关卡制作流程复盘

这一轮做 50 关的过程里，最有用的结论是一个否定结论：原计划的「agent 打分 → 拟合权重 → 重选关卡」这个闭环合不上，而且不是样本量的问题。下面是它为什么合不上，以及流程该改成什么样。

实测批次 R1 · grok-4.6 xhigh · 50 关 · 生成于 2026-09-14 17:06

R1 实测到了什么

机械面干净，说明生成期的闸门是有效的：「动了很多次没结果」这类结构缺陷已经被挡在关卡集之外。难度评分那一格是这一轮真正的发现——它不是不准（复测 r = 0.93，相当稳），它是不区分：机械上差着三倍的关卡，它一律给 2 分。

五条规则，各自的证据

agent 能测什么，不能测什么

指标	可用	依据
盲转 / 多余转 / 转错方向	可用	复测 r ≈ 0.82–0.92；驱动了真实修复（1.17 / 1.22 / 0.44 → 0）
是否通关、空点次数	可用	直接观察，无主观成分
自由文本抱怨	可用	33 条里两个主题高度重复，指标抓不到；但须对照基线（规则 5）
难度评分	只能看总体	稳定但不区分；单关排序不可用，整批读数（偏易一档）可用
无解感评分	谨慎	复测 r = 0.85，与无效动作相关 0.66，可当挫败感的代理
好玩 / 清晰度 / 旋转评分	不可用	复测 r ≤ 0.56，是模型噪声

要做 1000 关的话

1. 先把判据写成可执行的闸门，再开始生成。这一轮的闸门链是：长成 → 首转双向 → 锁住 ≤90% → 无不可解态 → 终局朝向 ≥2 → 每转释放 ≥2 → 反差 ≥12 → 开局可点 ≥3 → 开局演出 ≥0.9s → 长巡游 ≥3。每一级剩多少必须打印出来。
2. 用规则机器人做全量验收（12 秒 / 全池），不用 agent。机械旋转指标已证明测的是关卡不是玩家。
3. agent 只抽样跑，而且只看两样东西：机械缺陷指标，和自由文本抱怨。不要为难度标定花 agent 时间——那条路这一轮已经证明走不通。
4. 难度曲线靠机械假设铺，靠人眼裁定。用 select-50.mjs 按特征打分并均匀铺开，家族上限防止一套模板占满（上一版 1000 关实际只有 30 套模板）。
5. 每一轮只动一个变量，并且必须能在漏斗里看到它挡掉了什么，否则撤回。
6. 人工审核要准备好材料：开局盘面从求解器取（不是示意图）、标明哪些数字可信、每关一个试玩直达链接。

被实测否掉的做法

试过什么	结果
拟合 difficulty ~ 机械特征，用来重选关卡	响应几乎无方差（46/50 同分），回归的是常数
legibility（一眼看穿的成本）解释难度评分	相关 -0.02，无效；降级为纯测量
路线交叠度当难度轴	中位已达 89%，没有上升空间
换开局朝向来提高判断成本	127 个候选里只有 7 个变好
「插入端多朝向出口」过滤器	对漏斗零效果，已删除
把锁住比例当难度主轴排序	方向反了：它奖励「开局什么都做不了」