【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout

[【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout](#【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout)
- [0x00 概要](#0x00 概要)
- [0x01 Rollout基础](#0x01 Rollout基础)
  - [1.1 概念](#1.1 概念)
    - [1.1.1 标准 RL](#1.1.1 标准 RL)
    - [1.1.2 LLM RL](#1.1.2 LLM RL)
    - [1.1.3 GPRO](#1.1.3 GPRO)
    - [1.1.4 OpenClaw-RL](#1.1.4 OpenClaw-RL)
  - [1.2 RL2 对比](#1.2 RL2 对比)
- [0x02 OpenClaw-RL Rollout基础](#0x02 OpenClaw-RL Rollout基础)
  - [2.1 硬件架构](#2.1 硬件架构)
  - [2.2 总体模块交互架构图](#2.2 总体模块交互架构图)
  - [2.3 Slime 的 RolloutFunction 封装](#2.3 Slime 的 RolloutFunction 封装)
  - [2.4 被动Rollout](#2.4 被动Rollout)
  - [2.5 小结](#2.5 小结)
- [0x03 OpenClaw-RL Rollout 实现](#0x03 OpenClaw-RL Rollout 实现)
  - [3.1 Rollout 完整流程](#3.1 Rollout 完整流程)
  - [3.2 Session 生命周期](#3.2 Session 生命周期)
    - [3.2.1 示例](#3.2.1 示例)
    - [3.2.2 单个 Turn 的完整处理流程](#3.2.2 单个 Turn 的完整处理流程)
    - [3.2.3 多个 Turn 的机制](#3.2.3 多个 Turn 的机制)
  - [3.3 At-Least-One Guarantee](#3.3 At-Least-One Guarantee)
    - [3.3.1 问题情景](#3.3.1 问题情景)
    - [3.3.2 逻辑分析](#3.3.2 逻辑分析)
    - [3.3.3 直观类比](#3.3.3 直观类比)
    - [3.3.4 设计要点](#3.3.4 设计要点)
      - 为什么score=0用loss_mask=0而不是advantage=0？
      - [为什么 Binary RL 需要 at-least-one](#为什么 Binary RL 需要 at-least-one)
      - [为什么 OPD/Combine 不需要](#为什么 OPD/Combine 不需要)
- [0x04 AsyncRolloutWorker](#0x04 AsyncRolloutWorker)
  - [4.1 功能](#4.1 功能)
  - [4.2 示例图](#4.2 示例图)
  - [4.3 三个核心职责](#4.3 三个核心职责)
    - [4.3.1 线程隔离：让FastAPI跑在独立asyncio事件循环里](#4.3.1 线程隔离：让FastAPI跑在独立asyncio事件循环里)
    - [4.3.2 开关控制：submission_enabled事件同步](#4.3.2 开关控制：submission_enabled事件同步)
    - [4.3.3 数据渡口：output_queue跨线程传递样本](#4.3.3 数据渡口：output_queue跨线程传递样本)
  - [4.4 与 OpenClawAPIServer 的协作机制](#4.4 与 OpenClawAPIServer 的协作机制)
    - [4.4.1 交互架构模式 -- 生产者-消费者模式](#4.4.1 交互架构模式 -- 生产者-消费者模式)
    - [4.4.2 层次化控制结构](#4.4.2 层次化控制结构)
    - [4.4.3 具体交互机制](#4.4.3 具体交互机制)
    - [4.4.4 两者配合的工作流程](#4.4.4 两者配合的工作流程)
- [0xFF 参考](#0xFF 参考)

0x00 概要

本系列的目的是：借着对 OpenClaw-RL 源码的学习，来梳理强化学习的一些相关概念和思想。所以，会有一些基础知识、扩展和发散，OpenClaw-RL 只是一个切入点。而且，因为整篇系列是一个整体，所以有些概念的解读/学习会在不同的文章中出现，还请大家谅解。

