企业手里已经有大量资料：规则手册、政策表格、历史工单、Agent 的对话轨迹和业务结果反馈。Gym-Arc 把它们汇成一张 Context Graph，再从图上生成整族合成世界，编译成 RL 环境与 Judge，训练出 Agent；上线后的每一次对话又流回来，进入下一轮。闭环不断转动，Agent 持续变强。
在上方选一个行业、一家企业。Gym-Arc 读取这家企业的原始资料，推断出它的经营规则，自我核对后为它生成专属的训练环境。新增企业不写代码，过程中也不依赖大模型，同一份资料包每次得到的 Context 完全一致。
写给一线员工看的业务手册，运营部门维护的政策表格，记录每一单怎么做、结果如何的历史工单，再加一份简短问卷。格式不同、归属部门不同，彼此之间有时还会打架。这就是起点。
Gym-Arc 把每个来源连到其中的证据，把证据连到它支撑的经营规则，再把规则连到执行它的环境机制和 Judge 检查项。点击任意一条规则即可查看来龙去脉。暂时没有对应字段的条款不会被丢掉，而是进入人工复核队列。
Context Graph 定义了哪些规则会变、怎么变。Gym-Arc 围绕它采样出一族企业，为每家企业生成需求、信任和耐心都对 Agent 隐藏的客户，并只根据 Agent 实际看得到的信息，算出每一步的最优决策。真实企业也落在同一个企业族里。
每一列是一家企业，每一行是一个规则维度。颜色越亮，离行业惯例越远。描边的列是通过资料包接入的企业。
每一局采样一位客户。Agent 只看得到左栏；右栏决定客户的反应，只能靠提问一点点问出来。
环境根据 Agent 可观测的信息，算出每个下一步动作的期望价值。这就是监督信号，它随企业规则而变。
E = BuildEnv(T, C, A, V)：任务结构 T 在行业内共享，Context C 来自图谱，A 是动作集，Verifier V 由同一份 Context 配置。只要违反企业规则就记 0 分，结果再好也不行。
小模型在合成企业族上训练，然后到留出企业上评测：相似的新企业（E2）、新的规则组合（E3）、超出训练范围的取值（E4）、没见过的规则维度（E5），以及通过资料包接入的企业（E6）。所有假设都在第一次训练前预注册。
遵守全部企业规则的决策占比，越高越好。
未训练模型损失的价值中，训练后挽回的比例，越高越好。
Agent 被部署到一个和训练环境不同的业务世界：客群结构不同，客户反应也不同。每一轮，它记录下所有轨迹和结果；Gym-Arc 用这些日志重新校准世界、重新训练，新模型过了 Judge 这一关才重新上线。
每一轮用同一批留出测试决策，两个 seed 取均值。
准确率与用于训练的业务记录条数的关系。
线上回流的每一条轨迹和业务结果，同时也是关于训练场本身的证据：客户真实的反应是什么样，哪些规则只体现在结果里，训练场在哪些地方还在「猜」。Gym-Arc 把这些证据写回 Context Graph，每一版环境都比上一版更贴近真实业务。
演示中我们现场接入你的一份资料包，展示它生成的 Context Graph，并按你的规则开始训练。