企业官网建设流程全解析

ML-Agents 这个项目我前前后后折腾了不少时间，从最开始的 0.8 一直用到 1.9.1，中间踩过的坑能写满一整个记事本。这篇内容就围绕“创建一个新的训练环境”展开，以官方文档为主线，结合我自己做过的几个模拟项目，把从空白项目到跑通训练的全流程拆开讲清楚。主要面向两类人：一类是刚接触强化学习、想在 Unity 里快速验证想法的初学者；另一类是被版本兼容、观察设置、奖励设计折磨到头秃的实践者。版本锁定在 ML-Agents 1.9.1 和 Unity 2018-2020，这套配置是目前我试下来最稳的组合之一。

很多新手拿到官方文档第一反应是照着 Example 环境改，这路子没错，但如果你不知道每个组件为什么存在，改了也是白改。本文会从环境结构、代码实现、训练配置、调参排错四个方面逐步走一遍，最后附上我在实际项目中遇到的高频问题。我会尽量说人话，每个配置都会解释背后的原因，而不是单纯让你照着抄。

1. 新训练环境的核心结构拆解

1.1 一个训练环境到底由哪些部分组成

先说结论：一个完整的 ML-Agents 训练环境，本质上就是一场不断重播的“剧本杀”。场景里的所有物体是舞台，Agent 是演员，Academy（现在叫 Behavior，抱歉这里有点绕）是导演，Reward 是观众反馈，而训练配置则决定了演员的表演风格。

在 1.9.1 版本中，你需要的核心层级是这样：

• Unity 场景：包含地面、光源、目标、障碍物等所有静态或动态物体。
• Agent 对象：挂载 Agent 脚本的子物体，负责感知环境、做出决策、接收奖励。
• Behavior Parameters 组件：替代了旧版的 Brain，定义了这个 Agent 如何决策——是外部隔一段时间给一次指令（决策频率），还是自己按照固定步数思考。
• 决策脚本：继承自Agent类的 C# 代码，包含OnEpisodeBegin()、CollectObservations()、OnActionReceived()、Heuristic()四个关键方法。
• Python 端：通过mlagents-learn命令加载训练配置和场景名称，启动与 Unity 的通信。
• 训练配置文件（YAML）：定义强化学习算法（PPO、SAC）的超参数、网络结构、奖励信号等。

对初学者来说，最容易混淆的是把“Agent 对象的脚本”和“训练配置”混为一谈。实际上，Agent 脚本只负责与环境交互的接口，真正的学习发生在 Python 端的神经网络里。Unity 这边只是不断产生数据流，通过 socket 发给 Python，Python 算完再把动作指令传回来。

1.2 为什么我推荐从官方环境改造而不是完全从零开始

官方文档反复强调要先跑通一个现成环境，不是没有道理的。从零开始建环境，你需要同时处理场景物理、相机设置、脚本逻辑、训练配置四件事，任何一个环节出错，训练都不收敛。而你根本分不清是代码 bug 还是超参问题。

我自己经历过最痛苦的一次：一个简单的“方块找目标”任务，Agent 怎么都学不会，后来发现是场景中阴影和光照影响了视觉观察，加上奖励给的太稀疏，双重原因叠加。这种问题如果你用官方示例先跑通基准，再逐步替换，就能很快定位。

所以我的建议是：先拷贝一个官方示例环境（比如 3DBall 或 PushBlock），把场景内容替换成你自己的玩法，保留原来的框架，然后一点一点把你不需要的部分删掉。等到项目成功跑通一次训练，再考虑完全从空白场景构建。这个顺序能少走 80% 的弯路。

2. 从空白场景创建新环境的完整实操流程

2.1 环境准备工作：Package 版本与 Python 版本匹配

这一步是地基，很多人卡在最开始就是这个原因。ML-Agents 1.9.1 对应的 Unity 包版本是 Release 9，Python 包版本是mlagents==0.28.0（我试过 0.30.0 也能跑，但 0.28 最稳）。Unity 2018 到 2020 版本都可以用，但需要留意：

