学习代理可以定义为随着时间的推移，基于与环境（或经验）的交互来提高其性能（可以根据上下文以不同方式定义）的代理。

人是学习代理的一个例子。例如，一个人可以学会骑自行车，尽管在出生时没有人拥有这项技能。

Norvig 和 Russell 所著的 AIMA 书（第 3 版）的第2.4.6 节学习代理（第 54 页）定义了一个学习代理，如下所示。

一个学习代理可以分为四个概念组件，如图 2.15 所示。

四个组成部分是

1. 学习元素：改进性能元素（例如Q-learning）
2. 性能元素：选择在环境中采取的行动（这类似于模型，例如神经网络，它包含在环境中行动的知识或规则）
3. 评论家：向学习元素提供反馈（基于一些性能指标），以改进性能元素（这就是您评估潜在改进的方式）
4. 问题生成器：建议将导致新的信息体验的行动（这将是强化学习中的行为策略）

乍一看，这个定义似乎与上面给出的定义无关，但它们是等价的。Norvig 和 Russell 对学习代理的定义建立在他们对代理的定义之上。此外，正如我在上面所写的，如果您熟悉 RL，这四个组件可以与强化学习中的常见概念相关联（例如 Q-learning、价值函数/策略、目标、行为策略）。本书只是使用不同的名称来指代相同或相似的概念。

为了让定义更清晰，Norvig 和 Russell 还提供了一个例子

为了使整体设计更加具体，让我们回到自动出租车的例子。性能要素包括出租车选择其驾驶行为的知识和程序的集合。使用这种性能元素，出租车在路上行驶并行驶。批评者观察世界并将信息传递给学习元素。例如，出租车在三个车道上快速左转后，评论家观察到其他司机使用的令人震惊的语言。从这个经验来看，学习元素能够制定一条规则，说这是一个坏动作，并且通过安装新规则来修改性能元素。问题产生器可能会识别某些需要改进的行为领域并提出实验建议，例如在不同条件下在不同路面上尝试刹车。

这个答案提供了机器学习领域和 ML算法的更多定义，这与学习代理不完全相同，因为代理的概念还暗示或强调使用带有传感器、执行器和代理程序（将观察结果转换为动作），但是这个答案和另一个答案中给出的定义彼此一致。