通过轨迹自重写、策略递归优化及分层奖励，将局部任务进展转化为完整解决方案。
推荐理由：核心不是让智能体反思一次，而是反复重写已验证轨迹并继承批评器；配套跨轮次优势估计与分层奖励，直指长程终端任务中反馈稀疏和半途而废问题。
阅读原文