核心概念¶

AxiomRL 的设计理念围绕**可靠性**、**可扩展性**和**易用性**展开。本章节将帮助您理解框架的核心组件及其协作方式。

快速导航¶

系统架构

了解 AxiomRL 的三层架构设计：Core 稳定层、Experimental 实验层、Contrib 社区层和 Zoo 基准层，以及它们各自的职责与稳定性保证。

查看架构详情
训练流程

从 YAML 配置到模型检查点，完整了解 AxiomRL 的训练管线：配置加载、算法初始化、数据收集、经验缓存、训练更新、评估与日志。

查看训练流程
配置系统

AxiomRL 以 TrainConfig 数据类为核心，支持 YAML 文件、CLI 覆盖和预设配置的多层配置体系，实现配置驱动的实验管理。

查看配置详情

设计原则¶

AxiomRL 遵循以下核心设计原则：

分层架构¶

框架采用 Core / Experimental / Contrib / Zoo 四层结构。Core 层包含 10 个经过充分验证的算法，API 稳定且遵循语义化版本控制；Experimental 层提供 70+ 实验性算法，迭代更快但 API 可能变更；Contrib 层承载社区贡献；Zoo 层提供基准预设和排行榜。

语义化版本¶

Core 层严格遵循语义化版本控制（SemVer）规范。在同一个主版本内，Core API 保证向后兼容，让您的训练脚本和集成代码不会因升级而意外中断。

配置驱动¶

所有训练实验均由 TrainConfig 数据类驱动。从算法选择、环境参数到检查点策略，全部通过声明式配置完成，便于复现、共享和版本管理。