论文提出RLTL;DR：智能体失败后，策略根据验证器输出自写一条TL;DR反馈，后续尝试以此为条件，并通过反向传播内化“任务→洞见”映射。在工具调用和编程任务上，Pass@1从0–1%提升至14–31%，评估时无洞见仍有12–13%。仅用4k条（任务，洞见）元组做SFT即可接近完整性能。