報酬関数を人間が手書きで設計する代わりに；人間の「デモンストレーション（お手本）」から報酬関数を推測して学習する手法はどれか。

LLMアプリケーションにおいて；出力されたコードが「実行可能か」「バグがないか」を隔離された環境で自動テストするコンポーネントを何というか。