OpenClaw-RL 是一个用于在线强化学习(Online RL)的框架，专门针对智能体工具使用场景。它通过从环境反馈中提取过程奖励信号来训练语言模型，支持三种主要模式：

openclaw-rl：基于二元奖励的强化学习(Binary RL / GRPO)
openclaw-opd：基于后见之明提示的在线策略蒸馏(On-Policy Distillation, OPD)
openclaw-combine：联合方法，在同一 PPO 更新中同时利用 RL reward 和 OPD teacher signal

可以把 RL 训练管道划分为如下5 个阶段(会有重叠，依据不同系统而不同)，本篇介绍Rollout。

python 复制代码

Stage 1          Stage 2           Stage 3           Stage 4           Stage 5
─────────        ─────────         ─────────         ─────────         ─────────
Prompt           Rollout           Reward            Advantage         Gradient
Selection        Generation        Scoring           Computation       Update

"问什么"         "怎么答"            "打几分"           "好了多少"         "往哪走"

0x01 Rollout基础

Rollout = 用策略在环境中执行并产生轨迹 τ = (s₀, a₀, r₀, ..., sₜ, aₜ, rₜ)。

1.1 概念

在 RL 框架中，"rollout" 这个词同时指代:

含义 1: 过程 (动词)："doing a rollout" = 用策略在环境中生成一条轨迹的过程
含义 2: 结果 (名词)："the rollout" = 生成出来的那条轨迹数据，包含: tokens, log_probs, reward, loss_mask 等。

在Slime代码中，generate_rollout_openclaw()函数名用的是含义 1(执行rollout过程)，返回的 RolloutFnTrainOutput(samples=...)是含义2(rollout的结果数据)。

1.1.1 标准 RL

Rollout = 在环境中执行策略，产生一条完整的交互轨迹(trajectory)。

形式化：

python 复制代码

给定策略 π 和环境 E
一次 rollout 产生一条轨迹 τ:  τ = (s₀, a₀, r₀, s₁, a₁, r₁, ..., sₜ, aₜ, rₜ)

其中：
s₀ ~ ρ₀          (初始状态，从 prompt 分布采样)
aₜ ~ π(・|sₜ)      (策略生成 action)
sₜ₊₁ ~ P (・|sₜ,aₜ) (环境转移)
rₜ = R (sₜ, aₜ)    (环境给出奖励)

1.1.2 LLM RL

在 LLM RL 中，Rollout = 给定一个 prompt, 模型生成一个完整 response + 记录 log-probs + 打分。当然，也有人这么归纳：一次 rollout = 给定一个 prompt, 模型生成一个完整 response

复制代码

s₀ = prompt (初始状态)
a₀, a₁, ..., aₜ = response 的每个 token (一系列 action)
r = 对整个 response 的打分 (terminal reward)
轨迹 τ = (prompt, token₁, token₂, ..., tokenₜ, reward)

注意: LLM 的 rollout 通常是 single-step episode (一轮就结束), 不像游戏有多步交互。

1.1.3 GPRO

一个 GRPO rollout batch:

采样 B 个 prompt
每个 prompt 生成 N 个 response
总共 B × N 条轨迹

每条轨迹包含:

prompt (input)
response tokens (actions)
log π_old (a_t | s_t) (旧策略的 log-probs, 用于后续 PPO ratio 计算)
reward (打分)

1.1.4 OpenClaw-RL

OpenClaw 的 "rollout"的特点：

不主动生成
等用户对话 → 从 queue 收集
凑够 rollout_batch_size 个样本 = 一次 "rollout"

每条轨迹包括：

prompt = 用户消息 (s₀)
response = 模型回复 (a₀...aₜ)
rollout_log_probs = SGLang 生成时记录的 log π_old (用于 PPO ratio)
reward = PRM 评分
(OPD) teacher_log_probs = teacher 的 log-probs

主动和被动的对比如下。

python 复制代码

			标准 RL Rollout:
────────────────────────────────────────────────
dataset = load ("math_data.jsonl")
for prompt in dataset.sample (batch_size):      ← 主动选题
	responses = model.generate (prompt, n=4)    ← 主动生成 N 个
	for resp in responses:
		score = reward_model (resp)
		submit (prompt, resp, score)
		
