成功轨迹
源环境中的真实执行
整理并审查计划
公开任务 + 执行经验
重新执行
目标环境 · 真实工具返回
验收与泄漏检查
逐条检查新轨迹
整理训练样本
移除私有计划与审查对话
公开任务 + 交互
监督目标：生成动作
SFT → 新 Actor
提高示范动作概率
A · RSR：从一次成功执行，得到可学习的示范
通过
工具返回进入上下文；训练损失落在模型生成的位置。