• Unity 2019.4 LTS 搭配 1.9.1 是我最推荐的组合，测试覆盖最多。
• Unity 2020 以上需要把包从com.unity.ml-agents路径导入，同时确认scopedRegistries是否正确。

具体安装步骤不展开了，简单列一下：

1. 创建一个 3D 项目（建议用内置渲染管线，不要用 URP，否则感知传感器会多一层色彩空间的坑）。
2. 从官方 GitHub 下载 releases 对应的 unity package，或者通过 Package Manager 添加。
3. 添加ml-agents、ml-agents-extensions（如果有需要）到项目。
4. 在 Python 环境（建议用 conda 独立环境）安装全套依赖：pip install mlagents==0.28.0 torch==1.10.2 -f ...（具体 wheel 请根据你的 CUDA 版本选择）。

这里有一个官方文档里没细说但特别重要的点：Jupyter Notebook 里提示No module named 'mlagents_envs'时，往往是你pip install mlagents时把基础包装好了，但是导入了错误的环境。正确姿势是在项目的 Python 环境里运行python -m mlagents_envs，而不是直接import mlagents_envs。

2.2 场景搭建与 Agent 对象的设计

场景逻辑决定了任务的可学性。以最经典的“方块寻找目标”任务为例，你需要：

• 地面：一个足够大的 Plane，否则 Agent 走走就掉出边界。
• 目标：一个可被视觉识别的小方块，随机位置生成。
• Agent 主体：一个 Capsule 或 Cube，挂上 Rigidbody（注意冻结旋转，只保留 xz 移动）。
• 墙体或 Boundary：用一个 invisible wall 把有效区域圈起来，避免 Agent 逃逸。

在层级结构中，建议单独建一个空物体叫Environment，下面挂EnvController脚本，负责在每轮训练开始前随机摆放目标位置。这比让 Agent 自己控制目标要清晰，因为 Agent 脚本只关心自身的观测和行动，不关心全局布局。

Agent 对象上需要挂两个组件：Agent脚本（自己写）和Behavior Parameters。Behavior Parameters 里，Behavior Name决定了你在训练命令行中用的名称，比如MyAgentBehavior。Vector Observation的Space Size要与你CollectObservations()中添加的数值数量严格一致，这个绝对不要写错，错一位都不行。Actions部分选择Continuous Actions还是Discrete Actions，取决于你的动作空间，下面会详细说明。

2.3 编写第一个 Agent 脚本：核心方法逐个解析

这是我的练习环境脚本，先给你看整体：

using UnityEngine; using Unity.MLAgents; using Unity.MLAgents.Sensors; using Unity.MLAgents.Actuators; public class SeekTargetAgent : Agent { public Transform target; public float moveSpeed = 2f; private Rigidbody rBody; public override void Initialize() { rBody = GetComponent<Rigidbody>(); } public override void OnEpisodeBegin() { // 重置 Agent 自己的位置和速度 rBody.angularVelocity = Vector3.zero; rBody.velocity = Vector3.zero; transform.localPosition = new Vector3(0f, 0.5f, 0f); transform.localRotation = Quaternion.identity; // 重置目标的位置到一个随机坐标 if (target != null) { target.localPosition = new Vector3(Random.Range(-8f, 8f), 0.5f, Random.Range(-8f, 8f)); } } public override void CollectObservations(VectorSensor sensor) { // 位置和方向：6 个 float sensor.AddObservation(transform.localPosition); sensor.AddObservation(transform.localRotation); // 目标相对位置：3 个 float sensor.AddObservation(target.localPosition - transform.localPosition); // Agent 自身速度：3 个 float（从 Rigidbody 获取） sensor.AddObservation(rBody.velocity); // 距离：1 个 float sensor.AddObservation(Vector3.Distance(target.localPosition, transform.localPosition)); // 总计 13 个观测变量 } public override void OnActionReceived(ActionBuffers actions) { // 连续动作：第一个控制 x 方向速度，第二个控制 z 方向速度 float moveX = actions.ContinuousActions[0]; float moveZ = actions.ContinuousActions[1]; Vector3 velocity = new Vector3(moveX, 0f, moveZ) * moveSpeed; rBody.velocity = velocity + new Vector3(0f, rBody.velocity.y, 0f); // 奖励逻辑：碰触目标给 +1 并结束回合 // 每步给一个小惩罚，迫使 Agent 尽快到达 AddReward(-0.01f); } public override void Heuristic(in ActionBuffers actionsOut) { // 手动控制测试用 var continuousActions = actionsOut.ContinuousActions; continuousActions[0] = Input.GetAxis("Horizontal"); continuousActions[1] = Input.GetAxis("Vertical"); } private void OnTriggerEnter(Collider other) { if (other.CompareTag("Target")) { AddReward(1.0f); EndEpisode(); } } }

