# agent-lightning

Скилл-справка по фреймворку Agent Lightning: как подключить сбор трейсов к агенту, поднять хранилище и прогнать обучение с подкреплением или оптимизацию промптов.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, Windsurf (Devin Desktop), Claude.ai · ★ 328 у репозитория
- Автор: coco-research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/coco-research/coco/tree/HEAD/skills/agent-lightning/SKILL.md
- Обновлён: 2026-10-29
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/agent-lightning

## Что делает

Скилл разбирает Agent Lightning — фреймворк Microsoft для обучения агентов с подкреплением, оптимизации промптов и дообучения. Внутри шпаргалка по минимальной интеграции: в существующий код добавляются вызовы вида `agl.emit_input` и `agl.emit_output`, и трейсы уходят в общую шину. Дальше цепочка короткая: агент, спаны, `LightningStore`, алгоритм, обновлённые ресурсы.

Хранилище бывает в памяти для разработки (`InMemoryLightningStore`) и в режиме клиент-сервер: `LightningStoreServer` поднимается на порту 8080, клиент подключается к `http://localhost:8080`. `agl.Trainer` берёт алгоритм и число параллельных воркеров, а rollout-ы и ресурсы ходят через `enqueue_rollout` и `add_resources`. Есть адаптеры для LangChain, OpenAI SDK и vLLM, плюс метрики в формате Prometheus.

Для RL-ветки нужен бэкенд vLLM: `VeRLAlgorithm` собирается вокруг него, без него обучение не поедет. Оптимизация промптов через `APOAlgorithm` требует двух моделей — оптимизатора и целевой. Сам скилл ничего не запускает, это документация; пакет ставится отдельно через `pip install agentlightning`.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add coco-research/coco --skill agent-lightning -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/agent-lightning/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/agent-lightning/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add coco-research/coco --skill agent-lightning -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/agent-lightning/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add coco-research/coco --skill agent-lightning -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/agent-lightning/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install coco-research/coco skills/agent-lightning
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/agent-lightning/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add coco-research/coco --skill agent-lightning -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/coco-research/coco --path skills/agent-lightning
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/agent-lightning/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/coco-research/coco/tree/HEAD/skills/agent-lightning/SKILL.md

## Когда брать
- Подключить трейсы к готовому агенту без переписывания кода
- Считает reward из правильности и эффективности ответа
- Поднять LightningStore на порту 8080 и подключить клиента
- Отделить трейсы планировщика от трейсов исполнителя
- Снять метрики Prometheus по rollout-ам и задержкам хранилища

## Примеры запросов агенту
- Настрой обучение агента через Agent Lightning: добавь `agl.emit_input`, `agl.emit_output` и `agl.emit_reward` в мой цикл.
- Подними `LightningStoreServer` на `0.0.0.0:8080` и покажи, как подключить `LightningStoreClient`.
- Напиши reward-функцию для агента и запусти `agl.Trainer` с `n_runners=8`.

## Похожие
- [pytorch-lightning](https://affpapa.org/nevibecode/skills/k-dense-ai-pytorch-lightning.md) — скилл · 2300 установок
- [dspy-optimizer-selection](https://affpapa.org/nevibecode/skills/dspy-optimizer-selection.md) — скилл · ★ 125 у репозитория
- [stable-baselines3](https://affpapa.org/nevibecode/skills/stable-baselines3.md) — скилл · 2200 установок
- [metaclaw-evolving-agent](https://affpapa.org/nevibecode/skills/metaclaw-evolving-agent.md) — скилл · 1400 установок
- [hugging-face-jobs](https://affpapa.org/nevibecode/skills/sickn33-hugging-face-jobs.md) — скилл · 1 установка
- [agentlens-tracing-instrument](https://affpapa.org/nevibecode/skills/agentlens-tracing-instrument.md) — скилл · 200 установок

Из того же набора: [coco-research/coco](https://affpapa.org/nevibecode/by/coco-research/coco.md) — 82 карточки

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
