一句话定义：ε-greedy 是一种最基础的探索–利用（exploration–exploitation）策略——每一步以概率 ε 随机挑一个动作去试，以概率 1−ε 选当前估值最高的那个动作。
展开讲原理
打个点外卖的比方。你手机里有十家店，其中楼下那家川菜你吃过五次，稳定好吃，估值 4.8 分。那今晚点它吗？如果永远点它，你永远不会发现隔壁新开的湘菜其实更好——也许它只是你还没试过。ε-greedy 的做法是：先掷个骰子，有 ε 的概率随便点一家没吃过或很少吃的（探索），剩下 1−ε 的概率照旧点你的川菜（利用）。ε=0.1，就是平均每十顿里有一顿“瞎点”。
为什么必须瞎点？因为你手里的评分是估计值，不是真值。被低估的选项不试就永远不会翻身。这在强化学习（reinforcement learning）里对应多臂老虎机（multi-armed bandit）问题，ε-greedy 是它最朴素的解法。
和相邻概念的区别
| 策略 | 选择依据 | 要调的参数 | 特点 |
|---|---|---|---|
| 纯贪心 greedy | 永远选 argmax Q | 无 | 实现最简单，容易被早期错误估值锁死 |
| ε-greedy | 掷硬币：ε 随机 / 1−ε 贪心 | ε 及衰减方式 | 省事、便宜，但探索完全不看信息 |
| AI 词典：Softmax">Softmax | 按 Q 值大小概率抽样 | 温度 τ | 更愿意试“看起来不错”的次优项 |
| UCB | Q 值 + 不确定性奖励 | 探索系数 | 优先试“没试够”的臂，理论保证更好 |
关键差别：ε-greedy 的探索是“盲的”，不管这个动作已经被试了 100 次还剩 1 次，只要掷中就会试；UCB 则把不确定性算进选择里。
ε 为什么要衰减
训练早期，Q 值几乎是噪声，此时随机乱试的边际价值极高——你需要让每个动作至少被采几次，才谈得上“谁更好”。所以常见做法是从 ε=1.0（或 0.5）起步，先纯探索。
到了后期，估值已经比较可靠，再保持大 ε 就是主动犯错：一是浪费样本，二是让策略在最优解附近来回震荡、收敛不了，三是污染经验回放（experience replay）里的数据分布——你明明已经学会了好策略，却还在往里塞随机动作产生的轨迹。
于是就有了衰减（annealing）：按线性、指数或者 1/t 的方式把 ε 逐步降到一个小下限（比如 0.01～0.1），保留一点持续探索的能力，以应对环境变化。具体起点、终点和衰减曲线要按任务调，没有通用答案。
对从业者的实际意义
ε 和它的衰减节奏是要盯的超参之一。训练曲线迟迟不收敛，先怀疑探索关得太晚；策略早早僵化、表现明显偏离预期，则可能关得太早。做 A/B 测试、推荐冷启动、调参搜索时，思路是一模一样的。
对普通人的意义
它其实就是“先广撒网，再收口”的算法版：新业务前期多做小成本试验，跑出验证后把资源集中到最优路径，但永远留一小笔预算去试新东西，别把路走死。