关注微信公众号，回复”PDF“获取独家算法资料。

谁把一个 skill 供着不放，谁就还没真正学会用它。当纪律的意思很具体，你今天用 grill-with-docs 对齐，下周发现 domain-model 更顺手，就换，不纠结，不念旧。整篇文章，就绕着「把 skill 当纪律，不当框架」这个立场转。 你让 AI 给项目加个权限控制，它唰唰改了 ...

agent 就是你写的那段程序，trainer 就是一个 actor，reward 是你在 Env 或 ChatAgent 里随手写的任意 Python。剩下的活儿三个大件全包了。README 里反复强调一个数字：大约 8600 行 RL 代码（推文里说的 9K 是个约数），却能撑到 1T 级别的 MoE。 OpenRLHF 的 ...