然后讲每个方法的设计思路。

OnEpisodeBegin：每一轮训练（episode）开始时调用。它做两件事：一是重置 Agent 状态，二是重置目标任务状态。如果你希望目标位置是随机但又不是每次都换，可以加一个episodeCount字段控制每隔 N 回合换一次目标，这样可以观察 Agent 对固定目标的记忆能力。

CollectObservations：这是让环境能被学习的关键。你的观测空间就是“给神经网络的输入特征”。设计观测空间时，要遵循“相对而非绝对”的直觉：绝对坐标对 Agent 没有意义，因为它不知道世界原点是哪里；相对位置才是决策依据。所以我在上面把目标相对位置单独放进去。注意，位置 + 速度 + 相对位置一共 9 个维度，再加上一个距离，神经网络的学习压力已经比较大了。实际项目中，我一般会先用一两个维度验证训练能收敛，再逐步增加特征，而不是一开始就堆几十个变量。

OnActionReceived：动作空间设计。连续动作直接使用ContinuousActions数组。如果动作是离散的，比如上下左右四个方向，就需要用DiscreteActions。但我要提醒你：对于移动类任务，连续动作通常比离散动作学到更流畅的策略，因为离散动作在转向时会形成突变，不利于平滑控制。

Heuristic：这是调参神器。训练前先用键盘手动控制 Agent，观察传感器数据是否合理、碰撞检测是否正常、环境是否太简单或太难。如果手动控制都拿不到正奖励，那你不能指望强化学习能凭空学会。官方文档也建议在实际训练前启用 Heuristic 测试。

2.4 Behavior Parameters 与决策频率设置

Behavior Parameters 组件上有几个关键参数容易忽视：

• Behavior Name：必须是一个合法的 Python 标识符，训练命令行中要完全一致。比如SeekTargetBehavior。
• Vector Observation > Space Size：和CollectObservations中添加的总数一致。我在上面是 13，如果你想加入射线感知，Space Size 会变成numRays * (1 + detectionLevels)，这个公式很多人记错，后面我会在常见问题里讲。
• Vector Observation > Stacked Vectors：控制历史观测堆叠数量。通常设为 1，如果你希望 Agent 感知到速度或方向的变化，可以设为 3-5，但堆叠会显著增加输入维度，导致训练更慢。
• Actions > Continuous Actions / Discrete Actions：这里选择的模式必须和OnActionReceived中读取的 action 类型匹配。你选了 Continuous，代码里用DiscreteActions读取就会报错。
• Behavior Type：默认为 Default（训练时由 Python 决定）。如果你暂时不想训练，只想在编辑器里用 Heuristic 模式测试，可以临时切换为Heuristic Only。但务必记得训练前改回来，否则 Python 端会一直看待超时。

决策频率（Decision Frequency）在 1.9.1 版本中已经放到了 Behavior Parameters 里，不再需要单独的DecisionRequester脚本。默认值 5 意味着每隔 5 个 FixedUpdate 会请求一次决策。对于简单的控制任务，5 够用；对于需要快速反应的任务，可以设为 1，但会成倍增加训练时间。我个人经验是：除非任务对实时性非常敏感，否则尽量保持默认或稍微调高到 5-10，反而更容易学到一个稳定的策略。