        	OpenClaw Rollout:
────────────────────────────────────────────────
@openclaw_rollout.py
def generate_rollout_openclaw (...):
	worker.resume_submission ()               ← 打开阀门
	while len (data) < rollout_batch_size: 
		data += queue.get()                   ← 等！等用户发消息
		await asyncio.sleep(0.05)             ← 继续等...
	worker.pause_submission ()                ← 关阀门
	return data	
    # 数据从哪来？从 API Server 的请求处理流程来
    # rollout 函数本身不生成任何数据！

具体可以参见下表

	标准	OpenClaw
谁控制prompt?	训练系统	用户
谁控制N?	训练系统（n=4~16）	用户（永远n=1）
数据到达时间	确定的（GPU生成速度）	不确定的（等用户）
--disable-rollout-global-dataset	不需要	必须（没有dataset）

1.2 RL2 对比

我们用 RL2 这个框架来做对比，看看它是怎么做rollout的。

RL2 的本质架构为：在同一组 GPU 上交替做推理和训练。或者说，RL2 = 一个on-policy RL循环，把LLM当policy network，把推理服务器当采样器。

展开核心数据流如下：

三个核心子系统及其职责：

Rollout = SGLang推理 + 环境交互 → 产出(token序列，reward)
Actor/Critic = FSDP分布式模型 → 计算logps/values → 反向传播
Environment = env_step(action)→ reward(规则/外部API/LLM judge)

注意：

Reward 不是独立模块---它集成在 env_step 内，实现方式完全灵活(规则/外部服务/LLM judge)
PRM 可通过多轮环境实现---每个 step 返回中间 reward，累加到轨迹中
整个 Rollout 是异步的---SampleGroup 并发、env_step 可调外部网络、SGLang 请求并发
所有组件共享同一组 GPU---通过 offload + memory occupation 管理实现时分复用

0x02 OpenClaw-RL Rollout基础

在 OpenClaw-RL 中，Rollout 是Policy Serving + Environment 的交叉。

Rollout = 在环境中执行策略，生成完整轨迹的过程 = Policy的推理输出 × Environment的状态转移

Rollout的完整循环如下：

python 复制代码

Environment 提供 State(t)(用户消息)
	↓
Policy Serving 执行推理 → Action(t)(模型回复)
	↓
Environment 接收 Action(t) → Environment 提供 State(t+1)(用户下一条消息)
	↓
重复，直到 session 结束

2.1 硬件架构

在 OpenClaw-RL 的硬件架构中，GPU 4-5 的名称是 "SGLang Rollout Engine"。但它实际负责的是 rollout 的 Policy Serving 侧：

→ 接收 HTTP 请求(用户消息)
→ 运行 LLM 推理，生成 token
→ 返回模型回复

rollout 的 Environment 侧(用户行为)在 GPU 之外：

→ 用户什么时候发消息？ → 外部世界决定
→ 用户发什么内容？ → 外部世界决定
→ 用户是否继续对话？ → 外部世界决定

python 复制代码

┌──────────────────────────────────────────────────────────────┐
│  Rollout(概念上)                                              │
│                                                              │
│  ┌─────────────────┐     ┌───────────────────────┐           │
│  │ Policy Serving  │     │ Environment           │           │
│  │ GPU 4-5         │  +  │ 真实用户(外部)          │           │
│  │ LLM 推理生成回复  │     │ 提供 state、接收 action │           │
│  └─────────────────┘     └───────────────────────┘           │
│                                                              │
└──────────────────────────────────────────────────────────────┘

2.2 总体模块交互架构图

OpenClaw-RL 总体模块交互架构图 (Combine 方法) 如下，可以从中找到Rollout相关内容。

2.3 Slime 的 RolloutFunction 封装

在代码层面，Slime用一个函数封装了rollout的全部逻辑：

python 复制代码

# openclaw-rl/openclaw_rollout.py
def generate_rollout_openclaw(args, rollout_id, data_buffer, evaluation=False):
    """
    Slime 的 rollout function: 
    
