用途：面向强化学习策略优化工作，提供算法选择、训练配方、评估与常见陷阱的实践参考，适用于 RL 智能体、PPO、SAC 或奖励设计相关任务。
主要能力： 算法选择建议：离散动作可选 PPO、DQN、A2C；连续动作可选 SAC、TD3、PPO；多智能体可选 MAPPO、QMIX；离线场景可选 CQL、IQL、Decision Transformer。
训练配方：PPO 建议 clip=0.2、lr=3e-4、gamma=0.99、GAE lambda=0.95；SAC 建议 lr=3e-4、tau=0.005、自动调节 alpha。建议使用向量化环境（如 gymnasium.vector），对观测和奖励做归一化，并记录 episode return、episode length、value loss、policy entropy。
评估方法：在 10 个以上评估回合上报告均值 ± 标准差；评估时使用确定性策略；与随机策略和简单基线对比；报告样本效率（return 与 env steps 的关系）。
常见陷阱：奖励塑形可能引入偏差；种子敏感度高，建议使用 5 个以上种子；超参数敏感，建议做小范围扫描。
使用方式与限制：资料未提供具体安装命令、调用接口或代码示例，暂未提供。以上内容为实践建议，实际效果取决于任务与环境，需自行验证。