已收录文章摘要，完整内容可前往原文阅读。
如果一个Agent用几十轮工具调用完成了一项任务，最后只得到一个0/1reward，这个reward应该怎样分配给前面的决策？这是长程AgenticRL中一个很核心、但也很容易被“最终成功率”掩盖的问题。