這意味著，開發者第一次可以在不“手搓環境”的情況下訓練Agent，讓環境也像模型一樣可規�；瘮U展。

與此同時，它和阿里此前開源的強化學習訓練框架 ROLL 形成了強強組合：

• ROLL 專注訓練策略（RL框架、算法、分布式優化）
• ROCK 負責提供訓練環境（環境管理、狀態維護、彈性調度）

兩者互補，構成了智能體訓練的算法引擎 + 環境燃料閉環，解決了長久以來阻礙智能體訓練鏈路的核心難題。

為什么環境服務是智能體進化的關鍵缺口？

大型語言模型正在從“語言工具”進化成“可與外界交互的智能體”——能運行代碼、調API、填表格、瀏覽網頁、操作軟件。

這類模型要真正領先，就必須在真實環境中接受成千上萬次交互訓練。

然而，真正能支撐數萬并發環境實例的系統極其復雜，往往會變成訓練流程的最大瓶頸。

一個高質量的環境系統必須：

• 支撐數千到數萬獨立實例并發運行

• 提供毫秒級的反饋

• 能夠復現、回溯、重置任意狀態

• 接入不同類型的任務（網頁、代碼、工具鏈、多輪交互）

• 在長時間運行中保持穩定

這寫條件對大多數團隊來說難度過高。而阿里推出 ROCK，就是為了解決這一行業共性難題。

ROLL 構建在 Ray 之上，面向大模型的規模化 RL 訓練，提供了從小規模實驗到大規模生產訓練的全套能力：

• 支持數學、推理、代碼等多任務混合訓練

• 支持多輪對話、工具調用、代碼執行等多步決策訓練

• 深度集成Megatron-Core、DeepSpeed等框架，支持多維并行

• 提供異步推理、異步訓練和高效的樣本管理機制

• 使用極簡的通用接口 GEM（reset/step），讓環境適配更輕量

ROLL本質是一臺高性能訓練發動機。但要運行發動機，必須有充足、穩定、可擴展的環境作為燃料——這正是ROCK的使命。

把智能體訓練環境做成可擴展的“工廠系統”

ROCK（Reinforcement Open Construction Kit）定位明確：用工程化方式解決環境規模瓶頸。

依托 Ray，ROCK 可以把底層資源抽象成一個統一的環境資源池，其中包括：

• 修改配置即可在幾分鐘內啟動成千上萬的并行環境

• 同時支持同構和異構環境在一套集群中混跑

這大幅降低了 Agent 訓練從單機實驗到集群規模之間的門檻。

傳統的分布式環境很難調試，而 ROCK 支持通過 SDK 或 HTTP API 遠程交互，并可查看環境文件系統、運行日志、進程狀態。除此之外還能實時修改環境變量、控制環境行為。

ROCK 還設計了三種使用模式，包括：

• 本地獨立環境：快速驗證依賴、測試環境行為

• 本地集成調試：與ROLL對接，測試完整鏈路

• 云端規模化部署：無需改代碼，自動擴展到成千上萬實例

Rock & Roll，兩者配合，形成了一套面向智能體時代的訓練閉環，讓流程變得可復制、可擴展、可工業化。Roll 提供大規模RL訓練引擎，讓模型學會正確決策；ROCK 提供可擴展、多環境的訓練場，讓交互數據更穩定。

無論是研究人員、系統架構師，還是獨立開發者，這套工具鏈都是邁向 Agentic AI 時代的關鍵基建。

參考資料：

https://mp.weixin.qq.com/s/yX-0TBFWPCIJES17aJnXrA

https://alibaba.github.io/ROCK/docs/Getting%20Started/rockroll/

https://github.com/alibaba/ROCK