ReflectPO：面向长流程 LLM 智能体的反思引导策略优化框架

研究者提出了名为 ReflectPO 的强化学习框架，用于长流程 LLM 智能体的自主错误恢复。该框架包含反思引导采样与树状信用分配两大核心组件，通过分支差异和重复访问构建恢复提示，并利用父子奖励差与恢复收益分配动作级信用。在两项长流程工具使用基准测试中，ReflectPO 在多数领域超越现有基线，取得最优平均综合表现。