La desintegración de redes es un problema fundamental en el campo de las redes complejas, con su núcleo en identificar nodos o conjuntos críticos y eliminarlos para debilitar la funcionalidad de la red. La investigación sobre este problema tiene un valor estratégico significativo y ha atraído cada vez más atención, incluyendo el control de la propagación de enfermedades y el desmantelamiento de organizaciones terroristas. En este documento, nos enfocamos en el problema de la desintegración de redes con recursos de entidades discretas desde el punto de vista del ataque, es decir, optimizando la asignación de recursos para maximizar el efecto de la desintegración de la red. Específicamente, modelamos el problema de desintegración de redes con recursos de entidades limitadas como un problema de optimización no lineal y demostramos su NP-dureza. Luego, diseñamos un método basado en aprendizaje profundo por refuerzo (DRL), Net-Cracker, que transforma la tarea de selección de recursos de entidades en dos etapas y nodos de red en un problema de selección de objetos de una sola etapa. Experimentos extensos demuestran que, en comparación con el algoritmo de referencia, Net-Cracker puede mejorar la calidad de la solución en aproximadamente un 862%, al mismo tiempo que habilita una aceleración de 30 a 160 veces. Net-Cracker también muestra una fuerte capacidad de generalización y puede encontrar mejores resultados de manera casi en tiempo real incluso cuando la escala de la red es mucho mayor que la de los datos de entrenamiento.