在强化学习 (RL) 中，**智能体** 是一个自主的实体，它通过与环境互动来学习做出决策。智能体的目标是通过根据其观察选择行动来最大化随时间的累积奖励。与监督学习（模型从标记数据中学习）不同，RL 中的智能体通过试错学习，接收奖励或惩罚形式的反馈。例如，在像国际象棋这样的游戏中，智能体可能是一个 AI 玩家，它探索移动（行动），观察生成的棋盘状态（环境），并接收奖励（例如，获胜+1，失败-1）以完善其策略。
智能体的行为受 **策略** 控制，策略定义了它用来选择行动的战略。策略可以是确定性的（直接将状态映射到行动）或随机性的（为行动分配概率）。智能体还依赖于 **价值函数** 来评估处于某种状态或采取某种行动的长期价值。例如，在迷宫求解任务中，智能体可能会优先考虑历史上带来更高回报的路径。此外，智能体通常会平衡 **探索** （尝试新的行动以发现更好的策略）和 **利用** （利用已知的高回报行动）。一个经典的例子是 Q-learning，其中智能体维护一个表格（Q-table）来跟踪特定状态下行动的预期奖励，并在与环境交互时迭代地更新它。
从开发人员的角度来看，构建 RL 智能体通常涉及选择或设计算法（例如，用于复杂环境的深度 Q 网络），定义奖励结构和配置探索策略。TensorFlow、PyTorch 等框架或 OpenAI Gym 等库提供了模拟环境和训练智能体的工具。实际挑战包括调整超参数（例如，学习率）和管理计算成本。例如，训练机器人在模拟中行走可能涉及使用近端策略优化 (PPO) 来稳定学习，同时确保奖励被塑造为鼓励所需的行为（例如，向前移动）。有效的智能体需要仔细的设计，才能将理论概念转化为功能性的高效系统。