ShellOps

新方法训练CLI代理，改进观察和信用分配

研究人员开发了一种新的命令行界面（CLI）代理训练方法，解决了其开发中的两个关键挑战。该方法解决了代理在部分观察下从大型代码库中识别相关信息所面临的困难，以及为塑造长动作序列分配稀疏奖励的问题。为了改进观察，一种称为\u003csigma\u003e-Reveal的机制会选择有token预算的上下文，而信用分配则提出了动作优势分配（A3），从回合级反馈和代码结构中构建回合级优势。