HexTrails/docs/level-process.html

<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1">
<title>关卡制作流程复盘</title>
<style>
:root{
  --ground:#EFF1F3; --surface:#FFF; --panel:#F6F8F9; --ink:#131C24; --ink2:#465766; --ink3:#6D7C89;
  --rule:#D4DAE0; --rail:#3F5E79; --good:#226D63; --bad:#AF3A26; --warn:#895B0E;
  color-scheme:light;
}
@media (prefers-color-scheme:dark){:root:not([data-theme=light]){
  --ground:#0E151B; --surface:#131C24; --panel:#131C24; --ink:#E3E9EE; --ink2:#ADBCC8; --ink3:#8393A1;
  --rule:#27333E; --rail:#8BAFCB; --good:#4EC6B6; --bad:#E3826B; --warn:#DFAD5D;
  color-scheme:dark;
}}
*{box-sizing:border-box}
body{margin:0;background:var(--ground);color:var(--ink);
  font-family:"PingFang SC","Hiragino Sans GB",ui-sans-serif,system-ui,sans-serif;line-height:1.7}
.wrap{max-width:920px;margin:0 auto;padding:44px 22px 96px}
h1{font-size:31px;margin:0 0 12px;letter-spacing:-.02em}
.lede{color:var(--ink2);font-size:15.5px;max-width:68ch;margin:0 0 6px}
.meta{font-size:12.5px;color:var(--ink3);font-family:ui-monospace,monospace;margin:0 0 34px}
h2{font-size:20px;margin:44px 0 12px;padding-bottom:7px;border-bottom:1px solid var(--rule)}
p{max-width:70ch}
.tiles{display:grid;gap:12px;grid-template-columns:repeat(auto-fit,minmax(150px,1fr));margin:18px 0 8px}
.tile{background:var(--surface);border:1px solid var(--rule);border-radius:10px;padding:13px 15px}
.tile .k{font-size:11px;letter-spacing:.06em;text-transform:uppercase;color:var(--ink3);font-weight:600}
.tile .v{font-size:25px;font-family:ui-monospace,monospace;font-variant-numeric:tabular-nums;margin:3px 0 1px}
.tile .n{font-size:11.5px;color:var(--ink3)}
.tile.ok .v{color:var(--good)} .tile.miss .v{color:var(--bad)}
.rule{background:var(--surface);border:1px solid var(--rule);border-radius:12px;padding:17px 20px;margin:14px 0}
.rule h3{margin:0 0 9px;font-size:16.5px;display:flex;gap:10px;align-items:baseline}
.rule h3 .no{font-family:ui-monospace,monospace;color:var(--rail);font-weight:700}
.rule dl{margin:0;display:grid;grid-template-columns:auto 1fr;gap:5px 13px;font-size:13.5px}
.rule dt{color:var(--ink3);white-space:nowrap;font-size:11.5px;letter-spacing:.04em;padding-top:3px}
.rule dd{margin:0;color:var(--ink2)}
.rule dd.ev{color:var(--ink)}
table{width:100%;border-collapse:collapse;font-size:13.5px;margin:14px 0 8px}
th,td{text-align:left;padding:8px 10px;border-bottom:1px solid var(--rule);vertical-align:top}
th{font-size:11px;letter-spacing:.06em;color:var(--ink3);text-transform:uppercase;font-weight:600}
td.n{text-align:right;font-family:ui-monospace,monospace;white-space:nowrap}
.no{color:var(--bad);font-weight:600}.yes{color:var(--good);font-weight:600}
ol.recipe{counter-reset:s;list-style:none;padding:0;margin:14px 0}
ol.recipe li{counter-increment:s;position:relative;padding:0 0 13px 40px;font-size:14px;color:var(--ink2);max-width:70ch}
ol.recipe li::before{content:counter(s);position:absolute;left:0;top:0;width:25px;height:25px;border-radius:50%;
  background:var(--rail);color:#fff;font-family:ui-monospace,monospace;font-size:12.5px;font-weight:700;
  display:grid;place-items:center}
ol.recipe b{color:var(--ink)}
code{font-family:ui-monospace,monospace;font-size:.92em;background:var(--panel);padding:1px 5px;border-radius:4px;border:1px solid var(--rule)}
footer{margin-top:54px;padding-top:18px;border-top:1px solid var(--rule);color:var(--ink3);font-size:12px}
a{color:var(--rail)}
</style>
</head>
<body>
<div class="wrap">
<h1>关卡制作流程复盘</h1>
<p class="lede">这一轮做 50 关的过程里，最有用的结论是一个<b>否定结论</b>：原计划的「agent 打分 → 拟合权重 → 重选关卡」这个闭环<b>合不上</b>，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。</p>
<p class="meta">最新批次 R3 · 50 局 · 对照批次 R2 100 局 · 生成于 2026-09-14 17:22</p>

