什麼是 DQN？

DQN（Deep Q-Network）是一種 強化學習（Reinforcement Learning, RL）方法，它將傳統的 Q-learning 與 深度神經網路（Deep Neural Network, DNN） 結合起來。
Q-learning 原本是用「表格」紀錄狀態-行動的價值（Q 值）。但當狀態空間太大（例如遊戲畫面中的每個像素）時，表格會變得不可能維護。
DQN 則用深度神經網路來逼近 Q 值，能處理像素級別的輸入，也能應付複雜環境。
換句話說，DQN 就像是一個 函數逼近器，幫助 AI Agent 預測「在某個狀態下採取某個行動後，可能得到的長期回報是多少」。

AI Agent 的角色
AI Agent 負責和環境互動：接收觀察 → 做決策 → 執行行動 → 收到回饋（獎勵）。
它不一定要用 DQN，可能用其他演算法（像是策略梯度法、進化演算法）。

DQN 的角色
DQN 幫助 AI Agent 評估每個可能的行動價值。
當 Agent 要決策時，它會把「當前狀態」丟給 DQN，DQN 輸出每個行動的 Q 值，Agent 再依此選擇最佳行動。

結合運作的流程
觀察環境：Agent 接收到環境的狀態（例如遊戲畫面）。
DQN 計算 Q 值：把這個狀態丟進神經網路，DQN 輸出每個可能行動的預測價值。
選擇行動：Agent 根據這些 Q 值選擇動作（通常結合探索策略，如 ε-greedy）。
執行並獲得獎勵：Agent 把動作送回環境，得到獎勵與新狀態。
更新 DQN：利用回饋來訓練神經網路，使 Q 值預測更準確。
這樣一來，AI Agent 就能透過 DQN 持續學習更好的策略。