1. 状态空间可以是高维，但是动作空间尽量小
原因：强化学习相当于是加强版的搜索算法，需要对动作空间进行探索，高维的动作空间非常稀疏，模型很难学习到有用的东西。更加具体来说，当动作奖励更高的时候，对模型来说才是比较有用的。在高维空间采样，可能采样很久奖励都不会变高。模型陷入局部最优中。
例子：设计围棋问题时，动作空间尽量不要选择224*224，而是2*224。
例子2：高考中你更愿意做选择题还是填空题？
2. 使用多个环境采集数据
原因：使用多个环境采样数据，数据采样效率大大上升，模型更加容易收敛。
3. 如果不知道选什么算法，无脑PPO
原因：比较容易收敛，且对于连续动作，离散动作都能很好支持。
4. 模型参数不要太多
原因：因为是无监督学习，标签并非是一对一的，模型收敛很困难。可以参考GAN之类的，基本参数都比较小，不敢弄得非常大。
5. 奖励和动作尽量采用变化量，而不是本身
原因：假设环境是在纸上画一条线，要和最优解的线重合，那么是擦掉之前画的，重新画容易，还是在原来的基础上修改容易？
是画了以后告诉你偏差多少容易，还是告诉你和之前相比，偏差更大/更小容易？