探索崩溃: 代理机制收敛到固定策略,失去了新行为的发现

问题

Agent Lightning 的训练循环 (RL、SFT、提示优化) 朝着奖励信号优化。这对于具有稳定奖励地形的任务来说效果很好，但引入了结构性风险：训练的代理丧失了发现不在奖励信号中表示的新行为的能力。