强化学习学习资料：面试题、项目实战、面经。从实际问题进入，按自己的基础选择需要的内容。
共 6 条内容
RLVR(可验证奖励的强化学习):项目背景 → 技术方案 → 数据准备 → 训练解析
PPO / DPO / GRPO 概念图解 + 损失函数 + 训练练习 + 事实自检
RL 环境的状态动作、奖励、扩展性与 Sim2Real
工具调用 Agent 的结果奖励、过程奖励、约束与防投机
学习内容与项目面试，在同一条路上。
变分推断、模型蒸馏、RL中KL散度的典型应用
同一条响应里，模型生成与工具返回来源不同。沿真实适配器和固定片段，核对上下文、来源标记与损失入口怎样接在一起。