匹配标题与标签：… Mask 和小批训练闭环，讲清 Deep Research 轨迹怎样生成、验证与发布。 Agent Deep Research 数据构造与训练 Deep Research 轨迹生成 Agent 训练轨迹筛选 Teacher 轨迹数据 Observation Loss Mask Deep Research 面试题

#Deep Research#数据构造与训练#Deep Research 轨迹生成

面试题·Agent

轨迹里工具返回为什么不能参与 Loss，Observation Mask 做错会怎样？

匹配标题与标签：…arch 轨迹中 Observation Loss Mask 的边界、实现、截断和验收。 Agent Deep Research 数据构造与训练 Observation Loss Mask Deep Research 训练 Agent 轨迹数据工具调用 SFT Deep Research 面试题

#Deep Research#数据构造与训练#Observation Loss Mask

面试题·Agent

首次 SFT 后格式稳定了，为什么工具选择和答案仍然不行？

匹配标题与标签：…个用例的首次记录，拆解 Deep Research SFT 的格式、策略与答案能力边界。 Agent Deep Research 数据构造与训练 Deep Research SFT Agent SFT 冷启动工具选择训练 Agent 训练复盘 Deep Research 面试题

#Deep Research#数据构造与训练#Deep Research SFT

面试题·Agent

训练数据里 Search 太多，为什么 Agent 遇到什么都想先搜？

匹配标题与标签：…发，讲清 Deep Research 工具选择偏置的条件分布、成对数据、归因与小批验证。 Agent Deep Research 数据构造与训练 Deep Research 工具选择 Agent 数据偏置工具调用训练数据默认 Search Deep Research 面试题

#Deep Research#数据构造与训练#Deep Research 工具选择

面试题·Agent

Deep Research Agent 训练中，CPT、SFT 和 GRPO 应该怎样取舍？

匹配标题与标签：… 的目标、顺序、阶段门和适用边界，讲清 Deep Research 多阶段训练怎样落地。 Agent Deep Research 数据构造与训练 Deep Research 多阶段训练 Agentic CPT Agent SFT 冷启动 GRPO Agent 训练 Deep Research 面试题

#Deep Research#数据构造与训练#Deep Research 多阶段训练

面试题·Agent

GRPO 为什么同一道题要采样一组答案，组内相对优势到底怎么算？

匹配标题与标签：…清 Deep Research GRPO 的相对优势、reward、动态采样和截断风险。 Agent Deep Research 数据构造与训练 Deep Research GRPO GRPO 组内相对优势 Group Relative Policy Optimization Agent 强化学习 Deep Research 面试题

#Deep Research#数据构造与训练#Deep Research GRPO

面试题·Agent

长轨迹被截断就算失败吗，为什么这样做会把 Agent 训成提前乱答？

匹配标题与标签：…断点续跑和长轨迹评测出发，讲清 Deep Research 截断样本为什么不能等同失败。 Agent Deep Research 数据构造与训练 Deep Research 截断轨迹 Agent 负样本 GRPO 截断长轨迹训练 Deep Research 面试题

#Deep Research#数据构造与训练#Deep Research 截断轨迹

学习路线·学习路线

匹配正文：…长任务与研究报告建议先有基本检索和 Agent 循环经验，再进入“问题边界与研究闭环 → 长任务执行 → 研究工具与稳定性 → 数据构造与训练 → 上线成本与评估”。系统学习：Deep Research Agent 项目项目验收：25 道 Deep Research 项目面试题必须留下的证据：任务契约、拆解与重规划、证据链、停止条件、长任务恢复、成本归因与结果过程双层评估这条线不是“多搜几次”。它要证明系统知道什么任务值得长程研究，会核验证据，也会在证据不足或成本失…

#学习路线#RAG#Agent

Deep Research 训练的种子问题从哪里来，怎样避免一开始就把数据做偏？

简单问答怎样升级成真正需要多步研究的问题，又不把题目编坏？

Teacher 生成的 Agent 轨迹为什么不能直接拿去训练，怎样筛出高质量样本？

轨迹里工具返回为什么不能参与 Loss，Observation Mask 做错会怎样？

首次 SFT 后格式稳定了，为什么工具选择和答案仍然不行？

训练数据里 Search 太多，为什么 Agent 遇到什么都想先搜？

Deep Research Agent 训练中，CPT、SFT 和 GRPO 应该怎样取舍？

GRPO 为什么同一道题要采样一组答案，组内相对优势到底怎么算？

长轨迹被截断就算失败吗，为什么这样做会把 Agent 训成提前乱答？

大模型应用开发学习路线