从 RLHF 到 Agentic RL：重新理解 RL 的探索本质
SFT 是拟合分布，RL 是奖励驱动下的行为探索；RLHF 为什么像 SFT，headroom 为什么决定 GRPO 能否生效。
COLLECTION
Agentic RL 与强化学习
从强化学习基础、PPO 到 Agent 能力研究的持续学习系列。
↗
从策略梯度到 PPO：目标函数、GAE 与裁剪机制
从策略梯度、优势函数和 GAE 出发，推导 PPO 的概率比与 clipped objective，并说明它为何仍是 on-policy 算法。