一句话定义
SAC（Soft Actor-Critic，软演员-评论家）是一种 off-policy（离策略）深度强化学习算法，它的目标不只是"拿到最高回报"，而是"回报高 + 别太早认死理"——在目标函数里额外加一项策略熵（entropy）。
"软"在哪里
普通强化学习只问一句："哪条路分最高？"SAC 多问一句："我是不是太早认定只有这一条路了？"于是优化目标变成：
> 累积回报 + α × 策略熵
熵衡量策略的随机程度：熵越大，动作分布越分散，"尝鲜"的意愿越强。这个额外项把原本"取最大"的硬目标变软，所以叫 soft。α 是温度系数，控制探索占多大分量，SAC 的一大卖点就是它可以自动调节，不必手调。
打个比方：找午饭馆子。普通算法试了三家，发现某家分最高，之后天天吃那家；SAC 会说"分数差不多的话，我不介意偶尔换一家"。时间一长，它更可能摸到巷子深处那家宝藏小店——因为它的搜索范围一直没有塌缩成一个点。
演员和评论家
- 演员（Actor）：策略网络，输入状态，输出动作的概率分布
- 评论家（Critic）：价值网络，评估某个动作好不好；常见做法是同时学两个 Q 网络、取较小值来抑制高估
因为是 off-policy，旧数据能存进经验回放（replay buffer）反复使用，样本效率明显高于同策略方法。
和邻居比一比
| 算法 | 策略类型 | 数据 | 探索方式 |
|---|---|---|---|
| SAC | 随机策略 | 离策略，可复用 | 熵项自带 |
| PPO | 随机策略 | 同策略，用完即弃 | 靠策略分布采样 |
| DDPG / TD3 | 确定性策略 | 离策略，可复用 | 需外部加噪声 |
PPO 稳，但费样本；DDPG/TD3 省样本，但探索靠外力；SAC 想要两头兼得——样本省，探索还是内生的。
对从业者和普通人的意义
做机器人、机械臂这类连续控制任务时，真机采一次样很贵，SAC 常被当作首选基线；它对超参相对不敏感，调参也省心。
不写算法的人也能借用它的思路：别把探索当成干扰项。稳定重复一件还不错的事很安全，但把"多样性"写进自己的目标函数，往往才是找到更优解的前提。
具体实现细节与超参设置，以官方论文和代码库为准。