AEnvironment
| Documentation | WeChat (微信) Group |
Everything as Environment — A Production-Grade Environment Platform for Agentic RL and Agent
______________________________________________________________________
📰 新闻
- 部署技能 （2026年2月）-🎉 新 克劳德代码技能 用于自动化部署！直接从Claude Code部署实例和服务，支持三个工作流：本地构建、现有映像和注册环境。 开始使用
- v0.1.4 （2026年1月）-AEnv CLI现在支持 例子 和 服务 管理！使用简单的命令部署和管理您的代理和应用程序。看 CLI指南 了解详情。
______________________________________________________________________
关于环境
AEnvironment是一个统一的环境平台 代理强化学习 时代，建立在核心哲学之上 “一切如环境”通过扩展标准化的MCP协议，AEnvironment为环境提供商、算法开发人员和代理开发人员提供了开箱即用的基础设施，使他们能够专注于代理功能，而不是环境设置的繁琐细节。
在蚂蚁集团内部，AEnvironment是一项关键的环境层技术，与AReaL强化学习框架深度集成，支持大规模的agent RL培训和agent服务部署。
核心哲学：万物即环境
AEnvironment将一切抽象为一个环境——从简单的工具功能到复杂的多代理系统，所有这些都可以通过统一的环境界面访问。这种统一的抽象使功能能够像构建块一样注册、组合和替换，在同一基础设施上无缝融合Benchmark集成、RL培训和代理部署。
主要特点
🔧 内置基准，零成本集成 -即用型基准测试环境，无需复杂的配置。目前支持：TAU2工作台、SWE工作台和终端工作台。
🚀 无缝的代理强化学习培训集成 -借助原生MCP支持和OpenAI Agent SDK兼容性，您可以专注于代理逻辑并无缝集成到RL培训工作流程中。
🤖 Agent作为环境 -将代理视为环境，实现多代理编排。与包括OpenAI代理SDK在内的主流代理框架兼容。
⚡ 快速发展到生产 -在几秒钟内定义工具、构建和部署。AEnvironment提供了一个统一的、低阈值的API抽象环境，使环境不再是训练管道中的瓶颈。
用例
小程序IDE
构建人工智能驱动的小程序生成系统，其中代理利用AEnvironment作为标准环境基础设施。这 小程序示例 演示：
- 环境即基础设施：代理利用AEnvironment作为标准化的环境基础设施，提供一致的工具和运行时功能
- AI代理集成：由OpenAI API提供支持的多回合对话
- MCP工具：文件操作、代码执行和验证工具
- 实时预览：生成的应用程序的实时预览
# The agent uses AEnvironment tools to create web applications
async with Environment("mini-program@1.0.0") as env:
# Agent can use tools like read_file, write_file, execute_python_code
result = await env.call_tool("write_file", {
"path": "index.html",
"content": "..."
})📖 看 小程序示例 了解详情。
TAU2 RL培训
使用TAU2任务，使用AReaL框架训练强化学习代理。这 TAU2 RL示例 显示：
- RL集成：与AReaL无缝集成，用于代理RL培训
- 报酬函数：环境暴露了RL培训的奖励功能
- 剧集跑者：通过自动工具调用逐个执行代理
- 可扩展培训：支持大规模分布式RL培训
# Entrypoint for AReaL training
from aenv.examples.tau2_rl.agent import run_agent_return_reward
# Run a single episode and return reward
reward = await run_agent_return_reward({
"domain": "telecom",
"task_id": "task_123"
})📖 看 TAU2 RL示例 了解详情。
Agent作为环境
AEnvironment独特地支持将试剂本身视为环境。此功能使多代理编排、分层代理系统和代理对抗测试成为可能。
使用代理作为环境，您可以：
- 编写代理：将代理视为可重用的组件，可以称为工具
- 多代理编排：构建复杂的工作流，让代理相互交互
- 等级制度：创建嵌套代理结构以解决复杂问题
# Agent A calls Agent B as an environment
async with Environment("agent-b@1.0.0") as agent_b:
# List available tools from Agent B
tools = await agent_b.list_tools()
# Call Agent B's chat tool
response = await agent_b.call_tool("chat", {"message": "Hello!"})
print(response.content)这种设计使代理能够像环境一样进行组合和编排，支持复杂的多代理场景，在这些场景中，代理可以通过相同的统一接口相互交互。
🎯 内置环境
AEnvironment附带了几个可供使用的内置环境：
📖 看 内置环境 了解更多详情。
快速开始
📖 有关详细的设置说明，请参阅 快速入门指南.
