Ловушка бюджета ходов в RL-агентах: почему дообученные агенты хуже думают на первом шаге, но лучше выкручиваются из ошибок

Обнаружено: ИИ-агенты после многошагового обучения с подкреплением (RL) хуже думают на первом шаге, чем базовые модели, а при жёстком лимите ходов их преимущество вообще уходит в минус. Настройка бюджета шагов (Budget-Aware Prompting) позволяет защитить рабочие базы и код от слепых поломок на старте и включить сильный режим самоисправления агента. Фишка в том, что RL-агенты выигрывают за счёт выкручивания из ошибок, а не за счёт идеального первого хода. Передавай в промпт остаток бюджета шагов и требуй холостую проверку перед изменениями — после сбоя такой агент восстанавливается в 66–67% случаев и вдвое обходит базовую модель.