大模型进阶之路：Agent+RL代表项目全解析，建议收藏学习！！-育师

简介

本文系统分析了15个将强化学习(RL)与大型语言模型(LLM)结合的创新项目，展示了RL在增强LLM推理、搜索和交互能力中的重要作用。这些项目通过创新的RL框架优化了LLM在搜索优化、工具调用、多轮交互和深度研究等复杂任务中的表现。随着RL算法和LLM的进一步融合，LLM智能体能力有望提升，为知识密集型任务和自动化决策提供更强大解决方案。

引言

Agent落地元年，大家一直在用各种方式做创新，比如拿Graph做Memory，拿SFT+RL增强调用tools的能力等，研究者们探索了将RL与LLM结合，开发出能够自主调用外部工具、优化搜索策略并在多轮交互中实现复杂推理的智能体,RL在各种场景中频繁出现。

本文通过对一系列创新性项目的系统分析，全面综述了RL在增强LLM推理、搜索和交互能力中的应用，探讨了其方法论、实践价值及未来发展方向，欢迎关注阿东玩AI。

目录如下：

一、ReSearch

论文: https://arxiv.org/pdf/2503.19470
GitHub仓库: https://github.com/Agent-RL/ReCall

摘要: 大型语言模型（LLM）展现出卓越的推理能力，如OpenAI-o1和DeepSeek-R1的成功所示。然而，将推理与外部搜索过程结合仍具挑战性，尤其是在需要多步检索的复杂多跳问题上。我们提出了ReSearch框架，通过强化学习训练LLM在无需推理步骤监督数据的情况下使用搜索进行推理。搜索操作被视为推理链的一部分，由基于文本的思维引导，搜索结果进一步影响推理过程。我们在Qwen2.5-7B和Qwen2.5-32B模型上训练ReSearch，实验表明其在多基准测试中具有强大的泛化能力，展现出反思和自我修正等高级推理能力。

描述: ReSearch通过强化学习优化LLM的搜索与推理能力，将搜索操作融入推理链，强调基于文本的动态决策。
实践价值: 适合研究RL如何提升LLM在复杂推理任务中的表现，特别是涉及多步搜索优化的场景。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份LLM大模型资料分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以扫描下方二维码领取🆓↓↓↓

二、Search-R1

论文: https://arxiv.org/pdf/2503.19470

GitHub仓库: https://github.com/PeterGriffinJin/Search-R1

支持本地稀疏检索器（例如 BM25）。✔️
支持本地密集检索器（平面索引和 ANN 索引）✔️
支持谷歌搜索/必应搜索/勇敢搜索 API 等。✔️ Support off-the-shelf neural rerankers. ✔️
支持现成的神经重新排序器。✔️
支持不同的 RL 方法（例如 PPO、GRPO、强化）。✔️
支持不同的 LLM（例如 llama3、Qwen2.5 等）。✔️
摘要: 高效获取外部知识对LLM的推理和生成至关重要，但直接让推理能力强的LLM使用搜索引擎并非最佳选择。本文提出Search-R1，通过强化学习扩展推理框架，使LLM在逐步推理中自主生成搜索查询。Search-R1通过多轮搜索交互优化推理轨迹，利用检索到的token掩码进行稳定RL训练，并采用基于结果的奖励函数。实验表明，Search-R1在七个问答数据集上性能显著优于RAG基线，Qwen2.5-7B和Qwen2.5-3B模型分别提升41%和20%。
描述: Search-R1通过RL训练LLM优化查询生成和结果解读，提升任务解决能力。
实践价值: 适合探索LLM与外部工具（如搜索引擎）结合的场景，研究RL如何优化信息获取。

三、R1-Searcher

论文: https://arxiv.org/pdf/2503.05592

GitHub仓库: https://github.com/RUCAIBox/R1-Searcher

Model:

Qwen-2.5-7B-Base-RAG-RL: https://huggingface.co/XXsongLALA/Qwen-2.5-7B-base-RAG-RL
Llama-3.1-8B-Instruct-RAG-RL: https://huggingface.co/XXsongLALA/Llama-3.1-8B-instruct-RAG-RL

Train-data: https://huggingface.co/datasets/XXsongLALA/RAG-RL-Hotpotqa-with-2wiki
摘要: 现有大型推理模型通过RL提升复杂推理能力，但依赖内部知识可能导致不准确或幻觉问题。我们提出R1-Searcher，一种基于结果的两阶段RL方法，增强LLM的搜索能力，使其在推理中自主调用外部搜索系统。实验表明，R1-Searcher显著优于RAG方法，甚至超越闭源的GPT-4o-mini。
描述: R1-Searcher通过RL激励LLM发展搜索能力，专注于从外部资源获取和利用信息。
实践价值: 适用于知识密集型问答或数据分析等高效信息检索任务。

