用途：当问题核心是“学习行为”而非单纯推理时使用本技能。它覆盖 ML-Agents 的环境设计、观测/动作空间、奖励塑形、训练配置、运行监控，以及导出 Unity 可消费的模型。
主要能力：训练 NPC 导航、战斗、协作或适应；设计观测向量、动作空间与回合边界；在不制造易被利用漏洞的前提下塑形奖励；运行 PPO 训练并监控奖励曲线；导出 ONNX 模型并通过 unity-sentis 部署；恢复或延长中断的训练。
使用方式：先把环境当作产品，定义观测顺序与尺度、动作形状、成功/失败/超时条件及每回合重置逻辑；用密集可解释奖励起步，避免奖励被意外利用；让 Behavior Parameters 与代码中的观测、动作数量严格一致；用 mlagents-learn 训练，例如 mlagents-learn config/npc.yaml --run-id=npc_v1，并用 tensorboard --logdir results 监控；恢复训练用 mlagents-learn config/npc.yaml --run-id=npc_v1 --resume；训练完成后保留 results/<run-id>/<behavior>.onnx，拖入项目，保持训练时观测顺序不变，通过 Behavior Parameters 推理或 unity-sentis 部署。
适用场景：导航 NPC、训练到部署的交接、训练停滞时的调试。高级模式包括自博弈与课程学习。
限制：训练中途不要更改观测或动作契约，否则会使既有检查点失效；若累计奖励不上升，应检查观测归一化、降低动作复杂度、简化成功条件、排查奖励黑客，而非盲目增大模型。本技能与 unity-sentis（运行时部署）和 unity-mcp（编辑器自动化）配合使用。具体收费、价格与平台支持暂未提供。