Agent 后训练 Agent 后训练五步:SFT 教它抄,RL 才教它从错误里爬 五步里信号越来越稀:一个 token 一个值 → 一个答案一个分 → 一整段 rollout 一个结果。稀到什么程度该上环境,这份课程给了判据。