RAGEN

多轮智能体强化学习训练与推理退化诊断

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署模型训练 🍴 复刻 228 🐛 待处理 31 👀 关注 22

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 2833

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源免费，无付费版本

项目预览

项目数据

分类模型训练

开发团队mll-lab-nu

官网地址https://ragen-ai.github.io

GitHubhttps://github.com/mll-lab-nu/RAGEN

定价模式🏷️完全免费

价格说明开源免费，无付费版本

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agent-rl,agentic-ai,llm-agents,multi-turn-rl,reinforcement-learning,rl-framework

GitHub 星标★ 2833

上线时间2025-01-25 00:00:00

代码更新2026-10-28

仓库体积37.5 MB

本站数据更新2026-11-03

维护状态活跃

收录时间2026-11-03

浏览次数0

项目介绍

RAGEN 是一个面向大语言模型智能体的强化学习训练框架，核心解决多轮交互场景下智能体策略难以稳定优化的问题。它提出 StarPO（Star Policy Optimization）方法，把多轮对话轨迹拆解为可回传奖励的训练信号，让模型在连续决策中学会规划与工具调用。框架内置推理坍缩（reasoning-collapse）诊断工具，可监测训练过程中模型推理能力退化、输出同质化等异常，帮助研究者定位不稳定的训练阶段。项目以 Python 实现，围绕 agent-rl、multi-turn-rl 等方向组织，提供从环境交互、轨迹采样到策略更新的完整链路，适合需要复现或改进 LLM 智能体 RL 算法的团队作为研究基线，也便于在自定义任务环境中快速搭建多轮训练实验。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-11-03 · 当前星标 ★ 2833

技术标签

agentic-ai llm-agents reinforcement-learning

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 15 分钟部署方式：本地安装 5 步

环境要求

Git，用于克隆仓库
已安装并可用 conda（README 指定 Python 3.12）
可执行 bash 脚本的类 Unix 环境（Linux/macOS 或 WSL）
如需搜索环境，安装时需加 --with-search 参数

安装与启动步骤

1克隆仓库

从 GitHub 拉取 RAGEN 源码到本地，并进入项目根目录。
```
git clone https://github.com/mll-lab-nu/RAGEN.git
cd RAGEN
```
2创建 conda 环境

按 README 指定的 Python 3.12 创建名为 ragen 的虚拟环境并激活。
```
conda create -n ragen python=3.12 -y && conda activate ragen
```
3运行安装脚本

执行仓库自带的安装脚本，自动安装依赖；需先激活 ragen 环境。
```
bash scripts/setup_ragen.sh
```
4可选安装搜索环境

若实验涉及搜索环境，改用带 --with-search 参数的命令安装。
```
bash scripts/setup_ragen.sh --with-search
```
5WebShop 环境参考

WebShop 环境的配置不在安装脚本中，需查看仓库内对应文档。
```
cat docs/experiment_webshop_release.md
```