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。

经验回放环形队列：FIFO、预分配 numpy、随机采样与 DQN 对接。

Q 表内存布局、稀疏存储、乐观初始化与可视化；对应 Q-Learning/SARSA 实现。

从 TLR7/8、TLR3、PKR 等识别原理出发，梳理 siRNA 中常见免疫刺激性基序、代表性文献与体内外表征方案，并说明炎症应答如何干扰敲低效率与表型解释。

信任域策略优化 TRPO：KL 约束、替代目标、自然策略梯度与共轭梯度求解；与 PPO 的关系及工程取舍。

RL transition 字段标准 (s,a,r,s',done)、扩展字段、namedtuple 与 numpy 批量存储约定。

RL 超参数分类、DQN/PPO/SAC 起步表、调参顺序、学习率与奖励尺度、实验对照原则。

CartPole 上 PPO 实现：Actor-Critic 网络、Rollout 收集、GAE 优势与 Clip 损失。

CartPole 上完整 DQN：ReplayBuffer、Q 网络、目标网络、ε 衰减与训练脚本结构。