强化学习 (RL) 问题由四个关键部分组成: 智能体、环境、行为和奖励。
代理是与环境交互的学习者或决策者。环境是智能体与之交互的一切，包括外部系统或问题空间，如游戏世界或机器人的物理环境。动作是智能体可以做出的影响环境的选择或动作，例如移动机器人或选择游戏动作。最后，奖励是代理在执行动作后收到的反馈信号。奖励可以是积极的 (表示成功的行动) 或消极的 (表示失败)，引导智能体学习最佳行为。
这些组成部分共同形成了一个反馈回路，在这个回路中，智能体做出决策 (动作)，环境以新的状态做出响应，智能体获得奖励或惩罚以调整其未来的动作，逐渐学会做出更好的决策。