超越下一token预测：Atlassian工作台上工具使用Agent的RLVR概念验证

大语言模型的训练目标是预测下一token——而非在特定API内行动。在利基企业SaaS工作流中——成功意味着以正确的嵌套参数、按正确顺序命中正确端点——这种目标失配表现为静默失败：丢失必填字段、幻觉工具——或单次读取后提前停止。我们追问：直接在目标环境中应用可验证奖励强化学习（RLVR）能否弥合该差距。作为概念验证——我们构建五个模拟Jira REST v3与Confluence v2 API（达模式保真度）的合成环境套件；奖励完全从工具调用踪迹计算——环中无真实API、无学习裁判、无人工标注。以驱动GRPO训练的相同检查器对提示版Qwen3-1.7B与Qwen3.5-4B评分——我们发现：在四个奖励非退化的场景中——RL训练的策略将平均奖励从4B基线的0.35-0.92区间提升到0.95-1.00——单点最大增益在Confluence页面创建（0.35→1.00）。我们将其定位为面向利基企业API的结果优化小模型的初步步骤——并强调研讨会读者应权衡的两个局限：手工构造可验证奖励无法扩展到本文报告的少数端点之外；且五个场景之一（工单流转）具有提示版4B已能满分拿到头的饱和奖励形态。