四、RAGEN

论文: https://arxiv.org/pdf/2504.20073

GitHub仓库: https://github.com/ZihanWang314/RAGEN

摘要: 训练LLM为交互式智能体面临长期决策和随机环境反馈的挑战。我们提出StarPO框架和RAGEN系统，用于轨迹级智能体RL训练。研究发现“回声陷阱”模式，并通过StarPO-S解决。实验表明，多样化初始状态和推理感知奖励信号对RL部署至关重要。
描述: RAGEN通过多轮RL实现LLM代理的自我进化，优化轮次级别的信用分配。
实践价值: 适合研究多轮交互和自我改进的代理，应用于对话系统或任务规划。

有三个主要模块：环境状态管理器（ragen/llm_agent/es_manager.py）、上下文管理器（ragen/llm_agent/ctx_manager.py）和代理代理（ragen/llm_agent/agent_proxy.py）。

环境状态管理器（es_manager）：

支持多种环境（不同环境、相同环境不同种子、相同环境相同种子）记录部署过程中每个环境的状态处理来自ctx_manager的操作，执行步骤，并以批处理方式将操作结果（观察结果）返回给ctx_manager

上下文管理器（ctx_manager）：

将原始代理令牌解析为es_manager的结构化操作格式化来自es_manager的观察，解析并制定它们以供接下来的代理推出。收集最终的推出轨迹并将其编译成标记、注意力掩码、奖励分数和损失掩码，以供 llm 更新。

Agent Proxy（agent_proxy）：作为执行单轮或多轮部署的接口

五、ReTool[字节出品，必属精品]

论文: https://arxiv.org/pdf/2504.11536

GitHub仓库: https://github.com/ReTool-RL/ReTool

摘要: 推理模型在文本推理上表现出色，但在结构化问题解决中表现不佳。ReTool通过工具集成学习增强长篇推理能力，动态交错代码执行，并通过RL优化工具调用策略。在AIME基准上，ReTool-32B模型达到72.5%准确率，超越OpenAI o1-preview。
描述: ReTool通过RL训练LLM战略性使用工具（如API、计算器），优化任务解决能力。
实践价值: 适合研究工具增强型LLM，探索RL在工具选择和使用中的应用。

六、DeepResearcher

论文: https://arxiv.org/pdf/2504.03160

GitHub仓库: https://github.com/GAIR-NLP/DeepResearcher

DeepResearcher 是首个全面的框架，通过在真实环境中扩展强化学习 (RL) 来实现基于 LLM 的深度学习代理的端到端训练，并支持真实的网络搜索交互。我们的定性分析揭示了端到端 RL 训练中涌现出的认知行为，包括制定计划、交叉验证来自多个来源的信息、进行自我反思以重新引导研究方向，以及在无法找到明确答案时保持诚实的能力。

摘要: DeepResearcher通过在真实环境中扩展RL，训练LLM进行深度研究，应对开放网络的复杂性。实验表明，其性能显著优于基于提示工程和RAG的基线，展现出计划、交叉验证和自我反思等认知行为。
描述: DeepResearcher结合LLM与外部知识源，扩展RL在现实研究任务中的应用。
实践价值: 适合需要深度信息合成的场景，如科学研究或复杂数据分析。

七、ZeroSearch

论文: https://arxiv.org/abs/2505.04588

GitHub仓库: 未提供具体链接
摘要: ZeroSearch通过RL训练LLM内化搜索能力，采用基于课程的推出策略，逐步提升推理能力。实验表明，7B和14B模型的检索模块性能可媲美甚至超越真实搜索引擎。
描述: ZeroSearch减少对外部搜索的依赖，通过RL模拟搜索行为。
实践价值: 适合研究LLM如何通过内部机制模拟搜索，降低对外部资源的依赖。

八、Agent-R1

GitHub仓库: https://github.com/0russwest0/Agent-R1
描述: Agent-R1扩展DeepSeek-R1，通过RL训练代理型 LLM，提升决策和任务执行能力。
详细解读: https://deepwiki.com/0russwest0/Agent-R1
实践价值: 适合探索动态环境中的代理行为，应用于复杂任务场景。

九、 StepSearch

论文: https://www.arxiv.org/pdf/2505.15107

GitHub仓库: https://github.com/Zillwang/StepSearch

摘要: StepSearch通过逐步近端策略优化（PPO）训练LLM，包含细粒度搜索奖励和信息增益监督，显著优于全局奖励基线，3B和7B模型分别提升11.2%和4.2%。
描述: StepSearch通过PPO优化分步搜索过程，提升多跳推理能力。
实践价值: 适合研究PPO在LLM搜索增强中的应用，特别适用于分步任务。