本文以《Shadowverse: Worlds Beyond》为例，讨论如何结合AI Agent、模拟、鲁棒优化与外部记忆，让人不必“全部背下来、全部亲自试”。
1. “不懂细节就不能下指令”，现在只对一半
旧模式是自己调查、自己实现、自己测试。AI时代可以先由人决定目的、完成状态、约束与成功标准，然后交给AI：去调查。给方案。做比较。实现。测试。把结果带回来。
人类看结果：“A不要。用B。这里不对。重测。”
这已经很像管理岗位。如果连“哪件事值得投入时间和算力”“项目是否值得存在”“成功如何定义”也由你决定，那就更接近经营者或制作人。
OpenAI在2026年介绍Codex时也强调多Agent委托、并行执行、人类审阅与改向。其AI-native工程指南也把工作区分成Delegate、Review、Own：低风险执行可以交出去，重要产物要审，人类保留战略、标准与责任。
结构从 人 → 工作 变成 人 → AI员工 → 工作。
没有员工工资单。
但组织已经有了。
2. CEO的核心不是“知道所有答案”，而是“判断答案靠不靠谱”
领域知识不能归零。AI说“优化完成”时，你仍要问：为什么最优、比了哪些替代方案、条件变动会不会崩、测试环境像不像现实、数据有没有过期、错了损失多大。
否则就是：
AI：“完成！”
人：“好！”
现实：“坏的。”
真正发生的不是从专业走向无知，而是从必须亲自实现全部细节转向能评价、质疑和治理结果。
不用背每张牌，但要能发现“平均胜率很漂亮，某个常见对局却只有25%”。
3. 玩影之诗之前，先造一个模拟工厂
普通流程是开始游戏、读卡、组牌、输、改、再输、100局后终于懂一点环境。
如果有计算机，可以反过来：
- 抓全卡数据
- 收集比赛与公开牌表
- 实现规则和效果
- 设置起手与出牌策略
- 自动跑数万到数十万局
- 生成对局胜率矩阵
- 分析弱点、方差、事故率
- 只让人测试最终候选
100套牌每套50局，就是5000局人工实验。机器先淘汰95%，人只碰最后几套。
游戏还没装，攻略书先写了。
唯一的问题：模拟跑太久，新卡包都可能先出来。
不小心成立了研发中心。
4. 新包前做极致优化，可能得到“最优解五天后死亡”
截至2026年8月22日，第9弹卡包《Revenants of Azvaldt / アズヴォルト・レヴナント》已公布计划在8月27日推出。
8月22日：“最优牌组完成！”
8月27日：“新卡来了。”
最优牌组：“再见。”
所以新包前更值得做的是完成“工厂”本身：数据管线、规则引擎、AI对战、汇总、胜率矩阵、鲁棒评价、报告。
这些能跨卡包复用。
想打牌，最后做成了制造业。
5. 比平均最强更重要的是“环境猜错也不死”——鲁棒优化
| 牌组 | 对龙 | 对巫师 | 对皇家 | 对精灵 |
|---|---|---|---|---|
| A | 70% | 65% | 60% | 25% |
| B | 57% | 56% | 55% | 54% |
今天精灵少，A看起来像神。下周精灵增多：A去世。
B没那么炸裂，但预测偏一点也不容易崩。
鲁棒优化的核心就是：不要把不确定参数假装成精确值，而是设置一个可能波动的范围，在不利情况中也寻找可接受的方案。
牌局里可以扰动Meta占比、对局胜率估计、先后手、起手事故、抽不到关键牌、AI策略误差。
最高95、最低20，未必比最高80、最低65更好。
目标不是一拳最猛的猩猩，而是扔到哪个动物园都还能打的猩猩。
6. 遗憾：模拟器再强，人按错按钮还是会输
AI找到了最优牌组。本人实战：“这回合先出哪张来着？”然后输了。
悲剧。
但训练也能压缩。从模拟中提取各对局起手规则、高频盘面、常见斩杀、灾难性错误、对手典型反击、对胜率影响最大的选择。
人不需要练“整个游戏”，只练最决定胜负的20%局面。
牌组搜索交给机器。局面挖掘交给机器。最终判断人来。
CEO也要下现场，但不用100小时新人培训。
7. 把全卡池放脑子里，作为存储架构是不是有点离谱
最终会问：“为什么要用脑RAM常驻所有卡牌数据？”
认知科学把借助笔记、设备、提醒等外部资源代替内部记忆称为cognitive offloading（认知卸载）。2024年的一个计算模型把它解释为成本选择：内部记忆容量有限，因此持续占用会产生机会成本；外部存储需要查询动作，但容量近乎无限。
对卡牌游戏太合适了。
脑子只放缓存：主流体系、自己的赢法、高频威胁、斩杀区间、起手、高频分支。
采用率3%的奇怪科技牌？
从硬盘读。
8. WB卡牌数据确实可以自动抓
公开的非官方GitHub已经有人这么做。
mariokart761/ShadowverseWB_card_data 使用爬虫获取5种语言的WB卡牌信息，并保存卡牌详情、技能文本、进化信息、关联卡、卡包信息等JSON。
不是有人坐在那里一张一张：“3费……2攻……3血……”手工录入。
爬虫部长上班了。
ParticleG/shadowverse-wb-db 也在 cards.json 中保存名称、技能、费用、攻击、生命、稀有度、卡包和图片等数据。
但关键区别是：抓到卡牌文本 ≠ 正确执行卡牌规则。
“入场曲：造成4点伤害”很好抓。目标选择、触发时点、增益、减伤、满场状态等交互才是真正难点。
卡牌台账部已经自动化。
规则引擎部还在加班。
9. 人脑应该当决策引擎，不要当数据库
GitHub / DB → 长期记忆
爬虫 → 信息收集
模拟器 → 虚拟经验
Codex / AI → 调查、实现、测试、报告
人 → 目的、标准、优先级、最终决策
旧思路：“想变强就背全卡、打几百局。”
新思路：“让机器打几十万局，把重要结论压缩给人。”
别把CEO办公室改成卡牌仓库。
需要资料时让部门送上来。
10. 这已经不是单纯攻略，而是“一人公司经营OS”
定义目的、应有状态、约束，让AI调查，比较方案，模拟，选择对不确定性更强的方案，执行、审阅、修正，并把知识外部存储。
这套方法不仅能打牌，也能用于软件、投资验证、流程改善、内容制作、研究和购买决策。
你造的不只是“最强牌组”，而是一个决策工厂。
员工是AI。人类不背所有细节，但必须握住：做什么、什么算好、什么不能信、什么时候GO。
只是想玩个卡牌游戏，结果卡还没背完先当CEO了。
11. 结论：先设计，再记忆；先让机器试，再自己练
调查 → 结构化数据 → 模拟 → 鲁棒评价 → 压缩候选 → 人类实战
记忆也是：
全部背 → ×
随时可检索 → ○
只把高频关键信息放脑内缓存 → ◎
最终形态：
AI打100万局。
GitHub负责记住一切。
人只判断重要的事情。
本来只想疾驰打脸，最后攻略方法变成了组织设计。
疾驰砰之前，
经营会议先砰。
