feat(agentic): add GraphGPO ALFWorld recipe

[huxy1225-cloud]

改动内容

我在 Relax 中加入了 ALFWorld GraphGPO recipe，并补充了多轮轨迹使用 variable-row 和逐
turn 自定义 advantage 所需的框架支持。

主要改动包括：

• 按同一任务的 8 条轨迹构建状态转移图并计算最短路 credit；
• 支持 graph-level、episode-level 及组合 advantage；
• 将每个 turn 的 advantage 只广播到对应 action token；
• 在 reward、TransferQueue、controller 和 Megatron data/loss/actor 路径中传递
  variable-row 元数据；
• 增加 ALFWorld 配置、训练脚本、评估、诊断和复现清单；
• 增加 fixed oracle、GRPO one-step parity、乱序不等长轨迹和 variable-row 记账测试。

未启用 GraphGPO 时继续使用原有训练路径。

Related to #225.

验证情况

冻结候选的历史验证记录：

• v7 focused suite：201 passed，1 skipped，0 failed；
• 保存的重点 JUnit：9 passed，0 failed；
• GraphGPO 双卡 smoke 和四路线 smoke 均完成 rollout、训练、checkpoint 和清理。

我已把改动合并到提交时最新的 main（682d474e2b22325d5f63706af35f644e7a21ccc3）。
当前本机没有项目测试环境，因此没有在这个合并后的 commit 上重新运行 pytest 或
pre-commit；CI 结果以 PR 页面为准。

当前复现结果

目前保留了 5 条完整的 150-step、eval149、128-episode 最终评估：

配置	方法	Seed	成功率
reference_cross_steps	GraphGPO	0	88.28%
reference_cross_steps	GiGPO	0	78.91%
reference_cross_steps	GRPO	0	49.22%
review-fix-v7 trajectory_once	graph-only	0	89.84%
review-fix-v7 trajectory_once	graph-only	1	78.91%

这两组配置不能组成严格的 12-run 横向矩阵。当前结果只能作为实现和部分复现证据，不能
声称已经完成 Task37 论文复现或通过验收。后续仍需补齐同一冻结配置下的 4 种方法 × 3
个 seed、完整测试输出和总训练时间开销比例。

变更类型

• 新功能
• 文档
• 测试
• 破坏性变更

[yuanlehome]

你好，可以进一步精简一下代码结构、文件组织，使其达到可 review 状态，再补充更多的实验内容（复现指令、关键 metrics 图等）