福生无量摸鱼天尊

0. 范式和对齐 范式的思考有非常多种，这种类似族谱一样的思考如果要挑一种思考的line，最好想的就是从简易demo到最丰富的功能系统的思考line。 比如说这种分类模式： Strict Chain（严格链） 每次 1 个任务 → 1 个返回。对齐主要靠索引k。 Chain + Evidence P

0. 承上启下 环境有隐状态s_t，智能体看到观测o_t，执行动作a_t，环境转移并给新观测。用 (PO)MDP 写为： s_{t+1}\sim P(\cdot\mid s_t,a_t),\quad o_t\sim O(\cdot\mid s_t),\quad a_t\sim\pi(\cdot\mi

0. 数模 最基础的抽象是：环境有状态s_{t}，你能看到的是观测o_{t}，你做动作a_{t}，环境给反馈（比如奖励/成功信号）并转移到新状态。用 (PO)MDP 写就是： s_{t+1}\sim P(\cdot\mid s_t,a_t),\quad o_t\sim O(\cdot\mid s_t