请解析RLHF（基于人类反馈的强化学习）的对齐流程，并说明各步骤的作用。

回答思路

1. 准确描述监督微调、奖励模型训练、强化学习优化三个阶段
2. 说明每个阶段的关键输入、输出和目标
3. 解释奖励模型如何利用人类偏好数据训练
4. 阐述强化学习阶段如何使用奖励模型优化策略
5. 提及常见的工程实践如PPO算法和KL约束