成功軌跡
元環境での実行記録
計画・レビュー
公開課題 + 実行経験
再実行
対象環境・実際のツール応答
検証・漏洩検査
新しい軌跡を個別検査
学習サンプルを作成
非公開の指示を除去
学習サンプル
教師信号：生成行動
SFT → 新 Actor
手本の行動を学習
A · RSR：成功した実行から学習用の手本へ
合格
ツール応答は入力に残し、モデル生成位置を学習対象にする。