
IA et informatique
Apprentissage par renforcement : boucle agent-environnement
- Composition:
- une boucle fermée entre deux boîtes
- Format:
- 4:3
Prompt
Créez un schéma de « la boucle d'apprentissage par renforcement » : une boîte d'agent (une petite icône de robot) en haut et une boîte d'environnement (un petit labyrinthe) en bas, réunies en une seule boucle. Dessinez chaque relation exactement comme indiqué et rien de plus :
1. 【L'agent envoie une action à l'environnement le long du côté droit de la boucle.】
2. 【L'environnement envoie le nouvel état et une récompense à l'agent situé sur le côté gauche de la boucle.】
3. 【À l'intérieur de l'agent, une petite boîte de politique choisit l'action de l'état.】
4. 【Une courte flèche pointillée allant de la récompense à la politique montre la récompense mettant à jour la politique.】
Il n'y a pas de barres en T sur cette figure. N'écrivez pas les phrases numérotées sur la figure. Écrivez chaque étiquette une seule fois dans toute la figure.
Libellés (utilisez chacun une seule fois, sans ajouter d’autre texte) : 【Agent, Environment, Action, State, Reward, Policy】.
Style : diagramme schématique de style journal. Nettoyer les graphiques vectoriels plats sur fond blanc. Les modules sont des rectangles arrondis ou de simples icônes avec leurs noms courts à l'intérieur ; les panneaux pastel clair regroupent les calques associés. Seulement 3-4 couleurs atténuées, chacune avec une signification fixe. Des flèches fines et uniformes montrent le flux de données, d'énergie, de matière ou d'influence ; flèches en pointillés pour les liens indirects ou de rétroaction. Étiquettes anglaises sans empattement uniquement, chaque étiquette apparaît exactement une fois, orthographiée exactement comme indiqué. Pas de rendu 3D, pas d'ombres, pas de lueur, pas de décoration cyberpunk ou tech, pas de photoréalisme.
Ouvre Yila avec ce prompt et l’exemple comme image de référence.
Les exemples ont été générés avec Nano Banana. Le prompt fonctionne aussi avec GPT Image et d’autres modèles d’image ; les résultats varient selon le modèle.






