像许多人同时打游戏、再把录像交给教练复盘：人一多，慢的未必是打或学，而是录像怎么存、怎么搬、何时整理。分布式强化学习（RL）也有这个问题。Actor负责尝试并采集经验，Learner用经验更新模型；夹在中间的经验缓冲区，本来只是临时仓库，规模扩大后却要承担传输、抽样和批处理。论文测得，在RLlib中，这条“经验路径”占DQN单轮时间的50.2%，在PPO中占26.2%。
Conduit的关键做法，是把仓库升级成独立的Experience Data Plane（经验数据平面，即专门搬运和调度训练数据的基础设施）。框架仍决定哪些经验该存、该用；Conduit则决定数据放在CPU还是GPU、分布在哪些节点，以及何时搬运和整理。它会同时考虑内存容量与连接带宽，并在不破坏训练规则时，把数据处理与采集或模型更新重叠起来。
作者将其接入RLlib，未改动原有执行逻辑；据论文报告，Conduit最多降低97%的显性经验路径延迟、38%的端到端单轮延迟，并扩展到1,024块GPU且保持收敛。更值得注意的不是又做了一个更快的缓冲区，而是把长期藏在训练框架里的数据运输，变成可单独优化的系统层。