如何判断 reward 设计是否合理？当策略出现异常行为或训练效果不佳时，如何定位奖励项冲突，并验证修改是否有效？

流程化回答：1）症状归因——把策略异常行为（蹭奖励、原地打转、避障过度、提前放弃）映射回可疑奖励项，检查该行为是否真在当前奖励下的最优路径上；2）分解与统计——按时间与奖励项拆解 reward 曲线，看各项占比与相关性，冲突常表现为一项上升时另一项同步下降、或代理分与任务成功率脱钩；3）消融实验——逐项去除或调权，用小规模对照训练确认驱动异常的项；4）修改验证——单变量改动、固定随机种子与评测集跑对照，目标任务指标与代理指标同时改善才算有效，否则可能只是转移了冲突；5）防回归——把该场景加入评测回归集。奖励设计是多目标优化，冲突不可避免，原则是任务目标项占主导、安全与约束用硬约束或大惩罚表达。

加分点：举 reward hacking 的典型案例（利用物理引擎穿透刷进度、卡在奖励触发边界反复触发、利用超时判定拖延）；以及「改奖励不如改终止条件」的经验——很多冲突根源是成功判定不严格。这道题筛的是系统化 debug 能力：能给出可复现的定位流程与验证标准，而不是「凭感觉调权重」。