多轮交互 RL 与信用分配（已拆分）

这一页保留为旧链接入口。原来的内容已按主题拆分为两节：

• 形式化部分（多轮 MDP、POMDP、轨迹结构、action mask）→ 22.2 多轮 RL 形式化
• 信用分配部分（ORM/PRM/SALT、turn-level discounting、Mini Agent Loop 实验）→ 22.3 轨迹信用分配

请从上面两个链接进入对应内容。