<h2>最新一轮实测到了什么</h2>
<div class="tiles">
  <div class="tile ok"><div class="k">通关</div><div class="v">50/50</div><div class="n">无死局</div></div>
  <div class="tile ok"><div class="k">空点 / 关</div><div class="v">0.00</div><div class="n">目标 0</div></div>
  <div class="tile ok"><div class="k">盲转 / 关</div><div class="v">0.14</div><div class="n">目标 0</div></div>
  <div class="tile ok"><div class="k">转错 / 关</div><div class="v">0.14</div><div class="n">目标 0</div></div>
  <div class="tile miss"><div class="k">难度评分</div><div class="v">44/50</div><div class="n">都是 2 分 — 不区分</div></div>
</div>
<p>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。<b>难度评分那一格是这两轮真正的发现</b>：机械上差着三倍的关卡，它一律给 2 分。更早的记录里这项的复测可信度是 0.93，那是个更小的样本——在这一批 50 对复测上实测是 0.55，所以它既不区分、也不像以为的那么稳。</p>

<h2>两轮之间改了什么，效果如何</h2>
<p>第一轮唯一可用的读数是「整批偏易」，加上抱怨里反复出现的「转了没反应」。据此只改了两件事：给<b>连续空转</b>设闸门（最多一次转动没反应，此前有 11 关能连着两次），以及把难度曲线<b>写成旋转深度的配额</b>而不是指望它从排序里自己长出来。第三轮又只改了一件：桶内改按<b>反差</b>取。每轮一个变量，才看得出是哪个变量起的作用。</p>
<table>
<thead><tr><th>同一个规则机器人，两套关卡集</th><th class="n">第一版</th><th class="n">第二版</th></tr></thead>
<tbody>

<tr><td>盲转 / 关</td><td class="n">0.24</td><td class="n yes">0.12</td></tr>
<tr><td>最长连续盲转</td><td class="n">4</td><td class="n yes">1</td></tr>
<tr><td>空点 / 关</td><td class="n">0.00</td><td class="n">0.00</td></tr>
<tr><td>决策 / 关（要做的事）</td><td class="n">10.3</td><td class="n">10.3</td></tr>

</tbody>
</table>
<p>要做的事一样多，浪费掉的动作少了一半。这是同一个玩家的对照，所以变的是关卡不是模型的心情。</p>
<table>
<thead><tr><th>grok 实测，按档（每关计一次，与它自己玩的那一版对齐）</th><th class="n" colspan="2">R1</th><th class="n" colspan="2">R2</th><th class="n" colspan="2">R3</th></tr>
<tr><th></th><th class="n">难度</th><th class="n">无解感</th><th class="n">难度</th><th class="n">无解感</th><th class="n">难度</th><th class="n">无解感</th></tr></thead>
<tbody>
<tr><td>前档 L1–L12</td><td class="n">2.00</td><td class="n">1.33</td><td class="n">2.00</td><td class="n">1.21</td><td class="n">2.00</td><td class="n">1.08</td></tr>
<tr><td>中档 L13–L32</td><td class="n">2.10</td><td class="n">1.35</td><td class="n">2.05</td><td class="n">1.15</td><td class="n">2.05</td><td class="n">1.20</td></tr>
<tr><td>后档 L33–L50</td><td class="n">2.17</td><td class="n">1.61</td><td class="n">2.39</td><td class="n">1.72</td><td class="n">2.17</td><td class="n">1.61</td></tr>
<tr><td>后档的关卡参数</td><td class="n">3.5 转</td><td class="n">反差 21.7</td><td class="n">4.1 转</td><td class="n">反差 27.9</td><td class="n">4.0 转</td><td class="n">反差 28.5</td></tr>
</tbody>
</table>
<p>第一轮三档几乎是一条平线。第二轮把后档的旋转深度从 3.5 提到 4.1 转，后档评分随之升到 2.39——<b>评分第一次表现出梯度</b>，但只在按档平均之后。</p>
<p><b>第三轮是一次没被证实的假设。</b>第二轮的数据显示打 3 分的关比打 2 分的关反差高 59%，于是第三轮按反差选关，把后档反差从 27.9 提到 28.5、旋转深度不变。后档评分没有升，反而是 2.17。以这项评分 r = 0.55 的复测可信度，十几关上的这点差距读不出胜负——<b>该说的是「两版分不出来」，不是「反差有用」，也不是「反差没用」</b>。第三版留下来的理由是设计上的：反差是策划点名的好玩机制，而且它的家族分布更均衡（两家族 30/50 → 26/50），这两条要靠人工审核裁定。</p>

