本文提出一种基于强化学习（RL）的语法推断新方法 RL-GRIT，用于理解实际数据格式（de facto data formats）的使用模式。作者指出，在分析数据格式时，实际样例往往比规范文档更具代表性；例如不同应用对 JSON 的使用差异巨大，或不同 PDF 生成器利用规范的不同部分生成相同渲染结果，这些差异导致攻击面复杂且难以理解，并带来数据外泄和数据分裂（data schizophrenia）等安全风险。语法推断可用于刻画数据格式背后的实际语言生成器，但现有研究多面向自然语言，不支持类型递归等关键特性。作者在回顾现有方案后，决定采用强化学习作为更灵活的框架，并针对解析任务的高度相互依赖环境，对传统 RL 的时序决策机制进行了多项算法改造。实验表明，该算法能够学习简单数据格式中的递归控制结构，并能从 PDF 片段中提取有意义的结构。相比仅能处理正则语言或成分句法分析的旧方法，RL-GRIT 超越了这两类表达能力的限制，并展示了学习上下文相关语言的清晰路径。该算法可作为理解实际数据格式生态系统的构建基石。本文的主要贡献在于提出一种新的语法推断机制，将 RL 应用于数据格式的逆向理解，并验证了其在递归与非正则结构上的有效性。适合安全研究人员、协议逆向工程师以及对 LLM 之外格式解析感兴趣的学者阅读。