生产环境里的持续强化学习思路

willccbb · x · 2026-07-09

该回复认为，在生产环境里“直接做 RL”通常只适用于 RLHF 这类狭窄场景；更可行的持续强化学习方式，是从真实 trace 中挖掘任务，再基于观测逐步演化出高保真模拟环境。