強化學習+任意一張牌，往往就是王炸。

專注于LLM+RL的科技公司OpenPipe提出全新開源強化學習框架——MCP·RL。

只需一個MCP Server的地址，agent就能自動發現工具、生成任務，通過強化學習在閉環反饋中摸索出最優調用策略。

在實測中，MCP·RL更是在2/3的benchmark上達到或超過SOTA性能，效果直接拉滿。

不套公式，在“做中學”，這就是專屬RL的power！

MCP·RL的做中學

想明白MCP·RL怎么個“做中學”法，咱們有必要簡單過一下傳統MCP的流程：

舉個例子，假如你想讓agent幫自己讀郵件、分類、寫回復，那么你就得提前設置好整個工作流：

準備郵件數據、注冊工具、寫prompt規劃執行順序。

此外，你還得設置回退邏輯，以防中途崩掉。

而這只是一個發郵件的例子，功能一多，配置量指數級上升。

最關鍵的是——你得知道怎么拆任務、調工具、寫邏輯。

換句話說，agent就是在做你給他出的完形填空。

而你，我的朋友，要填除了空以外的所有東西。

MCP·RL的提出就是為了解決這一問題。

你只需提供MCP Server地址，不用配置工具、不用寫prompt、不用人工標注。

模型就能自己發現工具、自己設計任務、自己實戰訓練，邊跑邊學。

簡單來說，MCP·RL的訓練流程分四步：

• 發現工具：自動連接MCP Server，獲取所有可用工具和參數。 
• 生成任務：根據工具信息自己“腦補”出一批使用場景，作為訓練任務（數據）。 
• 實戰訓練：通過跑任務直接從經驗中學習，搭配RULER評估策略，調參優化。 
• 測試泛化：用新任務檢驗策略泛化性，讓agent越用越順手。

總結下來就是：任務場景是什么？AI找；工具怎么用？AI學；流程怎么拆？AI想；效果好不好？AI試。

一位網友精辟的點出了這一轉變：

我們曾借助MCP讓AI調用工具，而現在是AI反過來利用MCP。

那么，它的效果如何呢？

正如我們開頭提到的，MCP·RL在2/3的基準測試中達到SOTA。

而在具體的部署層面，MCP·RL無需標注數據，適用于任何Server，無需定制MCP接口，開箱即用。

One more thing

MCP·RL是科技公司OpenPipe基于強化學習的智能體訓練系統(Agent Reinforcement Trainer，ART)的最新項目。

ART是一個開源強化學習框架，其核心思想是讓LLM從經驗中學習，從而提高agent的可靠性，ART可以將GRPO集成到任何Python應用中。

在此前的實測中，ART（Agent Reinforcement Trainer）對Qwen 2.5-14B進行強化訓練，其在一項電子郵件檢索任務中表現優于o3，實現了SOTA（state-of-the-art）。