可以通过在sagemaker训练作业中添加一个输出路径来保存模型工件。以下是一些示例代码：

estimator = RLEstimator(entry_point='train-script.py',
                        source_dir='code',
                        role='SageMakerRole',
                        framework_version='1.2.1',
                        train_instance_count=1,
                        train_instance_type='ml.m5.large',
                        output_path='s3://your-s3-bucket/model-output')
                        
estimator.fit({'train': 's3://your-s3-bucket/train-data'})

在这个示例中，output_path参数告诉sagemaker保存模型工件的路径。当训练作业完成后，模型工件将被保存在s3://your-s3-bucket/model-output中。

另外，你可以在启动训练作业时添加一些其他的参数来配置模型工件的保存方式，例如：

estimator.fit({'train': 's3://your-s3-bucket/train-data'}, 
              wait=True, 
              logs=True, 
              job_name='your-job-name', 
              checkpoint_s3_uri='s3://your-s3-bucket/checkpoints')

在这个示例中，checkpoint_s3_uri参数指定了检查点（checkpoint）的保存路径。检查点是模型训练过程中的中间结果，通常用于恢复失败的训练作业。