Thompson Sampling（汤普森采样）是一种基于贝叶斯后验概率的决策算法：决策者在每一步从当前的后验分布中采样参数，据此选择动作，再根据观测结果更新后验，从而在“探索”与“利用”之间取得平衡。它最初用于多臂老虎机问题，如今已扩展到推荐系统、在线广告、A/B 测试和强化学习等领域，是序贯决策研究中使用最广泛的方法之一。
Thompson Sampling 近期进展
近期研究围绕算法在更复杂场景下的表现展开。在分类器在线选择问题中，贝叶斯多臂老虎机方法被用于同时兼顾准确率与公平性，这类工作延续了将 Thompson Sampling 用于公平性敏感决策的思路，让算法在挑模型时不止看性能，还约束公平指标（贝叶斯多臂老虎机方法：在线挑选兼顾准确率与公平性的分类器）。
样本复杂度理论方面，多臂老虎机领域引入了期望样本复杂度（ACE）的新分析框架，为比较不同算法的采样效率提供了更细的衡量标准，这也直接影响对 Thompson Sampling 类方法的理论评估（多臂老虎机问题中引入期望样本复杂度 ACE 新框架）。
非平稳环境是当前的一个关键难点。一篇题为《When May a Bandit Leave Its Anchor?》的论文提出用 E-Process 授权的 Thompson Sampling，以严格的检验手段判断环境是否已发生变化、算法何时应“脱离锚点”重新探索，为传统上假设环境平稳的汤普森采样补上了切换条件的理论依据（When May a Bandit Leave Its Anchor? E-Process-Authorized Thompson Sampling under Non-stationarity）。
在智能体强化学习方向，Anthropic 的 ReSkill 研究探讨了技能创造与策略优化的协调问题，这类工作虽以 RL 为主体，但贝叶斯式探索思想（如后验采样）仍是其中处理探索难题的常用工具之一（ReSkill: Reconciling Skill Creation with Policy Optimization in Agentic RL）。
当前焦点与观察点
综合来看，Thompson Sampling 的研究重心正从“平稳环境下的最优性证明”转向三个方向：一是公平性等非纯收益约束下的应用扩展；二是非平稳或可验证变化环境中的安全性，例如用 E-Process 等序贯检验工具决定何时切换策略；三是与强化学习和智能体系统的结合，把经典的探索—利用框架嵌入更大规模的决策流程。争议点主要在于实际部署中先验选择与环境假设的影响——后验采样在实际系统中常表现优异，但理论保证往往依赖较强的前提，如何在更宽松的条件下给出可证性能，仍是该领域的开放问题。