智能體–環境互動迴圈（agent–environment interaction loop）

這是強化學習的心跳，一遍又一遍地重複。智能體觀察當前情境，選一個動作，送進環境。環境回以一個新情境和一個獎勵。智能體接收後再次選擇。感知、行動、拿到獎勵、重複——這個循環轉一圈，稱為一個時間步（time step）。

強化學習的所有機制都掛在這個迴圈上。它產生的狀態、動作、獎勵之流——也就是智能體的經驗——是智能體唯一拿得到的資料；沒有另外一份訓練集。所謂學習，就是用這道資料流去改進策略，好讓一圈又一圈下來，選出的動作傾向於收集到更多獎勵。