把前沿论文，
读成自己的能力。

工具库 → agent → 任务 → 轨迹；先拆开合成环境和真实执行。

异步 rollout 如何改变 policy lag、token 对齐与优化。

真实环境数据、长前缀复用与异步后训练的关系。

从通过单测到 groupwise agentic grading，逐图拆解 RL 全流程。