<h2>哪些信号复测得住</h2>
<p>下面的 r 是在<b>这一批关卡</b>上现算的：同一个 agent 把每关玩了两次，50 对。不是引用更早、更小的样本。</p>
<table>
<thead><tr><th>信号</th><th class="n">复测 r</th><th class="n">n</th><th>怎么用</th></tr></thead>
<tbody>
<tr><td>盲转次数</td><td class="n yes">1.00</td><td class="n">50</td><td>可用：驱动了真实修复</td></tr>
<tr><td>转错方向次数</td><td class="n yes">1.00</td><td class="n">50</td><td>可用</td></tr>
<tr><td>实际旋转数</td><td class="n yes">1.00</td><td class="n">50</td><td>可用</td></tr>
<tr><td>步数</td><td class="n yes">1.00</td><td class="n">50</td><td>可用</td></tr>
<tr><td>决策数</td><td class="n ">0.90</td><td class="n">50</td><td>可用</td></tr>
<tr><td>无解感评分</td><td class="n no">0.45</td><td class="n">50</td><td>只按档看</td></tr>
<tr><td>难度评分</td><td class="n ">0.55</td><td class="n">50</td><td>只按档看，约 20 局起</td></tr>
<tr><td>好玩评分</td><td class="n no">0.34</td><td class="n">50</td><td>不可用</td></tr>
<tr><td>清晰度评分</td><td class="n no">0.14</td><td class="n">50</td><td>不可用</td></tr>
</tbody>
</table>
<p>机械指标全部 r ≈ 1.00，但那多半是因为 agent <b>84% 的情况下重放了完全相同的动作序列</b>——这本身才是有用的那条结论：重复跑同一关买不到新信息。评分则相反：同一条轨迹，6 对给出了不同的难度分。</p>

<h2>五条规则，各自的证据</h2>
<div class="rule">
  <h3><span class="no">1</span>难度评分只能按档看，不能逐关看</h3>
  <dl>
    <dt>证据</dt><dd class="ev">50 局里有 44 局打的是 2 分，而这些关卡的决策数从 3 到 17。逐关复测 r = 0.55，而且 6 对分歧里有 6 对&lt;b&gt;走的是同一条轨迹&lt;/b&gt;——同样的动作、同样的结果，模型给自己打了不同的分。但按档平均约 20 局后，曲线第一次显形了（见上表）。</dd>
    <dt>为什么</dt><dd>文字盘面把每颗棋子的路线、挡路者、紧贴者列成清单，agent 不必用眼睛顺线走一遍——而那正是这游戏的难点。agent 自己写过：「挡路名单已经写全，不用顺着格子数」。剩下的评分噪声，只有靠聚合才压得下去。</dd>
    <dt>现在怎么做</dt><dd>逐关排序改为机械假设（旋转深度、棋子数、互锁），由人工审核裁定；评分只用来读整档的高低。</dd>
  </dl>
</div>
<div class="rule">
  <h3><span class="no">2</span>先用规则机器人扫，再花 agent 时间；同一关不要跑两遍</h3>
  <dl>
    <dt>证据</dt><dd class="ev">第二轮意外把每关跑了两次，得到 50 对复测：其中 42 对（84%）重放了&lt;b&gt;完全相同&lt;/b&gt;的动作序列，机械指标复测 r = 1.00。规则机器人跑完 50 关只要 1 秒。</dd>
    <dt>为什么</dt><dd>agent 近乎确定性，重复同一关几乎不产生新信息。为「提高可信度」而重复跑，是把预算花在已经知道的答案上。</dd>
    <dt>现在怎么做</dt><dd>全量验收交给规则机器人；agent 每关只跑一次，省下的预算用来多覆盖关卡。</dd>
  </dl>
</div>
<div class="rule">
  <h3><span class="no">3</span>门槛写在生成期，不写在筛选期</h3>
  <dl>
    <dt>证据</dt><dd class="ev">把开局门槛提到「可点≥3 枚、演出≥0.8s」后筛选写出了 0 关——池子的中位数是 2 枚 / 0.57s。</dd>
    <dt>为什么</dt><dd>筛选只能从池子里挑，挑不出池子里没有的东西。分布不对时，要改的是构造。</dd>
    <dt>现在怎么做</dt><dd>开局问题由构造里的展示位插入解决，不是靠筛。</dd>
  </dl>
</div>
<div class="rule">
  <h3><span class="no">4</span>每加一个门槛，先证明它挡掉了东西</h3>
  <dl>
    <dt>证据</dt><dd class="ev">两次结构性猜测被实测推翻：「插入端多朝向出口」过滤器对漏斗零效果；为解释难度评分而建的 legibility 指标与评分相关 -0.02。</dd>
    <dt>为什么</dt><dd>一个不改变漏斗的门槛，只会让人以为问题已经解决了。</dd>
    <dt>现在怎么做</dt><dd>两者都已撤回/降级为纯测量。漏斗每一级的剩余数量都打印出来。</dd>
  </dl>
</div>
<div class="rule">
  <h3><span class="no">5</span>抱怨要对照基线，不要直接当缺陷</h3>
  <dl>
    <dt>证据</dt><dd class="ev">agent 33 条抱怨里最集中的是「路线太长读不完」。但已上线的 v0.5 最长路线 74 格，比这批新关卡的 74 格还长。</dd>
    <dt>为什么</dt><dd>那是这个游戏本来的性格。把它当缺陷修掉，改的是游戏而不是关卡。</dd>
    <dt>现在怎么做</dt><dd>只在审核页标出，交给人裁定。</dd>
  </dl>
</div>

