一个小关卡:三个浮台、一把钥匙

先设想一个很小的平台跳跃关卡,叫“灰烬回廊·第三段”。玩家从起点出发,依次跳过三个浮台,到达终点门;终点门需要一把青铜钥匙才能打开,钥匙放在浮台B上方的一处高台,要借助一块可踩踏的踏板才能上去。用文字描述如下(数值均为示例,单位是“格”):

起点 --间距4--> 浮台A --间距5--> 浮台B --间距6--> 浮台C --间距4--> 终点门
                              └─ 踏板 → 高台:青铜钥匙
存档点:浮台A旁  回血点:浮台C旁

假设系统发现一位玩家在浮台B到浮台C之间连续掉落,需要想办法让这一段容易一些。传统动态难度没有太多办法:这个关卡里没有敌人,没有血量,调数值无从下手。这正是数值型调整的局限,也是爱游戏AI要往前走一步的原因:难度不只是数值,平台间距、敌人布局、任务步骤、路线复杂度都是难度的一部分。

先问:他到底卡在哪一种技能上

改关卡之前,需要先弄清玩家在什么地方吃力。所谓“技能分档”,并不是给玩家贴一个“新手”“高手”的总标签,而是分维度看:

  • 跳跃精度:起跳点距离平台边缘的偏差,掉落集中在哪种间距上。
  • 空中控制:二段跳与冲刺的使用时机,是否经常用早或用晚。
  • 路线判断:有没有发现隐藏的踏板,是否反复经过同一区域。
  • 反应速度:面对移动平台或机关时,起跳延迟的分布。

每一维得到一个带置信度的分档(比如偏低、中等、偏高),而不是一个确定的数字。证据不足时,比如玩家刚进入关卡,只有两次掉落,系统应该保持“未知”,不要凭两次掉落做结构性的改动。这一点与失败原因分析里的思路一致:先判断玩家遇到了什么问题,再谈怎么改。而这位玩家在浮台B到C之间的掉落,集中在间距6这一格上,跳跃精度分档偏低,空中控制正常,这个判断有一定依据。

划出“可以改”和“绝对不能改”的边界

让模型直接修改地图文件,几乎必然出事。爱游戏AI的做法是先把关卡拆成两部分:一部分是暴露给AI的参数空间,另一部分是锁定的硬约束。

类别 示例 是否允许AI修改 原因
平台间距 浮台B到C的距离 允许,限制在范围内 属于难度调节的核心参数
检查点位置 是否在浮台B后增加存档点 允许,数量有上限 降低重复成本,不改变主线
敌人数量与布局 巡逻敌人数量、初始位置 允许,不得覆盖关键路径 影响难度,但可验证
辅助路线 增设一条较低难度的绕行平台 允许,须经验证 提供另一种路径
关键道具 青铜钥匙的位置与获取条件 不允许 破坏则无法通关
主线触发器 终点门的开启条件 不允许 影响任务与剧情
物理规则 重力、最大跳跃距离 不允许 改动等于换了一款游戏

参数空间给出的是一组有范围、有类型的“旋钮”,模型只能转旋钮,不能拆机器。这样一来,模型出错的代价被限定在一个较小的范围内。

提案:让模型说明想改什么,而不是直接改

为什么还要用LLM,而不是直接写规则?原因在于设计意图往往是自然语言:这一段是教学跳跃,需要保留节奏;这一区域是玩家喜欢反复挑战的高难度段,不要动它。LLM擅长读懂这些描述,并综合玩家分档、关卡结构与设计说明,给出一份改动提案。但它输出的不应该是新地图,而是一份受限格式的改动清单,例如:

提案 A
  目标维度:跳跃精度(分档偏低,置信度中)
  改动:浮台B→浮台C 间距 6 → 5
  理由:掉落集中在6格间距;缩短1格属于允许范围
提案 B
  改动:浮台A→浮台B 间距 5 → 3;移除浮台A上方踏板
  理由:降低前段难度

LLM给出的是意图和参数,不能声称“已验证可通关”。生成模型对空间关系的判断并不可靠,它并不真正“知道”一个二段跳最多能跳几格,所以它的提案必须经过下一步。

验证:把“看起来合理”变成“可以证明”

验证器是整条链的核心,它按规则运行,不依赖模型的判断。对每个提案,运行下面这份清单:

检查项 怎么检查不通过怎么办
参数合法 改动是否落在允许的参数范围内,格式是否合规直接驳回
可达性 用游戏的跳跃物理包络,从起点做图搜索,确认终点门可达 驳回
跳跃距离相邻平台间距是否在最大跳跃距离之内,并留有余量 驳回或要求缩小改动
无死路 从任何可达的位置,是否都能回到主线或存档点 驳回
关键道具 钥匙是否仍可获取,终点门是否仍可开启 驳回,记录违规项
资源可获得性 回血点、补给点是否仍在可达范围内 要求补齐后重新验证
碰撞与重叠 新位置是否与其他物体、敌人、镜头范围冲突 驳回

逐个看两个提案。提案A把间距从6格缩到5格:参数合法,可达性通过,跳跃余量比原来更大,钥匙与终点门都没有变化,全部检查通过。提案B把浮台A到浮台B的间距缩到3格,同时移除了浮台A上方的踏板。可达性检查显示终点门依然可达,但关键道具检查失败:钥匙所在的高台依赖那块踏板才能上去,踏板被移除后,玩家能过关却拿不到钥匙,终点门永远打不开。这个提案表面上降低了难度,实际上是让关卡无法通关。它被驳回,并且违规原因被记录下来,反馈给生成环节。

这个例子说明验证器与生成模型的分工:模型负责提出想法,验证器负责否决想法。前者的优势是覆盖面广,后者的优势是不会被漂亮的理由说服。

静态验证之外:让AI玩家跑一遍

可达性检查回答的是“能不能通关”,却回答不了“对这类玩家来说难度是否合适”。提案A虽然通过了全部规则检查,仍可能出现新问题:比如缩短间距后,玩家可以一次冲刺直接越过浮台B,从而绕过高台,直接用不到钥匙的路线抵达终点门附近,破坏了原有的流程设计。这类问题只有实际“玩”才能看出来。

所以在规则验证之后,还要用不同水平的AI玩家在改动后的关卡里做仿真:技能偏低的Agent、中等的Agent、偏高的Agent,各跑若干次,观察通过率的走向、掉落位置的分布、是否出现意料之外的捷径。这里的做法与用不同水平Agent做平衡测试相通。仿真给出的是趋势,不是判决:AI玩家的操作方式与真人不同,它测不出“好不好玩”,只能帮助发现明显的异常。

不通过时怎么办:降级,而不是硬上

验证失败是常态,不是意外。系统要有明确的降级路径,按代价从小到大排列:

  1. 把失败原因反馈给生成模型,让它在有限次数内重新提案,不能无限重试。
  2. 退回到只调整数值的传统做法,比如放宽跳跃判定的时间窗口,或增加一个检查点。
  3. 什么都不改,保留原关卡,并记录这一次没有找到安全的改法。

无论走到哪一步,玩家看到的都必须是一个完整的关卡:不能出现验证到一半的“半成品”,更不能因为模型不确定就放行。每次改动都要保存改动前的版本与改动记录,一旦事后发现问题,可以回滚到上一版。

玩家看到的应该是连续的世界

技术上合格不等于体验上合格。几个体验层面的约束是:

  • 时机:改动发生在加载、读档或死亡重开的时候,而不是玩家正在看的那一屏。
  • 幅度:单次改动幅度有上限,一次只改一两个参数,避免玩家觉得“关卡被换掉了”。
  • 地标保留:玩家已经熟悉的标志物、节奏和音乐点位保持不变。
  • 可选择:玩家能看到并关闭这类调整,也可以手动指定难度。关于如何让玩家理解这种改动,可以参考动态难度的透明度设计。
  • 适用范围:竞技、排行榜或限时挑战类内容,不应当对个别玩家隐性修改关卡。

这条链还有哪些边界

爱游戏的这套思路目前只是设计取舍,不是已经被大规模验证的成果。有几个边界需要明说:验证器只能检查已经建模的约束,没有写进规则的问题,比如某个视觉遮挡造成的误导,它检查不出来;LLM的提案质量受限于它得到的关卡描述;仿真里的AI玩家不等同于真人,主观乐趣无法自动测量。因此,重要关卡的改动仍应保留人工抽查,尤其是新增的路线结构。

回到那个三浮台的小关卡。最终的结果也许平淡无奇:浮台B到浮台C的间距缩短了一格,其余的一切保持原样,钥匙还在原来的高台上。这个结果正是设计的目标:AI动态关卡不是自由地改地图,而是在游戏物理和可玩性的约束之内,做一次可以被验证、可以被回滚的小改动。