Agentic RL 入门

按学习顺序整理：先建立 Agentic RL 的基础和代码直觉，再进入长程任务里的信用分配、模型架构、算法接口、skill-based 方法和多轮工具调用。

Agentic RL入门1：基础、代码 从 trajectory、environment、reward、policy update 到 Search-R1 等代码案例。 Agentic RL入门2：信用分配 解释长程多步任务中，如何把最终 outcome reward 分配到中间 decision steps。 Agentic RL入门3：transformer 架构 位置编码 / Attention 全家桶（MHA·MLA·DSA·NSA·SSM·MoBA）/ 归一化全家桶 / MoE / MTP / KV Cache。 Agentic RL入门4：Credit 错分与算法接口 从 credit 错分问题出发，梳理 Agentic RL 中的算法接口和关键方法。 Agentic RL入门5：Skill-based Agentic RL 从 Skill-RM、StraTA、Maestro、Evolving-RL 到 SDAR，梳理 skill-based Agentic RL 的主线方法。 Agentic RL入门6：多轮工具调用 围绕 τ-bench，串起 TARL、MT-GRPO、MUA-RL、CodeGym 和 Fission-GRPO 的多轮工具调用 RL 方法。 如何在 5 万张国产芯片训练出 1.6T 万亿参数模型？ 国产万亿参数模型系统工程拆解，含小红书长图切片。 GLM-5.2 长程任务的 RL 怎么做？ 拆解 CompactionRL 与 SAO：长轨迹压缩、跨段信用分配和 single-rollout 异步训练。