把資料庫終態變成 RL 獎勵：ThinkingBox 如何後訓練狀態式企業代理
這套工作最值得肯定的是方法論轉向：把「完成」的定義從代理的語言自述拉回可執行的資料庫事實，並讓同一套 0/1 檢查同時扮演評分器與獎勵函數，形成閉環。成果也非空談，Observed 20/20 由 7.50% 升至 21.10%、每個可靠任務成本降 67.2%，是明確且可對照的進步。但保留條件同樣清楚：訓練池僅 187 個任務、只驗證單一 Qwen3.8-27B 規模與單一 benchmark，且 pass@20 下滑與 auto insurance 廣度損失 7.0 個百分點，說明它換來的是可重複性而非能力廣度，跨代理堆疊的遷移結論仍不宜過度外推。