图解强化学习 |手算PG算法
PG（Policy Gradient）策略梯度算法直接优化策略网络，输出动作概率而非价值，适用于离散/连续动作空间。需整回合采样后计算折扣回报Gₜ，以-logπ·G为损失函数更新参数，提升高回报动作概率。可引入基线（如平均回报）构建优势函数，提升训练稳定性与效率。（239字）
Claude 官方的 Agent Memory 管理实践：为什么用文件系统保存记忆？
现在 Claude Managed Agents（可在 Claude Platform 上使用）有了记忆（memory）能力。这些记忆以文件的形式保存下来，供单个 Agent 或者多个 Agent 在不同会话间继续访问和使用。简单来说，Agent 不再“只活在当下”，能从过去执行任务的经验中学习。用户也可以通过 API 导出记忆，方便后续查看或使用。
图解强化学习 |手算Actor-Critic
Actor-Critic是一种融合策略优化（Actor）与价值评估（Critic）的强化学习算法：Actor负责选动作，Critic实时打分（如TD误差），实现单步更新、低方差、高效率，兼顾离散/连续动作空间。（239字）
图解强化学习 |手算DDPG
DDPG（深度确定性策略梯度）是一种面向连续动作空间的Actor-Critic强化学习算法。它采用4网络结构（Actor/Critic及其对应目标网络），结合经验回放与软更新，通过确定性策略梯度优化策略，广泛应用于机器人控制、自动驾驶等场景。（239字）