3. 核心实现细节：观察、动作、奖励与代码实战

3.1 向量观察与视觉观察怎么选

ML-Agents 提供了三种感知方式：向量观察（Vector Observation）、视觉观察（Camera Sensor）、射线感知（RayPerception）。

public override void CollectObservations(VectorSensor sensor) { sensor.AddObservation(...); // 向量 }

如果你的 Agent 状态是可以直接量化的（位置、速度、角度），这是最方便、训练效率也最高的方式。因为它直接将原始数值作为神经网络输入，不需要做图像卷积。很多同学认为视觉观察看起来“更像 AI”，但实际效果往往不如精心设计的向量观察，因为相机传感器要求场景光照稳定、物体颜色对比度足够高，而且训练数据量需求大得多。

视觉观察适合那些“无法用简单数字描述”的任务，比如识别物体形状、判断方向、理解地图。一个典型的配置是在 Agent 上添加Camera Sensor组件，指定分辨率和灰度/彩色模式。我建议分辨率从 64x64 开始，不要一上来就用 128x128，参数量差距是平方级的。

射线感知是介于两者之间的方案，通过向多个方向发射射线探测物体距离，各个方向的探测结果拼接成一个向量。它比相机传感器计算开销小，也比纯手动设计特征更智能。常用的RayPerceptionSensor组件需要设置射线数量、角度范围和检测层。这里有个容易搞混的点：每条射线会对每个检测层返回一个 0-1 的距离值，外加一个是否命中的标记。所以空间大小的计算公式是：射线数 * (检测层数 + 1)。如果你设了 5 条射线、2 个检测层，那么空间大小应该是5 * (2+1) = 15。我在第一次配置时就没算这个，导致空间大小不匹配，报错排查了很久。

3.2 动作空间设计：连续、离散还是混合

ML-Agents 1.9.1 支持连续动作和离散动作，且可以同时存在。

连续动作空间，每个维度在 [-1, 1] 之间。为了让 Agent 更平滑地移动，我通常会把实际速度映射到动作值，比如动作值乘以最大速度。要注意的是，不要让输出直接作为速度，尤其是 Rigidbody 的速度，那样容易产生抖动，推荐在动作到实际物理操作之间加一个平滑层或限幅。

离散动作空间，比如Branch Size分别设定每个分支的离散选项数。一个典型例子：Discrete Branches = [2, 2, 2, 2]表示有四个分支，每个分支两个选项，可以编码“前进/后退”“左转/右转”“抓取/松开”“跳跃/静止”这四个独立能力。这个结构和 MultiDiscrete 空间是完全对应的，非常实用。

混合动作的常见场景是：一个分支控制方向（连续两个维度），另一个分支控制一个开关（离散两个选项）。在代码里，连续动作和离散动作分别通过ContinuousActions和DiscreteActions读取。

3.3 奖励设计的几条铁律

奖励设计是整个强化学习里最玄学的部分。我自己总结了几条经验：

规则一：先用稀疏大奖励，再用密集小奖励。如果 Agent 能通过一次碰撞直接获得 +1 奖励并结束回合，它会更快地学会“接近目标”这个行为。如果你一开始就给每一步的接近量进行微小奖励，Agent 很可能会学到原地抖动的作弊策略来骗奖励。我前几次试过用“距离减小一点给 +0.01”，结果 Agent 学会了曲线移动——因为它发现这样可以让距离反复变化，反复拿奖励。

规则二：惩罚不要太过，否则 Agent 选择提前结束。一个常见的错误是给每一步 -0.1 的惩罚，频繁碰撞再罚 -1。这样 Agent 会学到“站着不动”是最安全的。适当的做法是：步数惩罚设为 -0.01，让 Agent 在“快速完成”和“缓慢安全”之间找到平衡。

