强化学习 (RL) 系统由四个核心组件组成：智能体、环境、动作和状态以及奖励函数。 智能体是决策者，通过执行动作与环境交互，从而使系统在状态之间转换。 环境通过奖励提供反馈，引导智能体朝着期望的行为发展。 这些要素协同工作，使智能体能够学习策略（一种选择动作的策略），从而在一段时间内最大化累积奖励。 根据算法的不同，还可以包括其他组件，例如价值函数（用于估计长期奖励）或模型（用于预测环境动态）。
第一个关键组件是智能体-环境循环。 智能体观察当前状态（例如，机器人在迷宫中的位置或游戏棋盘的配置）并选择一个动作（例如，向左移动或放置一个游戏棋子）。 环境处理该动作，更新状态，并返回一个奖励（例如，到达目标为 +1，撞到障碍物为 -1）。 例如，在库存管理系统中，智能体可能会根据当前需求（状态）调整库存水平（动作）以最大化利润（奖励）。 此循环会不断重复，使智能体能够从试错中学习。
第二个组件是策略，它定义了智能体的行为。 策略将状态映射到动作，通常在深度 RL 中表示为神经网络，或者在更简单的情况下表示为查找表。 例如，一个下棋智能体的策略可能优先考虑在某些棋盘配置（状态）中吃掉棋子（动作）。 价值函数通过估计状态或动作的预期长期奖励来补充策略，帮助智能体平衡眼前的利益和未来的收益。 一些系统还包括环境的模型，以模拟没有直接交互的结果，从而实现规划（例如，预测供应链中的客户需求）。 总之，这些组件为智能体创建了一个框架，使其能够通过迭代反馈来学习自适应策略。