论文
超越静态评估：为可扩展智能体强化学习构建仿真环境
Beyond Static Evaluation: Building Simulation Environments for Scalable Agentic Reinforcement Learning
摘要
随着大语言模型（LLM）演化为自主智能体，传统静态评估无法捕捉多步决策。我们介绍AgenticAI-Supervisor：一个API与UI驱动的RL Gym环境——把环境创建与可扩展执行解耦。通过转向可验证的执行结果，平台生成高保真轨迹并施加多维奖励塑形。关键是，框架经严格的内部状态验证与测试缓解奖励作弊。我们经客服智能体案例研究展示平台核心能力的初步面貌——展示一致的闭环反馈用于模型优化。后续工作将聚焦高级特性，如计算机使用、工具使用、自动“stumping”与边缘案例生成。
