dsh-experience-policy

经验策略：把「状态→动作→回报」的历史经验转成对当前候选动作的数值加权（JitRL 式 test-time policy optimization 的本地实现，零梯度）本地实现零梯度的强化学习策略优化，适合需要动态调整决策权重的任务。

インストール

検証済み bundle がないか、互換性チェックに失敗しています。先にリポジトリの説明を読んでください。 README 全文を読む ↗

项	默认	说明
（见源码 `Config`）	—	本插件无必填项；缺省即按纯决策层工作（经验数据由调用方持有并喂入）