    标准rollout(主动生成)：
        rollout_engine.generate(prompts) → 直接调LLM生成轨迹 
        = Policy Serving(GPU4-5)自己完成整个rollout
        Environment是静态的(题目数据集) 

    OpenClaw的被动rollout：
        等待_sample_queue.get()→ 从真实用户对话中取已完成的轨迹 
        = PolicyServing已经完成了(对话已结束)
        = Environment已经交互过了(用户消息已收到)
        这里只是"收集"已经发生的rollout
    """
	while len(samples) < batch_size:
		sample=_sample_queue.get(block=True)#被动等待 
	return samples

-disable-rollout-global-dataset的含义就是：

告诉Slime："不需要你主动用LLM生成rollout"
"我的rollout由真实用户+Policy Serving联合产生，你只管拿已完成的样本"

具体如下图。

python 复制代码

Slime 训练框架调用:  generate_rollout_openclaw(args, rollout_id, data_buffer)
              |
              | passive rollout:
              | 不主动生成, 等待真实对话产生数据
              ▼
  +---------------------------------------+
  | worker.resume_submission()            |  <- 开启 submission_enabled Event
  | _drain_output_queue()                 |  <- 等待 rollout_batch_size=16 组
  +---------------------------------------+
              |    
              |
              ▼
      (数据由异步 FastAPI handler 填入)

2.4 被动Rollout

OpenClaw-RL的rollout是被动rollout。generate_rollout_openclaw()等待真实用户发消息，而非主动从prompt池中选择问题生成回答。这意味着系统对rollout allocation(选什么问题训练)几乎没有控制权，由用户决定。

优势：

训练数据 = 真实用户对话，天然分布对齐，无train-deploy distribution gap
用户多样性天然提供entropy保障和batch内reward方差
无需维护prompt数据集

劣势：

无法做curriculum learning(由简到难)
无法增大group size G(每turn只有一条用户消息)
无法做dynamic sampling(不能要求用户"换个问题再问")
Rollout allocation 几乎完全失控

2.5 小结

概念上：Rollout = PolicyServing + Environment 两者的交互过程，不专属任何一方
架构上：GPU 4-5标记为"Rollout Engine"，但只承担了Policy Serving(推理)侧的工作
代码上：generate_rollout_openclaw是被动收集器，真正的rollout在FastAPI服务器处理用户请求时已经完成

0x03 OpenClaw-RL Rollout 实现

3.1 Rollout 完整流程

关键设计要点

机制	实现方式
next_state 滞后	turn N 的 next_state = turn N+1 请求里 messages 的最后一条
PRM 异步	asyncio.create_task + done_callback 触发提交
at-least-one	session 全为 score=0 时，首个 turn 强制 loss_mask=1
权重同步暂停	submission_enabled Event 控制，同步中返回 503

3.2 Session 生命周期

假设我们session含有三轮。

python 复制代码

  turn 1 → [buffered, waiting next_state]
  turn 2 → flush turn1(next_state=turn2.messages[-1]) → PRM(turn1) fire
  turn 3 → flush turn2(next_state=turn3.messages[-1]) → PRM(turn2) fire
  session_done=True → flush last_turn(next_state=None) → force_no_prm

3.2.1 示例

下图展示了 rollout 的 3-turn 示例。

3.2.2 单个 Turn 的完整处理流程

3.2.3 多个 Turn 的机制

关键时序：next_state的"延迟到达"机制

Turn 1发生时：

用户发消息M1→SGLang生成R1→返回给用户
此时：R1的next_state还没有(用户还没回复)
→_pending_records $session_id$ ={response_text: R1} ，等待Turn 2