规则三：至少给一个终止条件和正奖励。如果整个训练过程中没有一个方法触发EndEpisode()并给正奖励，学习算法就会进入死循环，永远无法确认某个行为是好是坏。你的场景一定要确保存在“成功状态”，哪怕概率很低。

规则四：使用Reward Signals设置 External 和 Curiosity（可选）。如果你发现 Agent 在前几百 episodes 里毫无进展，可以尝试加入curiosity奖励信号，它会基于预测误差给出探索奖励，帮助 Agent 在早期找到稀疏奖励。但要注意，curiosity 过强会让 Agent 变成“乱跑狂魔”。YAML 里可以这样配：

reward_signals: extrinsic: strength: 1.0 gamma: 0.99 curiosity: strength: 0.01 gamma: 0.99 encoding_size: 128 learning_rate: 0.0003

gamma决定了 Agent 对未来奖励的重视程度。0.99 左右是默认，如果任务步数很多，可以适当降到 0.95，减小未来奖励的累积误差。

3.4 训练配置文件 YAML 关键参数实战

ML-Agents 1.9.1 支持 PPO 和 SAC。我的推荐是：默认用 PPO，连续动作空间可以用 SAC，但 SAC 对超参敏感，新手慎用。

一个基础 PPO 配置长这样（假设行为名是SeekTargetBehavior）：

behaviors: SeekTargetBehavior: trainer_type: ppo hyperparameters: batch_size: 1024 buffer_size: 10240 learning_rate: 0.0003 beta: 0.005 epsilon: 0.2 lambd: 0.95 num_epoch: 3 learning_rate_schedule: linear network_settings: normalize: false hidden_units: 128 num_layers: 2 reward_signals: extrinsic: strength: 1.0 gamma: 0.99 max_steps: 500000 time_horizon: 64 summary_freq: 10000 keep_checkpoints: 5 checkpoint_interval: 50000 threaded: true

我解释几个容易踩坑的参数：

• buffer_size要远大于batch_size，且能整除batch_size，否则训练时采样会报错或效率低下。
• time_horizon是收集多少步经验后进行 GAE 计算。对于步数较多的任务，可适当调大到 128-256，太短会导致价值估计不够稳定。
• normalize: false是对输入观测做归一化。如果观测值量纲差别很大（比如位置是 10，速度是 0.1），建议设为true。但要注意，设置normalize会增加一定训练开销。
• max_steps表示总训练步数。500000 是最低量级，推荐至少 2000000 才可能收敛。如果想快速验证，可以先用 50000 看趋势。

启动训练的命令行我一直记着一句口诀：“配置文件、场景、run-id 三位一体”。

mlagents-learn config/ppo_SeekTarget.yaml --run-id=seek_target_1 --port=5005

训练开始前，会让你按 Play 键启动 Unity 场景。按下 Play，等到控制台出现 “Start training” 的字样，就开始正常跑了。如果卡在 “Waiting for trainer” 或半天不响应，多半是 Python 版本不匹配或端口被占用。

3.5 一次完整训练运行的观察记录

我以实际跑过一次的任务为例，展示你该关注哪些输出：

• 前 20 万步：Cumulative Reward 一直徘徊在 -100 左右，Agent 基本在乱动。
• 20-40 万步：偶尔出现几次正奖励，但方差很大，TensorBoard 上的奖励曲线开始有上升势头。
• 40 万步之后：策略逐渐稳定，Agent 开始直线走向目标，碰撞后获得正奖励的频次增加。

在这个阶段，你可以在 Unity 编辑器里看到 Agent 的移动逐渐从抽搐变为平滑，这是胜利前的信号。但不要急着庆祝，去 TensorBoard 看Entropy值：如果熵早早降到 0.01 以下，而奖励还没起来，说明策略过早收敛到局部最优，需要降低beta或增大初始化噪声。我踩过这个坑，最后把beta从 0.005 调到 0.02，释放了更多探索行为，才最终学到正确策略。

