1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

想和大家认真聊一句： 实习写在简历上的经历，到底该真实到什么程度，又该不该适当包装？ 我自己的看法是：真实是底色，包装是表达。 大部分实习生刚进公司，其实很难独立扛下大项目，日常更多是协助、执行、打杂、学习。 如果完全照实写“整理文件、录入数据、复印跑腿”，简历看起来就很没竞争力。 所以所谓的“包装”，更像是把不起眼的小事，提炼出价值： 把“整理表格”，写成“负责业务数据汇总与核对，保障部门日常工作高效推进” 把“帮忙对接信息”，写成“参与跨部门沟通，协助推进项目节点落地” 把“简单执行”，写成“熟悉业务全流程，积累实操经验” 这不是造假，而是学会用专业的语言，总结自己真正做过的事。 有一分经...