先找到 agent 的能力边界，再教它跨过去

带一个多轮 agent，最让人头疼的不是它完全不会，是不知道它哪一步会崩。教师全程盯着，成本高；教师全程放手，学生崩了都不知道崩在哪。10 月 23 日 arXiv 的一篇论文给了一个折中方案：先精确找出 agent 的能力边界，只在边界上让教师搭一把手。

一、发生了什么

论文方法的核心概念是「学习边界」：那些对学生来说仍然有挑战、但教师在场短暂引导后、学生就能自己把交互继续下去的决策场景。太简单的场景不值得教，完全教不动的场景教了也白教，边界上的场景才是收益最高的。

为了定位边界，方法把学生的在线经验组织成一张共享状态的轨迹图，用师生分歧的轨迹平衡聚合找出值得干预的候选点。教师的引导很短，评估方式是把「引导段加学生续跑段」的表现，与原轨迹上等长片段做对比，够好才收进蒸馏数据。策略更新后，边界估计也跟着用新轨迹刷新。

摘要在三个经典 agent 环境上报告了结果，覆盖不同学生规模和教师配置，平均自主性能高于对比的蒸馏基线。消融实验显示候选选择和引导过滤两个模块互补。还有一个时间维度的观察：在其中一个环境的一种计时设置下，额外收集数据的成本，被更快到达目标成功率抵消了。

需要说明边界：三个环境都是学术界常用的模拟任务世界，任务结构清晰、状态可枚举，和真实业务里开放、脏乱的状态空间不是一个量级的难度。方法的框架可以借鉴，数字不能照搬。这是背景，不是论文结论。

训练 agent 的人：蒸馏数据不必全量收集。把教师预算集中花在边界场景上，同样的教师成本换来的有效样本更多。

做 agent 产品的人：产品的失败模式往往集中在少数几类决策点。先画出自己的边界图，比盲目堆数据更能定位改进方向。

管算力预算的人：论文提到的成本抵消点值得注意，方法不是无条件更省，是在达到目标成功率的时间上占优。

教师介入越少越先进。 关键不是介入多少，是介入的位置和时机。全无介入和全程托管都比不上精准的短引导。

换了方法 agent 就全面变强。 论文报告的是三个环境上的平均表现，环境外泛化没有数据支撑，别外推。

这套直接可用于真实业务。 实验都在模拟 agent 环境里，真实业务的状态空间更脏，需要自己改造。这是背景，不是论文结论。

好教练的功夫不在多教，在知道该在哪一步伸手。

功能与价格以官方公告为准。本文写于 2026 年 10 月 27 日。