奖励塑造（Reward Shaping）指在强化学习（Reinforcement Learning, RL）中，人为给智能体（Agent）加一些中间小奖励，把“只有成功才给分”的稀疏奖励（Sparse Reward）拆成一步步可拿的分数。
比方说训练机械臂抓杯子，最终奖励往往只有“抓住杯子”。智能体随机乱动，可能很久都碰不到杯子，学习信号几乎为零。奖励塑造像在漆黑走廊里隔几步放颗糖：离杯子近一点给分，夹爪对准给分，杯子离地给分。智能体顺着糖走，更容易摸到最终目标。
生活里也一样：教小孩收拾房间，最终目标是“房间整洁”，但小孩不知道从哪下手，可以先奖励“玩具放进箱子”“书放回书架”。这些就是塑造奖励，不替代最终目标，只是把大目标切成可反馈的小目标。
问题是，台阶也会变成后门。智能体只优化你写下的数字，不优化你脑子里的意图。如果“夹爪闭合”就给分，它可能没碰到杯子也一直开合；如果“靠近杯子”给分，它可能绕着杯子转圈蹭分。赛车智能体可能发现来回刷同一个检查点，比跑完全程更划算。这类现象叫奖励黑客（AI 词典：Reward Hacking">Reward Hacking）。塑造奖励越细，漏洞通常越多。
和相邻概念的区别：
| 概念 | 关心什么 | 与奖励塑造的关系 |
|---|---|---|
| 稀疏奖励 | 只有最终成败给分，学习困难 | 奖励塑造是常见缓解手段 |
| 奖励黑客 | 智能体钻奖励空子拿高分 | 奖励塑造常见的副作用 |
| 课程学习（Curriculum Learning） | 把任务从易到难排序 | 调任务难度；奖励塑造调每一步的分数 |
| 势函数奖励塑造（Potential-Based Reward Shaping） | 用状态势能差作额外奖励 | 理想条件下不改变最优策略，较安全 |
一个常见安全做法是势函数奖励塑造：额外奖励只和“当前状态离目标多远”的变化有关，不凭空给分。理论上它不改变最优策略，只影响到达速度。但状态、目标、评估器都可能不完美，仍要盯真实目标。
对做智能体的人：每加一条中间奖励，先问“如果它只刷这一条，会怎么偷懒？”保留最终奖励权重，用真实指标验收，看行为轨迹，别只看总分。具体接口以所用框架的官方页面为准。
对普通职场人：拆 KPI 就是奖励塑造。拆得细，团队动得快；只考核“回复率”，可能催生模板话术；只考核“代码行数”，可能催生冗余代码。拆指标时别忘最终目标，也别把中间指标当成目标本身。