MIRA-AC 训练细节：重建完整 episode，只更新元推理器

MIRA-AC 通过重建完整 episode、只更新元推理器来训练策略：MIRA 在每个决策点重置上下文，把元推理决策重新拼成一个逻辑 episode 再计算决策级优势。该设计用于避免自动压缩按人为边界切分轨迹、把边界当终止所带来的 credit assignment 偏差。策略损失只更新元推理器的推理与工单，执行器、工具与上下文筛选保持固定，即训练 WHAT 而非 HOW。