长程智能体在强化学习早期很难碰到成功轨迹，一种办法是先替它执行专家轨迹的前半段，再让策略从更接近目标的位置探索。浙江大学、百度、山东大学提出Agent-G2，不再为所有任务固定同一段提示长度，而是按任务从动态高斯分布中采样。Qwen2.5-7B在ALFWorld达到98.4%平均成功率。
这套方法在ALFWorld和WebShop两个可控基准上验证。它减少的是选择提示深度所需的额外rollout，不代表智能体在开放网页和真实家庭环境中也能保持98.4%。
固定提示长度会同时伤害简单和困难任务
提示太短，智能体仍停在奖励稀疏的早期区域；提示太长，策略只需完成最后几步，学不到完整任务。调度方法按训练进度给所有样本共享一个深度，忽略任务难度差异。逐样本二分探测更精细，却要为每个任务额外运行多次轨迹。
论文Figure 1：共享调度、逐样本探测与Agent-G2高斯采样的差别。
作者发现，有效提示通常落在一段区间，而不是唯一最优点。区间中部信息更强，两侧逐渐减弱，经验形状接近高斯分布。这让系统可以用一个中心和一个方差表达任务当前适合的提示范围。
难度分簇和训练回报共同更新分布
Agent-G2先按专家轨迹长度把任务分簇，作为简单的难度信号。高斯中心由全局训练基线与簇级成功情况共同决定，方差跟踪同一簇内的差异。每批训练为各任务采样一个比例，执行对应专家前缀后再让策略继续。
论文方法图：任务分簇、高斯深度采样、策略rollout与下一批调度更新形成闭环。
更新分布使用的正是GRPO已经收集的终局回报，不需要另训深度预测器，也不需要单独探测rollout。论文报告，相比逐样本探测，提示选择成本不到三分之一。
两种模型规模都在ALFWorld和WebShop测试
Qwen2.5-1.5B在ALFWorld达到95.3%，7B达到98.4%。WebShop上，两种规模的奖励分数均为92.3，最终购买成功率分别为78.9%和84.4%。不同指标不能混用：92.3是奖励得分，不是购买成功率。
ALFWorld包含拾取、清洁、加热、冷却和组合放置等任务，WebShop要求从商品页面逐步筛选属性并完成购买。前者状态和工具更规整，后者的中间奖励更细，两套环境对“成功”的定义并不相同。
论文训练分析：成功率曲线与不同训练阶段的高斯提示分布。
ALFWorld按任务类型拆分后，7B模型多项达到100%，但部分困难类别仍为91.7%。WebShop涉及属性匹配和最终购买，结果低于环境中的中间奖励，说明策略拿到较高过程分并不总能完成最后一步。
消融说明收益不只来自模仿前缀
团队拆分了专家前缀监督、GRPO更新和动态调度。只做前缀SFT或移除关键回报项，成功率都会明显下降。最强消融中，去掉LGRPO后总体成功率从95.3%降至26.6%，表明高斯采样必须与后续策略学习配合。
分簇数量也会影响结果。任务混在一个簇里时，中心难以同时适配简单和困难样本；切得过细，簇内回报统计又会变得噪声更大。论文报告多个簇数设置，说明方法并非只靠一个偶然超参数得到成绩。
论文消融结果：不同前缀学习方式与Agent-G2完整设置的成功率比较。
下一步是用真实任务难度替代轨迹长度
专家轨迹长度容易计算，却不一定准确代表困难度。真实网页中的登录、页面变化和工具故障，也不会稳定映射到步数。后续可以用历史失败类型、环境状态和不确定性构建更可靠的任务簇。
代码和项目页已经公开，便于复现两个基准。要进入实际智能体训练，还需验证专家轨迹质量不均、任务持续变化以及错误提示对策略的长期影响。
真实系统还要计算专家轨迹本身的成本。如果每个新任务都必须人工写出完整路径，节省rollout未必等于降低总标注成本。更可行的方向是复用历史成功轨迹，并对过时步骤进行自动检测。
参考资料
https://arxiv.org/abs/2608.23318
https://arxiv.org/html/2608.23318
