SB3 快速上手、算法-环境对照、CleanRL/RLlib 对比与 baseline 用法。

时序差分 TD：TD(0)、n-step TD、TD(λ)、Sarsa/Q-Learning 统一视角与 Bootstrap 偏差–方差权衡。

Episode return、成功率、样本效率、学习曲线绘制与多 seed 统计报告规范。

CartPole、MountainCar、LunarLander、Atari、MuJoCo 环境特点与算法选型对照。

动态规划 DP：策略评估、策略迭代、价值迭代；已知模型 P/R 下的表格求解与收敛性。

Gymnasium 安装、Space、Wrapper、RecordVideo、自定义环境与 RL-04 训练循环对接。

离散 logits 与连续高斯策略的网络输出、log_prob、tanh squash 与 PPO/SAC 存储字段。

TD(λ) 资格迹存储与更新、与 GAE 的关系、表格型实现要点。

PPO/A2C Rollout 缓冲：轨迹字段、GAE 扫描、On-Policy 清空策略与向量化收集。

优先经验回放 PER：TD 误差优先级、SumTree 采样、重要性权重修正。