待验证50% 置信事实精确时间

强化学习中的状态—动作—奖励框架源自马尔可夫决策过程（MDP）理论

1

来源数

50%

置信度

长期有效

时效性

2026/10/1

首次发现

来源

Clef开源决策模型与RL微调平台解析

涉及实体

马尔可夫决策过程concept 强化学习concept

引用此条事实

Stable URI

https://kongchang.com/claim/965828

API

curl https://kongchang.com/api/v1/knowledge/claims/965828

MCP

get_claim(id=965828)