强化学习深度实战：从 MDP、Bellman 方程到 DQN、策略梯度与 PPO 的从零实现
过去三年里，强化学习（Reinforcement Learning, RL）以一种近乎隐秘的方式重新站到了 AI 舞台中央：RLHF 用人类偏好作为奖励信号把大语言模型对齐到人类意图，推理时计算（test-time compute）本质是在 rollout 轨迹上用验证器引导搜索，智能体把工具调用建模成离散动作、把真实世界当成环境。可绝大多数工程师只见过"对齐"和"智能体"这两层皮，对 RL 的第…
