这里用了两种方式实现：//这一种方式用来三个指针，一个用来遍历的p指针，一个指向p的前驱的pre指针，还有一个标识目标节点的q指针while(p!=null){if(p->data==x){q=p;p=p->next;pre->next=p;free(q);}else{pre=p;p=p->next;}}//这一种方式用来两个指针，一个用来遍历的p指针，一

定位：经典on-policy Actor-Critic 强化学习，RLHF 早期标准方案。核心原理用Critic（价值网络）估计状态价值，计算优势函数（GAE）。带clip 裁剪约束策略更新幅度，防止训练崩溃。加KL 散度约束，避免偏离参考（SFT）模型。组件：策略（Actor）+ 价值（Critic）+ 奖励模型（RM）+ 参考模型。PPO：最稳但最贵，全流程强化学习。DPO：最便宜好用，直接学

关于大模型微调后效果，我这里给出可以量化指标。

在多agent架构中，首先需要通过意图识别技术解析用户输入的真实目的，为后续决策和行动提供基础。

WinRate、拒绝率、幻觉下降、简洁度、冗余度、安全合规、人类偏好满意度、保守严谨度。指令跟随、格式遵循、基础能力、专业客观正确率、少乱答。LLM 裁判 0~5 分打分，取全样本均值。

适合：参数错、选工具错、路由选错、格式错误。网络超时只重试，逻辑跑偏才回退；错一步退上节点，走死胡同跳入口；记忆保留不动，次数限制防循环。回退先滚状态，再重思考重走；

适合：参数错、选工具错、路由选错、格式错误。网络超时只重试，逻辑跑偏才回退；错一步退上节点，走死胡同跳入口；记忆保留不动，次数限制防循环。回退先滚状态，再重思考重走；

拆分记忆层级 + 结构化存储 + 动态压缩 + 按需召回 + 遗忘 / 淘汰 + 安全隔离。不依赖大模型原生上下文，通用适配单 Agent / 多 Agent、长对话、业务系统。

用户进入 → 识别user_id（游客自动生成）选中会话 → 识别session_id加载数据 → 长期记忆(数据库) + 短期记忆(Redis) 塞入StateAgent运行 → 临时字段在State流转，不落地会话结束 → 只更新短期记忆、长期记忆，临时数据全部丢弃。

整个过程包含：「线上采错→离线优化→评测验收→灰度上线」抓到的错误案例倒流（反哺）加到评测题库里进行测试，测试改好、测稳了，