部署技能
部署AEnvironment实例和服务的最简单方法是使用我们的Claude代码技能。此技能提供了自动化部署工作流，并为实例和服务管理提供了全面支持。
安装部署技能
# Install from GitHub releases
curl -L https://github.com/inclusionAI/AEnvironment/releases/latest/download/aenvironment-deploy.skill -o aenvironment-deploy.skill
claude skill install aenvironment-deploy.skill使用部署技能
安装后，您可以直接从Claude Code进行部署：
部署现有环境：
# Simply ask Claude Code:
# "Deploy game-2048@1.0.6 as an instance with 1 hour TTL"
# "Deploy myapp@2.0.0 as a service with storage enabled"支持的工作流：
- 工作流程A：在本地构建Docker镜像并部署
- 工作流程B：注册现有Docker镜像并部署
- 工作流程C：部署已注册的环境（最简单）
部署类型：
- 例子：具有IP访问权限的临时环境（用于代理、测试）
- 服务：具有域访问和可选存储的持久服务（用于生产应用程序）
该技能会自动处理：
- ✅ CLI配置和验证
- ✅ 环境登记
- ✅ 实例/服务创建
- ✅ 环境变量注入
- ✅ 资源管理（列表、更新、删除）
- ✅ 错误处理和重试
📖 请参阅 部署技能指南 详细文档。
安装SDK并初始化环境
# Install SDK
pip install aenvironment
# Initialize a new environment project
aenv init my-env定义工具、功能和奖励
from aenv import register_tool, register_function, register_reward
# Register a tool
@register_tool
def search_code(query: str, path: str = ".") -> dict:
"""Search for code patterns in files."""
# Implementation
return {"matches": [...]}
# Register a function (for internal use within environment)
@register_function
def calculate_sum(a: int, b: int) -> int:
"""Calculate the sum of two numbers."""
return a + b
# Register a reward function (for RL training)
@register_reward
def evaluate_task_completion(status: dict) -> float:
"""Evaluate task completion and return reward."""
if status.get("completed"):
return 1.0
return 0.0测试环境
在本地运行环境以测试工具：
# Start the MCP server within your project dir
aenv run
这将启动一个MCP服务器，该服务器将公开您的测试和开发工具。
构建和推动环境
# Build and push
aenv build && aenv push使用环境
import asyncio
from aenv import Environment
async def main():
async with Environment("swe-env") as env:
# List available tools
tools = await env.list_tools()
# Call a tool
result = await env.call_tool("search_code", {"query": "def main"})
print(result.content)
# Call a function (for internal use within environment)
func_result = await env.call_function("calculate_sum", {"a": 10, "b": 20})
print(f"Function result: {func_result}")
# Call a reward function (for RL training)
reward = await env.call_reward({"status": {"completed": True}})
print(f"Reward: {reward}")
asyncio.run(main())演出
在同一个简单的演示中，我们将性能与其他流行的沙盒引擎进行了比较：
1 Kubernetes是AEnvironment目前支持的引擎。
2 ASandbox是一个高性能引擎，计划在未来开源发布。
📖 资源
🤝 贡献
我们热忱欢迎社会各界的贡献！无论你是在修复bug、添加功能、改进文档还是帮助他人，你的贡献都是有价值的。
# Fork and clone the repository
git clone https://github.com/YOUR-USERNAME/AEnvironment.git
cd AEnvironment
# Install in development mode
cd aenv
pip install -e ".[dev]"
# Set up pre-commit hooks for automatic formatting
pip install pre-commit
pre-commit install
# Make changes
git checkout -b feat/your-feature
git add .
# `git commit` will automatically format your file
git commit -m "Add your feature"
git push请查看我们的 贡献指南 了解详细信息。
💬 社区与支持
- GitHub讨论 -提问、分享想法并与社区联系
- 微信群 -加入我们的微信社区(微信群)
许可证
Apache许可证2.0-请参阅 许可证 了解详情。