OpenClaw 等开源 Agent 项目火爆之后人们终于看到了 Agent 从“炫酷演示”走向“真正替人做事”的可能性。只是许多开发者在实际落地时遇到了一系列痛点：

• 缺少统一、可 的建立框架，导致每个场景都要从基础开始重构。其实，
• 规模化执行面临安全隔离和并发性能瓶颈。无法稳定支撑千级任务，
• 训练闭环缺失，使得 Agent 在真实交互中难以持续进化。

为了解决这些痛点，veRL 开源团队推出了 Uni-Agent——一个面向通用 Agent 的统一训练框架。下面详细拆解其主要设计与优势。

一、Build：面向通用场景的灵活建立层

User Pain Point： 开发者往往需要在不同业务中频繁修改代码，而缺乏标准化抽象导致重复造轮胎。说起来，

• Model 层： 支持外部 API 模型服务、vLLM、SGLang 等推理后端。可随时切换，
• Tool 层： 将具体工具抽象为插件，新增一个工具就可以功能 无需改动 pipeline。
• Env 层： 提供可插拔执行环境，便于接入公司内部程序与第三方服务。

举例说明的观点是。在 arXiv 文献检索 Demo 中，只需添加一个搜索工具，即完成论文检索与推荐功能，无需重写整体流程。不过，

Build 架构图解

二、Run：支持规模化任务的稳定运行层

User Pain Point： 真实业务往往需要并发执行成千上万条任务。但现有方案在安全隔离或启动速度上表现不佳。

• 安全性： 基于 MicroVM 的 veFaaS Sandbox 为每个任务提供独立沙盒，防止未知代码危害主机。说起来，
•  镜像预热 + 资源池化 + 高效调度。使万级并发下仍保持低延迟与高吞吐率。
•  支持 Code、Browser、Computer 等多种环境。 并允许自定义镜像，以匹配真实工具链。

实时仪表盘可视化监控每个 Agent 的状态、日志及进度，为运维团队提供清晰的数据视图。

Run 性能指标

• AWS 上单节点支持 ~10k 并发任务；CPU 占用率保持在 70% 以下；平均启动时间 ≤200ms.
• Sandbox 安全审计通过率 ≥99%.

三、Train：让 Agent 在真实环境中持续进化

User Pain Point： 传统 RL 框架往往只关注模拟环境。而忽略了真实交互带来的长尾样本差异，使得模型难以真正提高能力。老实说，

• .train: 自动将每次 rollout 与反馈接入 verl 强化学习引擎。实现在线更新与离线回放相结合。
• .async_rollout: 支持 fully async 与 partial rollout。有效利用长尾样本，提高训练效率数倍而保持结果一致性。
• PPO / DQN / Qwen 等算法均已集成，可根据业务需求快速切换。老实说，

Coding Agent 实验案例：

实验表明。在 Uni-Agent + verl 框架下Qwen3-Coder-30B 在 R2E-Gym 数据集上实现了显著奖励提高和验证集性能提高，并出现明显能力涌现。异步训练相比同步方案提高了约6×效率，同时保持稳定性.

Training Pipeline 主要步骤

1. Select & Preprocess 数据集 → Qwen 模型初始化.
2. Create 环境实例 → Tool & Env 注入. Rollout & Collect Feedback. Update Policy → Save Checkpoint. Evaluate on Validation Set → Log Metrics. Repeat until Convergence.

3. Deploy updated model back to Build Layer.
   我们已经证明。通过统一 Build‑Run‑Train 三层设计，可以解决开发者面对复杂业务时遇到的迭代停滞的问题。Uni-Agent 正在成为推动 Agent 真正落地的关键基石。如果你也想把自己的业务嵌入一个既安全又高效又易迭代的 Agent 框架。请访问我们的 GitHub 仓库并贡献代码，让社区一起共建更强大的通用智能程序。