基于大语言模型的上下文偏好学习方法、装置及设备

本发明涉及一种基于大语言模型的上下文偏好学习方法、装置及设备，方法包括：配置任务环境并定义性能指标；通过大语言模型自动生成多组初始奖励函数；并行训练多个强化学习代理并采集行为数据；基于加权评分机制自动识别最优与最劣奖励函数；结合对比差异信息驱动大语言模型生成改进函数并迭代优化。本方案能够突破人工设计瓶颈，实现奖励函数的动态权重调节与跨场景泛化；在客服、工业控制等场景中显著提升决策效率与安全性；通过无监督偏好评估降低人工成本，支持策略模型持续自适应优化。