已收录文章摘要，完整内容可前往原文阅读。
如何让交互式 Agent 能像人类一样学会“事后复盘”，更好地处理长程任务？如今，强化学习（RL）已经成为重要的后训练范式。然而，在长程 Agentic 学习中，基于结果的 RL 仍存在监督缺口：失败