4. 新环境训练中的高频问题与排查技巧

4.1 训练不收敛、奖励曲线毫无起色时怎么查

遇到这种问题先别怀疑算法，99% 是这四类原因：

1. 奖励设计落地有问题：你写的AddReward真的执行到了吗？我没少犯这种低级错误，比如OnTriggerEnter里没有CompareTag匹配成功，导致奖励永远加不上。建议在代码里临时写一个Debug.Log("Reward +1")看看是否触发。

2. 观测数据没有区分度：如果不同状态下观测值几乎一样，神经网络学不出决策。你可以打印观测看看，例如用VectorSensor的原始值，在Heuristic模式下人为制造两种状态差异，对比观测数值是否明显。

3. 动作空间与物理响应不匹配：比如你让动作直接控制速度，但物理引擎阻尼过大，实际运动幅度很小。可以用Debug.Log(rBody.velocity)看速度变化。

4. 训练配置里max_steps太小：我试过以为 200000 步足够了，结果 Agent 还在探索期。判断的标准是：TensorBoard 里的Cumulative Reward曲线是否在稳定步入上升通道。如果是乱撞，考虑加步数。

4.2 与 Unity 版本兼容的经典坑

ML-Agents 1.9.1 官方文档特别指明支持 Unity 2018-2020，但我实测发现 2020 版本中需要额外注意插件包中的Burst和Mathematics版本，如果不一致，会出现“socket exception”或TLS Allocator报错。解决办法是在 Package Manager 中把com.unity.burst降级到 1.4.0 左右。

另一个坑是：如果用MLAgents1.9.1，但 Python 端安装了 0.30.0 或更新版本，在启动训练时会出现Unable to connect to Unity或No brain in environment。这不是玄学，是因为 1.9.1 的通信协议版本与新版 Python 包不兼容。我的建议是严格锁定 Python 包版本为 0.28.0，并创建单独的虚拟环境，避免和别的项目混用依赖。

4.3 视觉观察全黑或轮廓不对

如果你用Camera Sensor或RayPerception，最典型的故障是视觉输入全黑。原因通常是相机Target Texture没有正确设置，或在训练模式下摄像机被 UI Canvas 遮挡。检查方法：在编辑器里调成一个空场景，把相机对准目标，查看相机预览是否正常。

关于射线感知，检查Detectable Tags列表是否设置正确。默认射线会检测所有标签，但如果你使用了自定义标签，一定要在Ray Perception Sensor 3D组件的参数里添加这些标签。官方文档里提到过，但很多人会翻来覆去找不到问题在哪。

4.4 利用 Heuristic 模式快速验证环境逻辑

这是我最推荐的基本功测试法。将 Behavior Type 切换为Heuristic Only，然后在OnActionReceived中通过Input.GetAxis控制动作。以我的经验，这个模式能帮你发现：

• Agent 的物理感受器是否正常，比如碰撞、摩擦、重力。
• 目标的产生和重置是否可靠。
• 奖励是否正确累加并触发回合结束。

如果你手动控制可以轻松完成目标，但切换回训练模式学时非常慢，那说明奖励信号或观测结构还有待改进。反之，如果手动都完不成，说明任务设计有硬伤，比如目标永远生成在 Agent 无法到达的地方。

4.5 一个替代思路：从简单环境递增难度

最后分享一个我自己常用的策略：新建环境时，先造一个简化版，只保留一个目标点、没有障碍物、没有随机干扰，训练到稳定收敛，然后再逐步加入障碍物、移动目标、风力等干扰。这比直接上一个复杂任务要省心得多。因为每次只改一个变量，出了问题你能立刻知道是哪个改动引起的。

官方文档里虽然没有详细写这种工作流，但我认为它本质上符合强化学习的“课程学习”（Curriculum Learning）思想。在 ML-Agents 中可以设置lesson和Curriculum文件来动态改变难度参数，但对新手来说，手动简化环境就已经能解决 90% 的学习问题。

