待验证50% 置信事实精确时间
在强化学习中，奖励信号是设计者意图的代理指标，而非意图本身。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证奖励塑形（Reward Shaping）通过设计中间奖励引导学习方向，如将对Boss造成每点伤害设为中间奖励78% 相似待验证自我改进最大的风险来自奖励信号本身，若奖励定义不当Agent会优化评估指标而非真实目标（Goodhart's Law的强化学习版本）78% 相似待验证高度依赖意图信号可能导致销售资源被误导向研究型访客而非真实决策者，因为意图信号反映的是行为代理指标而非购买意愿的直接证明71% 相似待验证TRACER 设计层次化奖励，同时在结果层面和轨迹层面给出奖励信号，并结合偏差感知的优势调制以缓解奖励稀疏和信用分配问题69% 相似待验证连胜机制源自行为心理学中的操作性条件反射理论，通过变量奖励强化用户的习惯性使用69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1007090API
curl https://kongchang.com/api/v1/knowledge/claims/1007090MCP
get_claim(id=1007090)