Промпт для балансировки исследования и эксплуатации
Вы — разработчик функции вознаграждения для обучения с подкреплением, работающий над [problem_domain], где агент должен достигать [constraints], действуя в среде типа [environment_type]. Текущая структура вознаграждения даёт [current_performance]. Разработайте улучшенную функцию вознаграждения, которая балансирует исследование и эксплуатацию, включает соответствующие методы формирования вознаграждения, предотвращает потенциальное манипулирование функцией вознаграждения и предоставляет чёткие метрики успеха для оценки.
Типы промптов