RLVP：惩罚路径，奖励结果

现实世界中的 Agent 必须从昂贵且不可逆的交互中进行在线学习。部署能力不仅取决于结果，更取决于执行路径是否遵守中性约束（如勿扰用户、业务时间）。现有的可验证奖励强化学习（RLVR）仅优化结果，忽略了路径约束且在失败组中效率低下。本文提出“惩罚路径，奖励结果”的策略，利用环境中易于检测的违规行为提供密集惩罚信号，补充结果奖励的不足。该方法在实现高任务成功率的同时几乎零违规，并提出了避免“不作为陷阱”等四条设计规则。