强化学习概念：

强化学习（Reinforcement learning，RL）讨论的问题是一个智能体(agent) 怎么在一个复杂不确定的 环境(environment) 里面去极大化它能获得的奖励。通过感知所处环境的 状态(state) 对 动作(action) 的 反应(reward)， 来指导更好的动作，从而获得最大的 收益(return)，这被称为在交互中学习，这样的学习方法就被称作强化学习。

这是强化学习中智能体与环境的核心互动循环图，用来描述 AI（智能体）如何在环境里 “试错学习”，具体流程是这样的：

1. 核心角色

• 智能体：可以理解成 “学习的主体”（比如游戏 AI、机器人）；
• 环境：智能体所处的 “场景”（比如游戏关卡、机器人的工作空间）。

2. 互动流程（按时间循环）

• ① 【时刻 t】环境先告诉智能体当前的 “处境”——状态 St（比如游戏里 “当前的敌人位置、自己的血量”，这里 “St” 里的 “t” 代表 “时刻 t”）；
• ② 智能体根据这个处境，做一个操作 ——动作 At（比如游戏里 “向右走、放技能”，“At” 的 “t” 对应时刻 t 的动作），把动作传给环境；
• ③ 环境收到动作后，给两个反馈：
  • 新处境：变成状态 St+1（“t+1” 代表 “下一个时刻” 的状态，比如移动后 “自己位置变了、被敌人打了一下”）；
  • 评价：给智能体一个奖励 Rt+1（“t+1” 对应动作后的奖励，比如 “杀敌人得 + 10 分” 是好奖励，“被打扣血得 - 5 分” 是坏奖励）；
• ④ 新状态 St+1 再传给智能体，开启下一轮 “处境→操作→评价 + 新处境” 的循环。

智能体就是在这种 “试错 + 奖励反馈” 里，慢慢学会做能拿到更多奖励的动作（比如游戏 AI 学会通关、机器人学会完成任务）。