轨迹强化学习
经 AI Skill Hub 精选评估，轨迹强化学习 获评「强烈推荐」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.0 分，适合有一定技术背景的用户使用。
📚 深度解析
轨迹强化学习 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
轨迹强化学习 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
轨迹强化学习 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install trajectoryrl
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install trajectoryrl
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/trajectoryRL/trajectoryRL
cd trajectoryRL
pip install -e .
# 验证安装
python -c "import trajectoryrl; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
trajectoryrl --help
# 基本用法
trajectoryrl input_file -o output_file
# Python 代码中调用
import trajectoryrl
# 示例
result = trajectoryrl.process("input")
print(result)
# trajectoryrl 配置文件示例（config.yml） app: name: "trajectoryrl" debug: false log_level: "INFO" # 运行时指定配置文件 trajectoryrl --config config.yml # 或通过环境变量配置 export TRAJECTORYRL_API_KEY="your-key" export TRAJECTORYRL_OUTPUT_DIR="./output"
TrajectoryRL
Bittensor Subnet 11 — A reinforcement learning playground that continuously produces state-of-the-art skills for AI agents
Every platform shift creates a new software category. PCs gave us desktop apps. Smartphones gave us mobile apps. Agents are the next platform, and skills are the software that runs on them. The world needs far more skills than human developers can ship. Agents will write skills for other agents. TrajectoryRL is the RL playground where that happens.
The competition runs 24/7 on Bittensor. Miners compete every epoch to produce the best agent skills, validators evaluate them in real sandboxes with real protocols, and the winning skills surface automatically. Every season the bar rises. You don't bring us your prompt. Skills ship, you install them.
pip install trajrlOne install gives any agent (Claude Code, Cursor, Codex, OpenClaw, Hermes, Manus, …) access to every skill the subnet has shipped. Source, catalog, and docs: trajrl.
Overview
┌──────────────────────────────────────────────────────────────┐
│ TRAJECTORYRL SUBNET (SN11) │
│ │
│ MINERS VALIDATORS │
│ ┌───────────────┐ ┌───────────────────┐ │
│ │ Write SKILL.md│ on-chain │ Read commitments │ │
│ │ Upload pack │ commitment │ from chain │ │
│ │ to public URL │─────────────────> │ │ │
│ │ │ │ Fetch packs, │ │
│ └───────────────┘ │ verify hash │ │
│ │ │ │ │
│ │ │ Evaluate via │ │
│ │ │ trajrl-bench: │ │
│ │ │ run all scenarios │ │
│ │ │ (Hermes inside │ │
│ │ │ scenario image) │ │
│ │ └───────────────────┘ │
│ │ │ │
│ │ │ set_weights │
│ ▼ ▼ │
│ ┌──────────────────────────────────────────────────────┐ │
│ │ BITTENSOR BLOCKCHAIN │ │
│ │ Commitments, weights, TAO rewards │ │
│ └──────────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────────┘- No server required — Miners upload packs to any HTTP endpoint and commit on-chain. No GPU, no uptime needed.
- Quality-based competition — Validators run a fixed set of shell-verifier scenarios (Terminal-Bench-format). The agent runs inside each scenario's container with all its system + python deps available; a fresh verifier container scores the agent's output via
pytest. Quality is continuous (passed_tests / total_testsfrom the verifier'sctrf.json), final score is the equal-weighted sum across scenarios. Cost per scenario is reported as a separate axis. - Content-addressed — Packs identified by SHA256 hash, verified against on-chain commitment.
- Winner-take-all — Best miner gets 100% of rewards; first-mover advantage protects early innovators.
- Anti-copy — NCD similarity detection + first-mover threshold.
Build pack.json from your SKILL.md
trajectoryrl-miner build ./SKILL.md -o pack.json
Quick Start
2. Configure
cp .env.validator.example .env.validator
Upload to S3-compatible storage (configure S3_BUCKET, AWS_* in .env.miner)
trajectoryrl-miner upload pack.json
Edit .env.validator: set LLM_API_KEY=sk-... and LLM_MODEL=qwen/qwen3.5-35b-a3b
python scripts/eval_pack.py --skill-md path/to/SKILL.md
Edit: set WALLET_NAME, LLM_API_KEY, LLM_BASE_URL, LLM_MODEL (the model
高质量的开源AI工作流
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：轨迹强化学习 的核心功能完整，质量优秀。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | trajectoryRL |
| Topics | ai-agentsbittensordecentralized-aipolicy-optimization |
| GitHub | https://github.com/trajectoryRL/trajectoryRL |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-28 · 更新时间：2026-05-28 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。