<h2>agent 能测什么，不能测什么</h2>
<table>
<thead><tr><th>指标</th><th class="n">可用</th><th>依据</th></tr></thead>
<tbody>
<tr><td>盲转 / 多余转 / 转错方向</td><td class="n yes">可用</td><td>本批复测 r = 1.00；驱动了真实修复（盲转 1.17 → 0.14）</td></tr>
<tr><td>是否通关、空点次数</td><td class="n yes">可用</td><td>直接观察，无主观成分</td></tr>
<tr><td>自由文本抱怨</td><td class="n yes">可用</td><td>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）</td></tr>
<tr><td>难度评分</td><td class="n no">只按档看</td><td>逐关复测 r = 0.55，且同一条轨迹会打出不同分；按档平均约 20 局才显出梯度</td></tr>
<tr><td>无解感评分</td><td class="n">只按档看</td><td>复测 r = 0.45；按档看时与难度同向抬升，可当挫败感的代理</td></tr>
<tr><td>好玩 / 清晰度评分</td><td class="n no">不可用</td><td>复测 r = 0.34 / 0.14，是模型噪声</td></tr>
</tbody>
</table>

<h2>要做 1000 关的话</h2>
<ol class="recipe">
<li><b>先把判据写成可执行的闸门</b>，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。</li>
<li><b>用规则机器人做全量验收</b>（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。</li>
<li><b>agent 只抽样跑</b>，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。</li>
<li><b>难度曲线靠机械假设铺，靠人眼裁定。</b>用 <code>select-50.mjs</code> 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）。</li>
<li><b>每一轮只动一个变量</b>，并且必须能在漏斗里看到它挡掉了什么，否则撤回。</li>
<li><b>人工审核要准备好材料</b>：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。</li>
</ol>

<h2>被实测否掉的做法</h2>
<table>
<thead><tr><th>试过什么</th><th>结果</th></tr></thead>
<tbody>
<tr><td>拟合 difficulty ~ 机械特征，用来重选关卡</td><td>响应几乎无方差（44/50 同分），回归的是常数</td></tr>
<tr><td>legibility（一眼看穿的成本）解释难度评分</td><td>相关 -0.02，无效；降级为纯测量</td></tr>
<tr><td>路线交叠度当难度轴</td><td>中位已达 89%，没有上升空间</td></tr>
<tr><td>换开局朝向来提高判断成本</td><td>127 个候选里只有 7 个变好</td></tr>
<tr><td>「插入端多朝向出口」过滤器</td><td>对漏斗零效果，已删除</td></tr>
<tr><td>把锁住比例当难度主轴排序</td><td>方向反了：它奖励「开局什么都做不了」</td></tr>
</tbody>
</table>

<footer>
<p class="mono">生成：node scripts/build-process-report.mjs · 页面所有数字由脚本从 levels/campaign-50.json 与 bench/runs 直接测得</p>
<p>相关：<a href="review-50.html">五十关人工审核页</a> · <a href="level-board.html">任务看板</a> · <a href="bench-reliability.html">bench 复测可信度</a></p>
</footer>
</div>
</body>
</html>