"选择算法"的本质是"选择牺牲哪个维度"

不存在"最好的 RL 算法"，只有"在特定约束下最合适的算法"。样本效率、训练稳定性、通用性三个维度互相牵制，选算法时真正该做的不是比较性能数字，而是先声明"我的硬约束是什么"——这决定了你能牺牲什么，进而决定了你的搜索空间。