用途：该技能面向强化学习（RL）实践者，讲解如何训练通过与环境的交互来学习最优行为的智能体，适用方向包括训练智能体、游戏AI、机器人以及各类决策任务。
主要能力：覆盖表格型Q-learning、深度Q网络（DQN，含经验回放与目标网络）、策略梯度方法（如REINFORCE）、近端策略优化（PPO，含Actor-Critic与GAE优势估计）、多智能体强化学习，以及Gym环境的使用。还涉及奖励塑形、课程学习、稳定基线3（Stable Baselines3）生产级用法与超参数调优。
使用方式：以OpenAI Gymnasium为例，先用gym.make('CartPole-v1')创建环境，读取observation_space与action_space，再进行reset与step交互循环；随后可在Q-learning、DQN、REINFORCE、PPO等实现中选择对应做法训练，例如用DQNAgent与ReplayBuffer进行训练，用PPO的裁剪目标更新，或使用Stable Baselines3的PPO('MlpPolicy', env, ...)后调用model.learn(total_timesteps=100000, callback=eval_callback)，并通过model.save与PPO.load保存加载、model.predict推理。超参数搜索可借助Optuna。
适用场景：需要离散状态/动作的简单环境、基于神经网络的连续或高维状态任务、多个智能体协同或竞争的场景、以及希望快速使用成熟库落地的应用。
限制：资料未提供该技能的收费、价格、支持平台与具体效果指标；部分内容仅为示例代码框架，需依赖gymnasium、torch、stable_baselines3、optuna等外部库，并自行准备环境与调参。训练稳定性、探索不足、奖励劫持等问题需按文中建议处理。