后者

在强化学习（Reinforcement Learning）架构中，Policy（策略）定义为智能体（Agent）从当前观测状态（State）映射到动作（Action）的概率分布函数。它构成了智能体的‘大脑’或‘行为准则’，决定了在特定情境下应采取何种行动。与传统的基于规则的系统不同，Policy 通常通过机器学习算法（如深度神经网络）从环境交互数据中动态学习优化，旨在长期累积奖励最大化的目标下，实现从探索（Exploration）到利用（Exploitation）的平衡。

Policy 是现代智能体自主决策的基石，其生态地位已从早期的确定性规则映射演变为复杂的概率分布模型。在深度强化学习（DRL）领域，Policy 常作为神经网络的核心输出层，直接驱动智能体的行为。其核心价值在于将抽象的优化目标转化为具体的执行动作，使得智能体能够处理高维、非结构化环境中的复杂决策问题。无论是游戏 AI、自动驾驶还是资源调度，Policy 都是连接感知与行动的桥梁，其性能直接决定了智能体的最终表现。