Turn 2发生时(用户发M2=Turn1的next_state)：

用户发消息M2 → _handle_request()被调用
→ messages $-1$ =M2=Turn 1的 next_state ← 此刻才可用！
→ _flush_pending_record(session_id，M2)被调用
→ _fire_prm_scoring(R1，next_state=M2)被触发(异步)
→ 同时SGLang生成R2→返回给用户
→ _pending_records $session_id$ ={response_text:R2}，等待 Turn 3

PRM评估R1的结果异步返回：

→ _submit_turn_sample(turn_data_1,prm_result_1)
→ output_queue.put(Sample(loss_mask=..., reward=score_1))

这个设计导致：每个 turn的 reward来自下一个HTTP请求到达的时刻，而非当前请求结束的时刻。这是OpenClaw Rollout 中最独特的工程设计。

3.3 At-Least-One Guarantee

At-Least-One Guarantee 的作用是：防止整个session贡献零梯度，确保即使最"平庸"的session也有一个turn进入训练，=Reinforce-Ada"强制至少一个梯度"的session级版本。

At-Least-One Guarantee 是最直接的零梯度修复。

具体如下：第一个被 PRM 评过(has_next_state=True)但 score=0 的 turn → 强制 loss_mask= $1$ ，参与训练 → 至少每个 session 贡献一个样本。

python 复制代码

# _submit_turn_sample() 中的核心逻辑:
exclude = not has_next_state or score == 0.0
# 正常情况：score = 0 → exclude=True → loss_mask=[0,0,...,0]

# 但是！特殊保障：
if exclude and has_next_state and self._session_effective.get(session_id, 0) == 0:
    exclude = False  # ← 强制参与训练！
    # "at-least-one guarantee"
    
# openclaw_api_server.py:615-622
# 使用 _session_effective 计数器追踪每个 session 的有效样本数
# 首个 has_next_state 但 score=0 的 turn → 强制 exclude=False
if exclude and has_next_state and self._session_effective.get(session_id, 0) == 0:
    exclude = False  # ← 强制参与训练！
    # "at-least-one guarantee"
# 之后 self._session_effective[session_id] += 1

3.3.1 问题情景

情景：整个 session 的所有 turn 都 score=0

详述：用户发了 5 条消息，但每次都是中性反馈(score=0) → 所有 turn loss_mask= $0$ → 这个 session 对训练没有任何贡献 → 分母增大但分子不变 → rollout_batch_size 难以填满 → 训练停滞

3.3.2 逻辑分析

问题逻辑：all loss_mask= $0$ → 整个session 贡献零梯度
At-Least-One 触发：
- records[0]["loss_mask"]=[1]强制打开第一个turn 的门
- reward不变=0.0
此时的梯度情况：
- loss_mask=[1](门打开了)
- reward=0.0 → advantage由GRPO的批内归一化决定
- → 在训练 batch 中，与来自其他 session的+1/-1样本一起归一化
- → 这个0.0 reward的样本advantage ≈ 0(在均值附近)
- → 贡献的梯度接近但不等于零
at-least-one的真正价值：
- 确保Policy不会在这类对话上"完全不见光"
- 即使效果微弱，也让这种回复参与了分布的锚定
- → 防止Policy在这类对话上悄悄退化

3.3.3 直观类比

loss_mask=考试是否交卷
- 0=这次不参加考试(完全不影响成绩)
- 1=参加考试(成绩会影响最终评价)
advantage=这次考试得了几分(正分/负分)
- 正值=这次考得好，鼓励这种答题方式
- 负值=这次考得差，惩罚这种答题方式
- ~0=这次成绩平平，基本没有反馈
at-least-one="就算这次内容不好，也必须交卷"
- 强制loss_mask=1，哪怕advantage=0
- 至少这次答题留下了记录，不会被系统彻底忽视

3.3.4 设计要点

为什么score=0用loss_mask=0而不是advantage=0？

两种方式理论上都产生零梯度(在kl-coef=0时)

