Agentic RL 与强化学习
从 RLHF 到 Agentic RL：重新理解 RL 的探索本质
SFT 是拟合分布，RL 是奖励驱动下的行为探索；RLHF 为什么像 SFT，headroom 为什么决定 GRPO 能否生效。
CURRENT FOCUS
让知识从过程记录，变成可以复用的理解。
- LLM 与 Agentic RL
- 通信与译码工程
- 开源与个人工作流
TOPICS
主要系列
LATEST
最近文章
↗
开源实践
第一次开源贡献：修复 DeepSeek-TUI 的 Markdown 渲染
从终端 Markdown 显示异常出发，定位 DeepSeek-TUI 的解析与渲染问题，并完成第一次 Rust 开源贡献。
Agentic RL 与强化学习
从策略梯度到 PPO：目标函数、GAE 与裁剪机制
从策略梯度、优势函数和 GAE 出发，推导 PPO 的概率比与 clipped objective，并说明它为何仍是 on-policy 算法。
PROJECTS
不只记录答案，也记录工程问题怎样被解决
项目页会整理实验室工作、开源贡献与个人工具，保留背景、职责、证据和结果。