Learn2Play Bench: сырая история попыток лучше выжимки правил для агентов, которые учатся на ходу

Парадокс: чем «умнее» агент сжимает свой опыт в правила, тем чаще он сам себя ломает. Метод позволяет агенту, который учится методом проб в незнакомой системе, не терять рабочие варианты из-за поспешных выводов. Фишка: храни дословные записи «действие → ответ среды» и держи выводы отдельно, как гипотезы. Агент после двух-трёх неудач пишет себе урок: «так нельзя». Дальше он слепо верит этому уроку. На 20 текстовых играх со скрытыми правилами полная история часто лидировала или шла в числе лучших. Подход «ничего не помнить между попытками» проиграл везде.