在本教程系列的（1）中，我演示了如何构建一个agent来在多个选择中选取最有价值的一个。在本文中，我将讲解如何得到一个从现实世界中获取 观测值 ，并作出 长期收益 最大的 行动 的agent。正如前文所说，本文解决的问题将是一个完备的强化学习问题。