在充满不确定性的现实世界里，AI的价值不在于预设规则，而在于持续学习和适应

AI Agent这个概念最近被炒得很热，从管理日程的语音助手到仓库里跑来跑去的机器人，大家都在谈论Agent的"自主性"。但是真正让Agent变得intelligent的核心技术，其实是强化学习（Reinforcement Learning, RL）。

想象一下自动驾驶汽车在复杂路况中的决策，或者量化交易系统在市场波动时的操作——这些场景的共同点是什么？环境动态变化，规则无法穷尽。传统的if-else逻辑在这里完全失效，而RL恰好擅长处理这类问题。它让Agent像人一样，从试错中学习，在探索（exploration）和利用（exploitation）之间找平衡。

本文会从RL的数学基础讲起，然后深入到知识图谱的多跳推理，最后在LangGraph框架里搭建一个RL驱动的智能系统。

RL的底层逻辑：马尔可夫决策过程

教机器人玩游戏的过程其实很像教小孩骑自行车——没人会给它写一本"如何骑车的完整手册"，而是让它自己试，摔了就爬起来再试，在练习的同时我们给予帮助，如果做对就鼓励，做错了给个提示应该怎么做，这样慢慢他就学会了，而RL的数学框架就是根据这个流程设计的。

RL的核心是Markov Decision Process（MDP），它把决策过程拆成几个要素：状态（State）、动作（Action）、转移概率（Transition）、奖励（Reward）和折扣因子（Discount Factor）。形式化表示是个五元组 (S, A, P, R, γ)。

State（状态集合 S）

就是"现在是什么情况"。比如对于一个走迷宫的机器人，状态可能就是它在网格上的坐标（3,5）；而对于自动驾驶系统，状态会复杂得多——车速、位置、周围障碍物、天气情况等等都得考虑进去。状态可以是离散的（grid position），也可以是连续的（speed from 0 to 100 mph）。

Action（动作集合 A）

知道自己的状态后，下一步能干什么？走迷宫的机器人只有上下左右四个选择，但一个优化仓库作业的物流Agent可能要在"取包裹A"、"送到货架B"、"等待库存更新"等等决策之间做选择。动作空间的设计直接影响学习难度。

Transition Probability（转移概率 P(s'|s,a)）

这个概念很关键但经常被忽略。在理想状态下，机器人"向右走"就一定会到右边的格子；但现实世界有噪音——地面可能很滑，有80%概率到达目标位置，10%概率滑到上面，10%滑到下面。P函数描述的就是这种不确定性，输出的概率总和为1。没有这个，RL根本应付不了真实环境的复杂度。

Reward（奖励函数 R(s,a,s')）

Reward是个标量，可能是+10或-5，Agent通过它就可以知道刚当前操作后的好坏。比如取到球了？+1。撞墙了？-1。商业场景里奖励设计更直接——准时送达+50，燃油浪费-20。

不过奖励设计是个大坑。太稀疏（只有最终结果有反馈）会让Agent瞎转悠找不到方向；太密集（每一步都给分）又容易让它钻空子，比如游戏AI可能会发现原地打转能刷小分，就跟游戏里面我们找到漏洞后刷分一样，AI也会刷份。

Discount Factor（折扣因子 γ）

γ取值在[0,1]之间，决定了Agent有多"远视"。γ=0的话Agent只看眼前利益，γ=1则会无限规划未来（计算量爆炸）。实际应用中通常设0.9或0.99，比如股票交易系统既要抓短期机会，又不能为了眼前收益把整个portfolio搞崩。

这五个要素支撑起了Q-Learning、SARSA这些经典算法。Q-Learning是off-policy的，可以从任何动作的经验中学习；SARSA是on-policy的，只从实际执行的动作学习。对Agent来说，Partially Observable MDP（POMDP）更贴近现实——系统必须从有限观测推断隐藏状态，就像人在信息不完整时做判断。

知识图谱的多跳推理

知识图谱（Knowledge Graph）本质上是个大网络，节点代表实体（entity），边代表关系（relation）。"巴黎"通过"capital_of"连到"法国"，"法国"通过"located_in"连到"欧洲"——这种结构让AI可以做复杂的关联查询。

