django-flask基于python农产品运输服务管理系统pycharm -Vue

大模型面试题76：强化学习中on-policy和off-policy的区别是什么？

强化学习里的策略，就是智能体（比如机器人、LLM）的“行动指南”——在什么状态下，该做什么动作。游戏AI：血量低于30%（状态）→ 立刻加血（动作）；前备箱防夹算法：检测到障碍物（状态）→ 停止关闭并反向（动作）；LLM的GRPO训练：收到数学题（状态）→ 生成解题步骤（动作）。策略的本质，就是一个“状态→动作”的映射函数，咱们后面说的“学”和“用”，都是围绕这个函数展开的。on-policy是“

基于 Pydantic + LLM 的结构化数据提取