5. 训练启动后的实战观察与优化策略

5.1 以 TensorBoard 为核心的第一轮分析

训练开始后，不要干等着。

正确流程是立刻打开 TensorBoard：

tensorboard --logdir results/seek_target_1

重点关注这几个指标：

• Cumulative Reward：回合总奖励的均值。如果持续上升，说明策略在改善；如果横盘甚至下降，优先查奖励函数。
• Value Loss / Policy Loss：两者都应在一定范围内起伏。若 Value Loss 爆炸到 1e6 级别，可能是奖励数值范围太大，需要做尺度缩放，比如所有奖励乘以 0.1。
• Entropy：代表动作分布的随机程度。初始约 1.0，逐步下降是正常的，但如果过早降到 0.01，就要怀疑探索不足。
• Policy Gradient：看到它稳定为负且绝对值减小，说明策略在优化。

我第一次跑某个任务时，只看 Cumulative Reward 一直没涨，就想改网络结构。后来看了一眼 Entropy，才发现已经归零，其实是beta太小导致探索耗尽。这类案例说明指标之间要交叉验证，不能只看一个。

5.2 环境难度调节与课程表策略

官方文档提供了一个Curriculum文件的功能，可以按阶段改变环境参数，比如目标的运动速度、障碍物数量。我个人觉得 1.9.1 的 curriculum 配置稍显笨重，但确实有效。

它的核心思想是：从最简单的配置开始训练，当 Cumulated Reward 达到一个阈值后，通过lesson自动提高环境复杂度，让 Agent 渐进式学习。配置示例：

behaviors: SeekTargetBehavior: trainer_type: ppo curriculum: measure: reward threshold: 0.8 min_lesson_length: 100 signal_smoothing: true parameters: target_move_speed: - 0.0 - 1.0 - 2.0 - 3.0

在代码里，通过Academy.Instance.EnvironmentParameters读取参数并根据 lesson 改变目标移动速度。我在某个项目中靠着这个方法把一个原先学不会的“追移动目标”任务变成了稳定收敛。

但注意：curriculum 只适合奖励信号明确的场景，如果你在早期阶段连简单版都无法稳定拿正奖励，加课程表只会让训练雪上加霜。

5.3 多环境加速与训练稳定性

ML-Agents 支持在 Unity 中同时运行多个环境副本（即多个独立场景实例），可以显著加速数据采集。在 1.9.1 中，你可以通过将场景中的 Environment 做成 Prefab，然后在训练时用代码创建多个实例。但这里有个关键细节：每个实例的 Agent 都必须有不同的Behavior Parameters或独立 arena，否则数据会混在一起。

我常用的做法是，在场景中放置一个Dummy空物体，上面挂一个 Manager 脚本，在 Awake 中复制 N 个环境 Prefab。这个脚本不参与训练，只负责初始化。

5.4 训练合约之外的后处理技巧

训练完成后，模型会保存为.onnx文件。拿到模型后不要直接扔到项目中，先在Agent代码里通过Model Override加载模型，并把 Behavior Type 切换为Inference Only，在手动控制环境下观察它的表现。这里常遇到的问题是：

• 模型推理速度正常但行为不符合预期，通常是训练时观测和推理时观测不一致，比如一个用了Random乱数，一个用了固定值。
• 模型在编辑器里跑但发布到移动端后卡顿，可以考虑把Model Override中的Deterministic Inference选项打开，降低随机性。

最后一点切身感受：训练环境并不是建完就能一劳永逸的。你每修改一次场景物理、Agent 步长或奖励值，意味着之前训练出的模型很可能不再适用。建议把每个跑过的配置都记录下来，包括 Unity 场景版本、YAML 参数、Python 版本、训练步数，方便复现。

我自己习惯在项目目录下放一个train_log.md，每次实验记录一句话结论。时间久了你会感激这个习惯的。ML-Agents 的坑永远是那种“看似小但特别磨人”的类型，比如全黑画面、奖励不触发、版本冲突，但只要你肯花时间把每一步拆开验证，这些都能很快绕过去。如果你在创建一个新环境时卡住了，不妨回到基础：用 Heuristic 模式手动操作，确认环境反馈合理，再做智能训练。磨刀不误砍柴工。