已收录文章摘要，完整内容可前往原文阅读。
如果把AgenticRL当成“带奖励信号的多轮SFT”，大概率会在三个地方翻车。SFT时代三个默认成立的假设，在AgenticRL里全部失效——而每一次失效，恰好对应一次Infra复杂度的跃迁