智能体学习训练方法、装置、计算机设备和存储介质

本申请涉及智能体学习训练方法、装置、计算机设备和存储介质，该方法包括：采用LLM模型将高层的意图转换为可执行代码，得到克隆数据集，将智能驾驶场景构建为马尔科夫决策过程并构建指令空间；构建智能体策略模型；将训练目标解耦为行为克隆和强化学习的目标并进行加权求和，根据最终训练目标对智能体进行训练，通过从克隆数据集采样，对智能体策略模型参数进行更新，然后从环境交互轨迹中采样，采用PPO方式对智能体策略模型参数进行更新。由于高层意图‑指令‑策略的链路更接近人类可理解的决策层级，便于对智能体行为进行调试、审计与回溯，从工程落地角度提升可维护性，并为后续接入安全护栏、形式化约束或规则校验提供更清晰的接口。