SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning

SEED提出了一个自演进的在线策略蒸馏框架，专门用于Agent的强化学习。它在RL过程中，让当前策略模型将完整轨迹分析成自然语言「技能」（如可复用workflow、观察模式、失败规则），然后利用技能对动作概率的改变，生成密集的token级蒸馏信号与稀疏的轨迹级奖励联合优化。在文本和视觉Agent任务上，SEED显著提升了性能和样本效率，且泛化到未见场景。

1. 导购Agent产品：该框架可以让我在RL训练中自动提取导购场景下的优秀话术或决策流程（如推荐策略、追问时机），直接用作技能库，既提升了学习效率，又为SkillOS提供了天然的技能来源。\n2. 技术选型判断：之前更倾向off-policy蒸馏或纯结果优化，SEED证明了on-policy自蒸馏的有效性，且技能以自然语言形式存在，可解释性强，我会把这种方法纳入后续agent训练pipeline的备选。\n3. 接下来行动：读全文+跑代码，重点验证其技能提取质量和对多步对话的适应性；如果效果符合预期，可能集成到导购agent的在线学习模块中。