几步教师指导胜过漫长旅程：面向 Agent 后训练的高性价比在线策略数据增强

针对大语言模型智能体，监督微调不仅依赖标签质量，更取决于其所在的交互上下文。纯行为克隆使用完整教师演示，导致训练与测试时的上下文分布不匹配。本文将对齐策略下的数据构建视为预算分配问题，探讨在资源受限下如何最优分配教师输出。通过在 HotpotQA、ALFWorld 等基准上的实验，发现相较于长序列或经过严格筛选的教师完成项，在学习者诱导的上下文中提供少量未过滤的教师续步，能以更低成本显著提升性能，是更高效的监督分配策略。