Q-learning 使用探索性策略，从当前估计的$Q$功能，例如$\epsilon$-贪婪策略，选择动作$a$从目前的状态$s$. 采取此行动后$a$从$s$， 奖励$r$和下一个状态$s'$被观察到。此时，更新估计值$Q$函数，你使用一个假设贪婪动作是从下一个状态开始的目标$s'$. 贪心动作由$\operatorname{max}$运算符，因此可以将其视为隐式策略（但此术语并不常见，AFAIK），因此，在这种情况下，贪婪动作是与最高$Q$国家价值$s'$.

在 SARSA 中，没有$\operatorname{max}$运算符被使用，并且您派生出一个策略（例如$\epsilon$-贪婪政策）从目前的估计$Q$选择两者的功能$a$（从$s$） 和$a'$（从$s'$）。

总而言之，在所有情况下，这些政策都是隐含的，因为它们是从对$Q$函数，但这不是一个通用术语。另请参阅此答案，其中我更详细地描述了 Q-learning 和 SARSA 之间的差异，并且我还展示了这两种算法的伪代码，您应该阅读（多次）以充分理解它们的差异。