0. 5秒结论
AI先承担昂贵搜索，人类拿着缩小后的40张与胜利路线进入排位。真人对局继续删掉低价值卡牌和操作；如果反复撞到同一对手，连个人习惯也会被学习。
最终是：AI缩小搜索空间，人类缩小决策树，重赛缩小对手不确定性。 对巫师甚至可以变成：研究员、实验体、狮子——嗯，又是这套。
1. AI先踩过雷区
之前的研究使用赛事卡组、卡牌数据库、规则引擎、换牌、行动策略、对局下限与下行风险。完整规则阶段跑过12,480局，也确认“规则正确不等于AI决策正确”。
第9弹支持范围内32套、2,324局中，快攻梦魇在模型内平均81.0%、最差63.9%居首。海盗皇家专项5,904局、1,944局未见seed验证中也出现过狭窄条件下91.4%。
这些不是天梯真实胜率。真正价值是把几百个候选缩成几个值得真人试的候选。
2. 钻石与重赛：界面BO1，脑内BO7
Group与Rank分开，按近期胜负升降。钻石是最高Group，从钻石进入Grand Master时官方初始CR为1600。
但官方没有公开精确匹配算法，因此不能断言“钻石必然让对手池变小”。
实际观察中，较冷清时段出现了重复对手。第一局普通BO1，第二局已有历史，第三局开始读个人习惯。界面仍是BO1，脑子已经BO7。
3. 当前实验体巫师可以记成“研究员＋实验体＋狮子”
第9弹实验体巫师通过塞菲、研究员与实验体体系累积数量，进入5/5和疾驰压力。
从对手视角可以压成：研究员 → 实验体数 → 5/5区 → 疾驰区。
本文的**“狮子”不是另一张《绝尽的显现・莱奥》**，只是当前实验体巫师实验系画面看起来像狮子而产生的外观昵称。
排位不是默写卡名。能靠“狮子来了”正确调用下一步就够了。
4. “不怎么计算了”其实是组块化
一开始逐项算PP、实验体数量、回复目标、疾驰时机与下一回合斩杀。重复后，这些细节会变成一个整体模式，也就是chunking。
新手看到卡A＋场B＋PP＋手牌推定。熟练者看到：“哦，狮子这个形。”
不是停止思考，而是把旧答案缓存了。
5. 很能赢，不等于全环境真实胜率
当前表现混合了牌组强度、AI预筛、真人调优、对常见Witch的局部适应、重复对手的个人学习。
对100个不同人70%，和反复学习少数对手后70%，不是同一个统计问题。若要测试泛化，应在更热门时段用更多不同对手再收集20～30局以上。
不过只想赢现在的排位，记住“深夜村民”也完全属于合法优化。
6. 最终结论：AI负责探索，人类只记异常
AI研究 → 缩小候选 → 快速真人验证 → 删除低价值决策 → 对局模板 → 个人模板 → 组块化。
开头是“卡牌游戏算数麻烦，先让AI算”。
最后是：AI：“看了几千局。” / 人类：“狮子出来了，走这条。”
AI没有替人玩，而是把探索外包，让人的注意力只花在真正不同的现场例外上。
