LLMアプリケーションにおいて；出力された回答が「特定の倫理ガイドライン」に違反していないかを、リアルタイムで別のLLMがスコアリングする仕組みを何というか。

強化学習において；エージェントが「直接的な報酬（エサ）」だけでなく；「将来的に有利な状態（安全な場所など）」を学習するために、状態そのものに価値をつける関数はどれか。