实践中loss_mask=0更优：

效率：直接跳过这些token的梯度计算(节省计算)
语义清晰：明确表达"这个turn没有学习价值，不参与训练"
与--kl-coef=0.0一致：如果有KL惩罚，advantage=0的token仍会通过KL term产生梯度，loss_mask=0彻底排除，避免这种副作用

为什么 Binary RL 需要 at-least-one

Binary RL的具体问题：训练饥饿(training starvation)

设想一个极端场景：

python 复制代码

Session A: turn 1→ score=0,turn 2→ score=0,turn 3→ score=0
Session B: turn 1→ score=0,turn 2→ score=0
    - → output_queue中全是loss_mask=[0]*T 的样本
    - → Slime收到rollout_batch_size个样本
    - → 前向传播正常，但 ∂L/∂θ ≈ 0(所有token都被mask掉)
    - → 实际上没有任何参数更新
    - → 占用了一次完整的 rollout+forward pass+backward pass，什么也没学

at-least-one 的修复：

python 复制代码

# openclaw_api_server.py 
if exclude and has_next_state and self._session_effective.get(session_id, 0) == 0:
	exclude=False #强制 loss_mask=[1]
    # 但reward保持0.0！

注意：被promote的样本reward仍是0.0，所以advantage ≈ 0，梯度实际上接近 0。它解决的不是"学到有用信号"，而是确保：

output_queue 里每个 session 至少有一个非ABORTED 样本(Slime 的sample状态机要求)
防止Slime内部因为全 mask=0 的batch触发边界异常

为什么 OPD/Combine 不需要

根本原因：两种"零贡献"的本质不同。关键区别：Binary RL的零贡献样本会"占据"批次槽位但静默无效；OPD/Combine则完全不产生样本。

Binary RL的零贡献路径：

python 复制代码

score=0 → exclude=True → loss_mask=[0]*T → 样本进入output_queue，但不产生梯度
                             ↑
                           样本在批次中"占位"，Slime看得到，但无梯度流动

OPD/Combine的零贡献路径：

python 复制代码

hint被拒绝 & eval=0 → 样本根本不进入output_queue(直接丢弃)
                             ↑
                        样本对Slime来说不存在

OPD 的信号结构：

情形	是否进入队列	advantage
hint 接受	√	teacher_lp - rollout_lp ≠ 0（几乎必然）
hint 拒绝	×（丢弃）	N/A

OPD 样本要么有真实的 per-token 教师信号(即使 reward=0， advantage 也非零)，要么根本不进队列。没有"占位但无梯度"的中间状态。

Combine 的信号结构：

情形	进队列？	OPD 项	RL 项
OPD+RL	√	≠ 0	≠ 0
OPD-only	√	≠ 0	= 0
RL-only	√	= 0（数值对消）	≠ 0
丢弃	×	N/A	N/A

进入队列的样本，至少一个信号项非零(这是 dispatch 逻辑保证的)。

设计选择的对称性

Binary RL的"批次污染"问题：存在 → at-least-one作为"最低保证"
OPD/Combine的等价保证：dispatch逻辑本身就确保"进队列=有信号" → 问题从根源上消除，无需at-least-one

Binary RL的 at-least-one是在loss_mask二元门控机制下的补丁，而OPD/Combine 绕开了这个机制(始终 loss_mask= $1$ ，通过 advantage 对消来"关掉"不需要的信号)，所以补丁也就不再需要。

0x04 AsyncRolloutWorker

AsyncRolloutWorker = 线程边界 + 开关 + 数据渡口

4.1 功能

AsyncRolloutWorker 是Slime(Policy Training)与 FastAPI Server(Policy Serving)之间的线程边界管理器，它不做推理、不做打分，但控制着Policy Serving的"营业时间"，控制着两侧的生命周期和数据流转，并通过output_queue把FastAPI 异步世界里生产的样本，安全地传递给Slime同步训练世界。

具体功能如下：

启动和管理
API服务器管理
- 启动控制：负责启动和管理 OpenClawAPIServer 实例
- 生命周期管理：控制 API服务器的运行状态和资源分配
- 配置传递：向API服务器传递必要的运行时参数
样本队列管理
- 输出队列创建：创建queue.Queue()作为样本传输通道
  
