一想到卡牌模拟器，最恐怖的画面就是一张一张录卡：名称、费用、身材、效果、特殊处理，然后重复几百次。
但如果卡牌数据已经是JSON等结构化格式，而且还有可用的开源对战引擎，工作性质就完全变了。数据批量读取，常见效果复用已有规则，只需要处理真正的新机制。
在这个案例里，Beyond Decks已经有卡牌数据、牌组、seed、replay、Battle Sim、AI和benchmark。
所以不是“重新做游戏”，而是在现成的沙盒上加研究设备和更好的脑子。
1. 把演出全部删掉，一局卡牌游戏快得有点搞笑
真实客户端的时间消耗在抽牌演出、拖卡、语音、进化动画、攻击动画、伤害显示和人类思考。
模拟器基本只有：
状态A
→ 列出合法动作
→ 选动作
→ 更新状态
→ 状态B
循环到有人输。
真正变慢的不是动画，而是你让AI看多远的未来。
2. 底层模拟器不是玩具，而是相当认真的工程
现有系统已经有deterministic seed、replay、目标选择、短期look-ahead、整回合规划、lethal solver、职业机制、benchmark、全卡覆盖审计和runtime检查。
但作者也明确说明：它不是完美的比赛级人类AI，而是中等水平。
这反而很适合研究。规则、棋盘、卡牌、seed、replay和对战机器已经有了，真正值得补的是像人一样判断局面的决策层。
3. 12,480局出现皇家约79.8%——大样本也会放大AI偏科
之前跑完12,480局后，规则覆盖不错，但皇家约79.8%、巫师约25.6%。
不能因为局数多就喊“皇家宇宙第一”。
如果皇家AI只要：
下随从
抢场
脸空了
打脸
赢
就能工作，而复杂牌组AI却：
组件现在能用？用了！
进化现在有收益？用了！
手牌上限？不知道！
三回合以后？未来的我处理！
那结果当然会歪。
大量模拟最大的危险是：把错误策略测得非常精确。
4. 所以加入人类打法知识——不是背答案，而是加入思考习惯
收集并结构化了换牌、保留卡、进化资源、手牌/场面空间、攻守切换、对手强势回合、替代胜法、2~3回合斩杀和常见失误。
但不能硬写“这个对局一定出这张”。
更合理的是：
hold_value +20
future_combo_value +30
opponent_counter_cost +25
过早使用 -40
人类攻略不是答案，而是让搜索方向更合理的偏好。
5. 现在实际跑的是4,032局——2,016是A/B比较条件数
当前设计：
56组 × 2方向 × 18 seed = 2,016 A/B条件
每个条件下，基准策略和人类知识策略各打一局，所以引擎实际处理4,032局。
2,016不是神秘数字，而是两套AI做同一批考试题的数量。
6. 大批量之前先停下来检查
正式跑4,032局之前，先修复“终结卡出得太早”的回归问题，让准备卡在正确条件下先用，再用固定的真实卡库和真实牌表做先后手smoke。
同时检查覆盖率、未支持卡、规则缺口、DB hash、重复ID、引用缺失和知识库版本。
原因很简单：已经见识过AI不对却跑出一万多局的结果。
先确认实验没坏，再谈样本量。
7. human-prior v1还不算真正的临机应变
同一个跳费龙也应该根据局面切换目标。
正常 → 跳费
下回合要死 → 停止跳费，解场/防守
对手资源枯竭 → 进攻
终结卡在手但准备不足 → 保留
准备完成 → 启动终结
“龙要跳费”只是默认策略。真正需要的是每回合重新计算当前最重要的目标。
8. Adaptive AI动态切换 ATTACK / SURVIVE / SETUP / RESOURCE / LETHAL
下一阶段可以根据血量、场面、手牌、PP、进化资源、对手压力、预计伤害、组合技完成度来给几个模式打分。
如果自己6血，对手场上14点伤害，没有保护，那么SURVIVE必须压过RESOURCE。
临机应变不是“六回合前禁止这张卡”，而是不断比较现在用和以后用哪个更值。
9. 看2~3回合未来，但用人类知识剪枝
完全展开游戏树会爆炸。
所以：
50个合法动作
→ 人类先验缩到20
→ 快速评分缩到10
→ 只搜索前10个的2~3回合未来
当前+8但下回合必死的行动，应输给当前+3但能活下来并反击的行动。
10. 直接看对手手牌就是作弊——用“可能有”来思考
不能给AI透视。
应该根据职业、原型、已经用过的卡、剩余牌库、手牌数量和之前动作来构造多个可能世界。
有AOE 30%
没有AOE 70%
在多个可能手牌下评估同一动作。
这样就能接近人类的：“他可能有，所以要防一点，但不能什么都防。”
11. 顺序很重要——当前4,032局中途不能换AI
如果跑到一半突然加入Adaptive v2，前后就不是同一个实验了。
正确流程：
固定human-prior v1
→ 跑完4,032
→ 分析剩余失误
→ Adaptive v2
→ quick A/B
→ 再跑约2,016条件
→ 12k级full
→ 优化40张
→ 对局诊断
v2应该针对真实失败来做，而不是“听起来聪明的功能全塞进去”。
12. 终点不是“背攻略的CPU”，而是“必要时敢违背攻略的CPU”
组合人类知识、游戏树、未来评分、隐藏手牌概率和动态目标。
这样AI才能做到：
“平时跳费，但要死就解场。” “平时保留，但现在有斩杀就全交。” “平时铺场，但怀疑AOE就留一点。”
攻略只是参考，局面才是最终裁判。
13. 这套方法不只适用于一款游戏——不要重做游戏，做“赢的实验室”
宝可梦可以复用现成模拟器研究队伍、选出、换人和招式。卡牌游戏则研究构筑、换牌、资源和对局策略。
重做游戏和研究如何获胜，是两件事。
有可靠模拟器，就借。
不用重建赛场，只要建一个能研究如何赢的实验室。
如果皇家又接近80%，先别加冕。
先看看这机器人是不是又只会“下怪打脸”。
