字节 veRL 团队宣布开源了一个为通用 Agent 打造的统一训练框架 Uni-Agent，其核心目标是构建一个贯通构建、运行与训练完整流程的系统，旨在：

• 让开发者可以更轻松地构建自己的 Agent；
• 让系统可以稳定地支撑大规模任务运行；
• 让交互过程能够自然接入训练闭环，通过强化学习持续进化。

根据介绍，“Uni”包含两层含义：Unified：将构建（Build）、运行（Run）、训练（Train）融合在同一框架中，让推理与训练能够自然衔接；Universal：框架设计面向更通用、更复杂、更真实的应用场景。

Uni-Agent 将 Agent 的核心能力拆解为三个模块：

• model：负责推理与决策；
• tool：负责感知与行动；
• env：负责执行环境与状态承载。

在这套抽象下，Uni-Agent 在三层都保留了扩展能力：model 层既可以灵活对接外部 API 模型服务，也支持接入用户自部署的 vLLM、SGLang 等推理后端；tool 层作为承载特定任务能力的关键抽象，支持围绕不同任务自由扩展；env 层支持可扩展的执行环境接入。这样一来，用户可以围绕自己的任务去组合和扩展 Agent 能力，以更低成本完成新场景接入。 

在运行层，Uni-Agent 基于火山引擎 veFaaS Sandbox 提供了一套面向规模化的远程沙盒执行方案。同时，Uni-Agent 还提供了轻量级的实时仪表盘（Live Dashboard），支持对大规模任务进行实时监控，让每个 Agent 任务的运行状态、日志流和整体进展都清晰可见。

一些测试结果如下：