Agent 后训练困境：首步锁定策略，缺乏中途反思机制

omarsar0 · x · 2026-08-20

一篇新论文研究了 Agent 是否能真正通过后训练提升其他 Agent。分析发现，Agent 往往在第一步就锁定训练策略，剩余预算仅用于局部调整。尝试的三种修复方法中，基于经验的支架（scaffold）显著提升了执行效果（GSM8K +12.6，HumanEval +40.8），但策略依然僵化；人类引导虽能改变初始选择，但随后会滑回局部循环；增加推理算力仅对简单任务有效。核心痛点是 Agent 缺乏在执行中重新思考策略的能力。