当我阅读这里发布的 Sutton Bartol 的 RL 教科书时，我遇到了同样的问题。

我们为什么要更新$W$和$\frac{1}{\mu (A_t | S_t)}$代替$\frac{\pi (A_t | S_t)}{\mu (A_t | S_t)}$?

看来，根据教科书的更新规则，无论采取什么行动$\mu$决定选择，我们自动假设$\pi$会以 100% 的概率选择它。但$\pi$对 Q 是贪婪的。这个假设有什么意义？