  队列监控：监控队列大小和样本积压情况
  
  超时检测：实现30秒无进展警告机制
训练批次收集/协调
- 批次收集：等待足够数量的样本后触发训练
  
  提交控制：管理样本提交的暂停/恢复机制
  
  进度跟踪：显示收集的样本数量和耗时统计
提交控制(暂停/恢复)

4.2 示例图

4.3 三个核心职责

4.3.1 线程隔离：让FastAPI跑在独立asyncio事件循环里

Slime的主循环(训练)是同步代码
FastAPI需要异步事件循环
AsyncRolloutWorker 把FastAPI server 启动在独立线程中，两侧互不阻塞

python 复制代码

#worker_thread_func跑在独立线程 
def worker_thread_func(self):
    asyncio.run(self.continuous_worker_loop())
    # asyncio.run()创建独立事件循环
    # FastAPI/httpx异步请求全在这个线程里

continuous_worker_loop()本身只是一个 sleep(1.0)的keepalive 循环---真正的数据生产在 FastAPI的 requesthandler 里，不是在这个loop里。

4.3.2 开关控制：submission_enabled事件同步

python 复制代码

def pause_submission(self):
	self._submission_enabled.clear()#关闸 →FastAPI 返回 503 	
    self._server.purge_record_files() #清理临时记录
    
def resume_submission(self):
	self._submission_enabled.set() #开闸→FastAPI正常接受请求

threading.Event 是跨线程安全的信号量
Slime 主线程通过这个事件控制FastAPI线程的"营业状态"
weight sync 期间=paused=503；rollout 收集期间 =resumed=正常

4.3.3 数据渡口：output_queue跨线程传递样本

queue.Queue是Python标准库中线程安全的FIFO，是FastAPI线程和 Slime 主线程之间唯一的共享数据结构。

python 复制代码

#FastAPI 线程写入(async)
await asyncio.to_thread(self.output_queue.put,(sample.group_index,[sample]))
#Slime主线程读取(同步)
def get_completed_groups(self)-> list[tuple]:
	while True:
		completed.append(self.output_queue.get_nowait())

4.4 与 OpenClawAPIServer 的协作机制

AsyncRolloutWorker 是OpenClaw-RL框架中的异步轨迹收集工作者，负责管理整个 rollout数据收集流程的生命

4.4.1 交互架构模式 -- 生产者-消费者模式

OpenClawAPIServer：作为生产者，生成训练样本并放入队列
AsyncRolloutWorker：作为消费者管理者，提供队列并协调消费过程
Slime训练器：作为最终消费者，从队列中获取样本进行训练

4.4.2 层次化控制结构

python 复制代码

AsyncRolloutWorker (顶层控制)
	↓ 创建并管理
OpenClawAPIServer(数据生产)
	↓ 提交到
SampleQueue(数据传输)
	↓ 消费于
SlimeTrainer(模型训练)

4.4.3 具体交互机制

队列传递机制

队列创建：AsyncRolloutWorker 在初始化时创建self.output_queue =queue.Queue()
队列共享：将output_queue作为参数传递给OpenClawAPIServer
样本提交：OpenClawAPIServer 调用 self.output_queue.put((group_index， $sample$ ))
队列消费：Slime训练器通过rollout_worker.get_output_queue()获取队列并消费

状态同步机制

提交开关：AsyncRolloutWorker 维护_submission_enabled 状态_
暂停信号：训练开始前调用pause_submission()禁用提交
恢复信号：权重更新后调用resume_submission()启用提交
API服务器响应：OpenClawAPIServer在提交前检查提交状态

权重更新协调

记录清理：AsyncRolloutWorker 调用purge_record_files()清空记录文件
状态重置：确保新策略开始时的数据一致性
API服务器配合：OpenClawAPIServer响应清理请求并重置内部状态

