一句话定义：UCB（Upper Confidence Bound，上置信界）是解决"多臂老虎机（multi-armed bandit）"问题的一类经典策略——它给每个选项的收益估计加一个"不确定性补偿"，然后永远选补偿后分数最高的那个。
它解决的问题：面前有 K 台老虎机，每台中奖率未知，你只能拉有限次，怎么拉才能赢得最多？这就是探索（exploration，去试试没试过的）与利用（exploitation，去做目前看起来最好的）之间的取舍。
原理：UCB 给每台机器算一个乐观分，等于"目前观测到的平均收益"加上"因为见得少而给的补偿项"。经典的 UCB1 形式是：平均收益 + √(2·ln n / nᵢ)，其中 n 是总拉动次数，nᵢ 是第 i 台被拉过的次数。分母在根号里，意味着试得越少的机器，加分越多；同时补偿项随总次数 n 只以对数速度缓慢增长，所以随着实验推进，探索会自动收敛。
打个比方：公司楼下五家面馆。纯贪心的人认准目前评分最高的那家一直去。UCB 会说："第三家你只去过一次就给了好评，样本太少，真实水平可能更高，值得再去一次。"去得多了、评价稳定了，这份"潜力加分"就自动缩小，注意力自然回到真正好吃的店上。补偿项的作用就是：先把未知当成可能很好，用行动去验证，验证完就收回这份乐观。这种做法叫"面对不确定性时保持乐观"（optimism in the face of uncertainty）。
和相邻概念的区别：
| 策略 | 探索方式 | 探索量随时间变化 | 主要短板 |
|---|---|---|---|
| 纯贪心 greedy | 基本不探索 | 无 | 早期一次好运就锁死选择，错过真正最优项 |
| ε-greedy | 以固定概率 ε 随机乱选 | 不变化 | 后期仍把固定比例的机会浪费在明显差的选项上 |
| UCB | 按不确定性大小加分 | 试得越少加分越多，自动衰减 | 需要处理奖励缩放，且假设分布平稳 |
| Thompson Sampling | 按后验分布抽样 | 由不确定性自然驱动 | 需要设定先验、维护后验 |
关键差别在于：贪心的问题不是"不探索"，而是"用一次两次的运气决定长期行为"；ε-greedy 虽然探索，但对"试过一百次"和"只试过一次"的选项一视同仁。UCB 把探索预算精准花在信息量最大的地方，理论上其累积遗憾（regret）随轮数按对数增长，优于固定 ε 的线性遗憾。
对从业者的意义：线上 A/B 测试和推荐冷启动都可以用 UCB 的思路——不必等固定实验周期再全量切换，也不必把一半流量长期浪费在明显更差的方案上；游戏与规划中的 UCT（把 UCB 用在树搜索的节点选择上）是同一套逻辑。落地时注意两点：奖励量纲要先归一化，否则补偿项会被淹没；UCB 默认环境平稳，若用户口味在漂移，需要改用滑窗或折扣版本。具体实现细节，以所用库的官方文档为准。