用途：该技能面向强化学习（RL）相关任务，适用场景包括实现 RL 算法、用奖励信号训练智能体，以及将大语言模型与人类反馈对齐。资料称其覆盖策略梯度、PPO、Q-learning、RLHF 等方向。
主要能力：作为参考系统使用，要求回答以提供的参考文件为领域事实来源，分为三种使用模式。创建时查阅 references/patterns.md，该文件规定应当如何构建，若其中存在特定模式则忽略通用做法。诊断时查阅 references/sharp_edges.md，该文件列出关键失败及其原因，用于向用户解释风险。审查时查阅 references/validations.md，其中包含严格规则与约束，用于客观校验用户输入。若用户请求与参考文件中的指引冲突，应依据参考内容礼貌纠正。
使用方式：依据上述三类参考文件按任务类型分别查阅，资料未提供安装命令、调用接口或完整代码示例。
适用场景：RL 算法实现、奖励驱动的智能体训练、基于人类反馈的 LLM 对齐，以及相关的模式查阅、故障诊断与输入校验。
限制：资料仅描述参考文件驱动的使用规范与文件分工，未说明支持的具体框架、语言、平台、依赖、收费与效果；上述内容暂未提供。