4.4.4 两者配合的工作流程

初始化阶段

AsyncRolloutWorker 初始化

创建输出队列：self.output_queue=queue.Queue()
设置提交状态：self.submit_enabled=True
初始化统计变量：样本计数、时间戳等

OpenClawAPIServer初始化

接收队列引l用：从AsyncRolloutWorker获取output_queue
初始化内部状态：_turn_counts，_pending_records 等字典
启动FaStAPI服务：准备接收用户请求

运行阶段

数据生产流程

用户请求到达：OpenClawAPIServer处理请求并生成样本
样本构建完成：调用_submit_turn_sample()创建Sample对象
队列提交：执行 self.output_queue.put((group_index， $sample$ ))
队列监控：AsyncRolloutWorker检测队列大小变化

批次收集流程

队列检查：AsyncRolloutWorker 定期检查output_queue.qsize()
批次判断：当队列大小达到值时准备训练批次
提交暂停：调用pause_submission()防止新样本干扰当前批次
批次提取：训练器从队列中提取完整批次

训练阶段

权重更新协调

训练开始：AsyncRolloutWorker暂停样本提交
记录清理：调用 OpenClawAPIServer 的 purge_record_files()
状态重置：清空所有待处理的回合记录和状态权重加载：新策略模型加载到 SGLang服务

恢复运行

提交恢复：AsyncRolloutWorker 调用resume_submission()
新会话开始：OpenClawAPIServer使用新策略处理后续请求
数据一致性：确保新旧策略数据不混合

实际应用场景示例

正常对话流程

python 复制代码

用户请求 → OpenClawAPIServer(生产样本) → output_queue → AsyncRolloutWorker (监控队列) → SlimeTrainer (消费训练)

权重更新流程

python 复制代码

训练批次完成 → AsyncRolloutWorker.pause_submission() → purge_record_files() → 权重更新 → 
AsyncRolloutWorker.resume_submission() → 新策略生效

异常处理流程

python 复制代码

队列积压警告 → AsyncRolloutWorker发出30秒超时警告 → 管理员介入或自动扩容 → 恢复正常处理

这种设计确保了OpenClaw-RL能够在保证用户体验的同时，高效地收集和处理强化学习训练数据，体现了解耦设计和异步处理的现代系统架构思想。

【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout

【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (6)--- Rollout

0x00 概要

0x01 Rollout基础

1.1 概念

1.1.1 标准 RL

1.1.2 LLM RL

1.1.3 GPRO

1.1.4 OpenClaw-RL

1.2 RL2 对比

0x02 OpenClaw-RL Rollout基础

2.1 硬件架构

2.2 总体模块交互架构图

2.3 Slime 的 RolloutFunction 封装

2.4 被动Rollout

2.5 小结

0x03 OpenClaw-RL Rollout 实现

3.1 Rollout 完整流程

3.2 Session 生命周期

3.2.1 示例

3.2.2 单个 Turn 的完整处理流程

3.2.3 多个 Turn 的机制

3.3 At-Least-One Guarantee

3.3.1 问题情景

3.3.2 逻辑分析

3.3.3 直观类比

3.3.4 设计要点

为什么score=0用loss_mask=0而不是advantage=0？

为什么 Binary RL 需要 at-least-one

为什么 OPD/Combine 不需要

0x04 AsyncRolloutWorker

4.1 功能

4.2 示例图

4.3 三个核心职责

4.3.1 线程隔离：让FastAPI跑在独立asyncio事件循环里

4.3.2 开关控制：submission_enabled事件同步

4.3.3 数据渡口：output_queue跨线程传递样本

4.4 与 OpenClawAPIServer 的协作机制

4.4.1 交互架构模式 -- 生产者-消费者模式

4.4.2 层次化控制结构

4.4.3 具体交互机制

队列传递机制

状态同步机制

权重更新协调

4.4.4 两者配合的工作流程

初始化阶段

运行阶段

训练阶段

实际应用场景示例

0xFF 参考