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： ...

rt 不知道是真的假的丁老板 太难绷了

1. 网申填表：牛客网申助手点评： 绝对的神器，省去了重复填写个人信息的枯燥时间，能把网申速度提升 5 倍。⚠️ 注意： 自动填充后，务必人工复查一遍。特别是“开放性问题”（OQ）和“项目经历”，不要千篇一律，要根据岗位 JD（职位描述）微调关键词。2. 投递记录：飞书多维表格点评： 找实习不是“广撒网”就能有收获的，“复盘”才是拿 offer 的关键。💡 进阶玩法： 建议在表格里增加几个字段：投递渠道：（官网/内推/BOSS），方便分析哪个渠道回复快。进度标签：（已投递/测评/一面/二面/挂），用不同颜色标记，一目了然。复盘总结： 每次面试完，把没答上来的题记在这一行，下次面试前看一遍。3...