但是问题就来了：面对"埃菲尔铁塔所在国家的首都人口是多少"这种query，Agent需要跳好几步——从Eiffel Tower → located_in → France → capital → Paris → population。路径很多，怎么选最优的？如果暴力遍历，那么在大规模KG上根本跑不动。

RL就来了，它把图遍历建模成MDP：当前节点是state，选择哪条边是action，到达目标节点给正reward，走错路给负reward。Agent经过训练后能学会高效路径，不用每次都试遍所有可能。

Reward shaping在这里尤其重要。基础设定可能是"到终点+10，其他步骤0"，但是这样太稀疏了，Agent在大图里会迷路。更好的做法是给中间步骤也设奖励——比如每接近目标一步就+1，偏离就-0.5。关键是这些额外奖励不能改变最优策略的本质，只是引导探索方向，就像给登山者设的路标并不妨碍他发现更好的路线。

Graph Neural Network（GNN）经常和RL搭配使用。GNN把每个节点的邻域信息压缩成embedding vector，这个vector再喂给RL系统做value prediction。本质上是把图的拓扑结构编码成数值表示，让决策更快更准。

实际应用场景很多。医疗KG里有疾病、症状、治疗、药物等节点，关系包括"causes"、"treats"等。RL Agent可以从症状出发，跳转到可能的诊断，最后找到合适疗法——奖励快速准确的路径（少做不必要检查），惩罚风险路径（不推荐过时药物）。供应链网络也类似，节点是供应商和产品，边是依赖关系，RL可以学习避开瓶颈，优化库存调度。

LangGraph实例：把RL嵌入工作流

LangChain做的是把不同AI组件串起来（call LLM → query database → use tool），LangGraph更进一步，让你把workflow设计成有向无环图（DAG）。不是硬编码每条路径，而是把RL Agent嵌到节点里，让整个图变成动态决策系统。

比如云计算的资源调度场景，节点可能代表不同服务器或任务（"allocate CPU to email processing"），RL Agent在关键节点学习"分配更多算力"或"迁移负载"这类动作，奖励基于系统运行指标（低延迟high reward，crash或overload则penalty）。

下面我们模拟在线教育平台选课逻辑。有三个topic（math, science, history），每个都有urgency score表示学生的需求程度，Agent要选出最该教的内容。

安装依赖

pip install langgraph langchain torch gym numpy

用Gym框架定义练习空间。State是三个topic的urgency向量，比如[0.7, 0.2, 0.9]——数值越高越紧迫；Action是选择topic 0/1/2；Reward设计成负值，鼓励Agent优先选高紧迫的（最小化负loss）；Episode在所有topic都mastered时结束。

import gym

from gym import spaces

import numpy as np

class LearningEnv(gym.Env):

def __init__(self):

# Actions: Pick topic 0,1,2 to teach

self.action_space = spaces.Discrete(3)

# State: Urgency levels (0 calm, 1 urgent) for three topics

self.observation_space = spaces.Box(low=0, high=1, shape=(3,))

# Start random, like a new student's needs

self.state = np.random.rand(3)

def step(self, action):

# Reward: negative scaled by urgency (high urgency = less negative = better)

reward = -self.state[action] * 10

# Update: teaching halves urgency

self.state[action] *= 0.5

# Done when all topics below 0.1

done = all(s

return self.state, reward, done, {}

def reset(self):

self.state = np.random.rand(3)

return self.state

这里做个简单的说明：

gym.Env提供了标准接口，有step（执行动作获取反馈）和reset（重新开始）

Discrete action space让选择简单直接；Box state允许连续值（实际数据可以normalize到0-1）

Reward的负值设计：urgency 0.9对应-9（"还行"），0.1对应-1（"糟糕"），Agent会学着最小化这个loss

每次teaching把urgency减半，模拟学习进度

reset对repeated training很关键，避免数据污染

我们这里选择搭建Actor-Critic架构。Actor输出动作概率分布，Critic评估状态价值。用PyTorch实现，保持轻量。

import torch

import torch.nn as nn

import torch.optim as optim

class TutorPolicy(nn.Module):

def __init__(self, obs_size, act_size):

super.__init__

# Actor: state to action probabilities

self.actor = nn.Sequential(

nn.Linear(obs_size, 64),

nn.ReLU,

nn.Linear(64, act_size),

nn.Softmax(dim=-1) # probabilities sum to 1

)

