奖励函数

Agent 的强化学习训练效果差，很多时候并不是模型规模不够，而是训练目标没有被准确表达。奖励设计和探索策略彼此相关：奖励信号不清晰，Agent 不知道哪些行为值得重复；探索不足，Agent 又可能根本没有机会发现高回报行为。两类问题在训练曲线上经常表现相似，例如总回报长期不升、策略反复执行同一种动作，或者训练集表现不错但换一个场景就失效。