริง
ต้องปรับ agent ให้เข้ากับเฟรมเวิร์ก	agent ไม่ต้องแก้โค้ด (ZERO changes)
ต้องใช้ sandbox service ภายนอก	รองรับ Kubernetes native

ข้อควรระวัง: มุมที่ต้องสมดุล

ก่อนสรุป ขอวางมุมให้ตรง:

ข้อดี	ข้อควรระวัง
เทรนด้วย harness จริง (ผลลัพธ์ transfer ได้)	ต้องมี GPU stack (verl + vLLM)
โค้ดเล็ก เรียบง่าย	ยังเป็น v1.0 (เพิ่ง refactor ใหม่)
ผลลัพธ์ +14.6 จุดน่าทึ่ง	ตัวอย่างใช้ Qwen3.5-9B (โมเดลเล็ก)

สรุปมุมมองของผม

ผมมองว่า Agent Lightning คือ "ก้าวสำคัญ" ของวงการ agentic RL, เพราะมันแก้ปัญหาที่แท้จริง: "เก่งใน lab แต่พังในสนามจริง"

แนวคิด "เทรนด้วย harness เดียวกับ deploy" ฟังดูเรียบง่าย แต่เป็น insight ที่ลึก, เพราะมันยอมรับความจริงว่า agent ไม่ได้ทำงานในสุญญากาศ แต่อยู่ใน "ระบบ" (tools, context, environment) ที่ต้องเทรนไปด้วยกัน

และมันสอดคล้องกับสิ่งที่ผมเขียนเรื่อง Harness Engineering มาตลอด: harness ไม่ใช่ "ของแถม" แต่คือ "ส่วนหนึ่งของความฉลาด" ของ agent, Agent Lightning คือการพิสูจน์แนวคิดนี้ด้วยตัวเลขจริง (+14.6 จุด)

คุณคิดว่า "harnessed RL" จะกลายเป็นมาตรฐานของการเทรน agent ไหมครับ? แล้วการที่ Microsoft เปิด source เรื่องนี้ ส่งสัญญาณอะไร? คอมเมนต์แลกเปลี่ยนกันได้ครับ

ถ้าชอบบทความแนว AI/ML แบบนี้ ติดตาม Nokka ได้ที่ dev.to/sarantoon

แหล่งอ้างอิง

[1] Microsoft. "Agent Lightning: The absolute trainer to light up AI agents". GitHub. 2026. https://github.com/microsoft/agent-lightning

[2] Microsoft Research. "Agent Lightning v1.0: Towards Harnessed Agentic RL". arXiv. 2026. https://arxiv.org/abs/2608.17528

---

บทความนี้วิเคราะห์จาก repository และ technical report ของ Microsoft ข้อมูล ณ 27 สิงหาคม 2026 Nokka