# Critic: state to value estimate

self.critic = nn.Sequential(

nn.Linear(obs_size, 64),

nn.ReLU,

nn.Linear(64, 1) # single value output

)

def forward(self, obs):

probs = self.actor(obs)

value = self.critic(obs)

return probs, value

网络结构分析：

Actor部分：Linear层做线性变换，ReLU引入非线性（学习复杂模式），Softmax保证输出是合法概率分布

Critic部分：类似结构但输出单个value，用来估计当前state的期望回报

forward是推理过程，输入状态张量，输出action probs和value estimate

这里有一个注意的地方，obs必须是torch.tensor格式，否则会报错。如果看到nan输出，请检查输入类型。

有了环境和模型，开始训练。循环跑episodes，根据reward更新参数。

def train_tutor(env, policy, optimizer, epochs=200):

for epoch in range(epochs):

obs = torch.tensor(env.reset, dtype=torch.float32)

done = False

episode_reward = 0

while not done:

probs, value = policy(obs)

action = torch.multinomial(probs, 1).item # sample for exploration

next_obs, reward, done, _ = env.step(action)

next_obs = torch.tensor(next_obs, dtype=torch.float32)

episode_reward += reward

# Loss computation

policy_loss = -torch.log(probs[action]) * reward # REINFORCE gradient

value_loss = (reward - value)**2 # TD error squared

loss = policy_loss + value_loss

optimizer.zero_grad

loss.backward

optimizer.step

obs = next_obs

if epoch % 20 == 0:

print(f"Epoch {epoch}: Reward = {episode_reward:.2f}")

# Initialize and train

env = LearningEnv

policy = TutorPolicy(3, 3)

optimizer = optim.Adam(policy.parameters, lr=0.001)

train_tutor(env, policy, optimizer)

训练逻辑如下：

外层循环是epoch，每次reset环境开始新episode

内层while循环是单个episode的gameplay：模型推理→采样动作（multinomial保证exploration）→环境反馈→记录reward

Loss由两部分组成：policy_loss基于REINFORCE算法（-log prob * reward，放大好动作概率）；value_loss是TD error的平方（拟合value估计）

标准的梯度下降三步走：zero_grad清空旧梯度→backward计算新梯度→step更新参数

Print观察训练效果，reward从-40涨到-15说明策略在优化（负得少=选得准）

训练完成后把模型部署到workflow里，作为决策节点。

from langgraph.graph import Graph, END

def rl_teach(state):

obs = torch.tensor(state['urgencies'], dtype=torch.float32)

probs, _ = policy(obs)

action = torch.argmax(probs).item # greedy selection

return {"next_lesson": action}

graph = Graph

graph.add_node("assess_student", lambda state: {"urgencies": np.random.rand(3)})

graph.add_node("plan_lesson", rl_teach)

graph.add_node("deliver_content", lambda state: {"done": True, "taught": state["next_lesson"]})

graph.add_edge("assess_student", "plan_lesson")

graph.add_edge("plan_lesson", "deliver_content")

graph.add_edge("deliver_content", END)

compiled_graph = graph.compile

result = compiled_graph.invoke({})

print("Lesson Plan:", result) # e.g., {'done': True, 'taught': 2}

Graph构建要点：

rl_teach是核心决策节点，读取state里的urgencies，用训练好的policy推理，选概率最高的action（部署时用greedy，训练时要exploration）

节点用lambda定义简单任务，复杂逻辑就定义函数

add_edge定义数据流向；也可以用add_conditional_edges加条件分支（比如"if urgency>0.7, rush course"）

compile把图结构编译成可执行对象，invoke触发运行

这样就完成了。

如果我们后续扩展，可以加个LLM节点生成lesson explanation，在真实学生数据上训练policy，或者接入更复杂的reward shaping（考虑学生历史表现、知识依赖关系等）。训练后的Agent会自动prioritize高urgency topic，不需要手动写规则。

总结

RL不是什么黑科技，但确实能让Agent在不确定环境里真正intelligent起来。配合LangGraph这类框架，可以把RL无缝嵌入实际业务流程。RL和LLM结合（比如RLHF做alignment）能搞出既会优化路线，又能用自然语言解释决策的混合agent——这才是agentic AI该有的样子。