用途：该技能面向科学计算中的强化学习任务，支持训练与评估 RL 智能体、构建自定义 Gymnasium 环境、执行多智能体强化学习，以及把 RL 应用于分子设计、实验参数逐次优化和机器人/实验室自动化控制策略学习。
主要能力：
- 基于 Stable-Baselines3 训练 PPO、SAC、A2C、DQN 等算法，支持向量化环境、评估回调与检查点回调。
- 构建自定义 Gymnasium 环境，例如分子设计环境，以分子指纹为状态、原子/键修改为动作、QED 分数等为奖励。
- 使用 PufferLib 进行大规模多智能体 RL 配置与训练。
- 通过 RL 对实验参数做逐次优化，接受参数范围与目标函数并返回最优参数与历史记录。
使用方式：资料给出可直接使用的训练函数示例，如 train_rl_agent(env_id, algorithm, total_timesteps, n_envs, hyperparams)，以及分子设计、PufferLib 与实验优化示例；PufferLib 未安装时提示可用 pip install pufferlib 安装。
适用场景与集成：适用于分子/药物设计、实验优化、机器人控制等科学应用；管线可将结果接入 deep-learning、publication-figures、doe、process-optimization、lab-automation 等技能，并可通过 ToolUniverse 的 papers_with_code 检索 RL 环境与基准。
限制：资料未提供具体收费、平台限制与效果保证；部分示例函数内部使用占位奖励与零观测，实际科研应用需自行实现分子操作与评分逻辑，具体性能与依赖版本暂未提供。