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.