训练智能体第四课：从奖励函数到环境，走向真实编码智能体

01 摘要

视频介绍了训练智能体的第四部分，重点在于从奖励函数到环境的转变。演示了如何使用OpenEnv构建环境，并通过TRL训练编码智能体，两个实例分别展示了在MBPP和DeepCoder任务上的性能提升。

02 关键点

1. 奖励函数不足以指导多步骤智能体，需要环境。
2. reset()/step()成为智能体与环境交互的标准接口。
3. RL环境包括任务、工具、后端、奖励和回合五个部分。
4. OpenEnv生态连接了Verifiers、OpenReward和Harbor。
5. TRL通过environment_factory调用环境，替代reward_funcs。