用途：该技能面向在 C++ 中实现强化学习算法，使用 LibTorch（PyTorch C++ 前端）与现代 C++17/20 特性，提供构建高性能 RL 系统的模式，适合生产部署、机器人、游戏 AI 与实时应用。
主要能力：覆盖 DQN、PPO、SAC 等算法的 C++ 实现；构建性能关键的训练管线；实现带内存管理的经验回放缓冲区；用 ONNX Runtime 部署模型；跨线程并行化环境采样；与既有 C++ 代码库（游戏、机器人、仿真）集成。
核心库：主库为 LibTorch，安装方式为从 https://pytorch.org/get-started/locally 选择 C++/LibTorch 下载。CMake 集成示例：cmake_minimum_required(VERSION 3.18)、project(rl_project)、set(CMAKE_CXX_STANDARD 17)、find_package(Torch REQUIRED)、add_executable(train_agent src/main.cpp)、target_link_libraries(train_agent "${TORCH_LIBRARIES}")。次要库包括 ONNX Runtime、cpprl（mhubii/cpprl，PPO 参考实现）、Gymnasium C++ 绑定。
使用方式：以 DQN 为例，定义继承 torch::nn::Module 的网络，用 register_module 注册线性层，forward 中经 relu 输出动作值；训练循环中创建 policy_net 与 target_net，使用 torch::optim::Adam，计算 q_values 与 target 后调用 zero_grad、backward、step。注意 C++ 中 Tensor::max(dim) 返回 std::tuple<values, indices>，需用 std::get<0> 取值。
关键模式：经验回放使用环形缓冲区，push 时按容量覆盖并更新 position 与 size；设备管理用 torch::cuda::is_available() 选择 kCUDA 或 kCPU，并用 TensorOptions 指定 device 与 dtype；推理时使用 torch::NoGradGuard。
常见陷阱：忘记 train/eval 模式切换；推理缺少 NoGradGuard；存储张量未用 .detach() 导致累积；多线程需克隆模型保证线程安全；设备不匹配需确认所有张量在同一设备。
参考文件：references/libtorch.md、references/algorithms.md、references/memory-management.md、references/performance.md、references/testing.md。具体收费、价格与平台支持情况暂未提供。