0. 5秒結論
AI先做昂貴搜尋，人類拿著縮小後的40張與勝利路線進排位。真人實戰繼續刪低價值卡和操作；若反覆遇到同一對手，連個人習慣也會被學起來。
最後是：AI縮小搜尋空間，人類縮小決策樹，重賽縮小對手不確定性。 對巫師甚至只剩：研究員、實驗體、獅子——嗯，又是這套。
1. AI先走過地雷區
之前研究用了賽事牌組、卡牌DB、規則引擎、換牌、行動策略、對局下限與下行風險。完整規則階段跑過12,480局，也確認「規則正確不等於AI策略正確」。
第9彈支援範圍32套、2,324局中，快攻夢魘模型平均81.0%、最差63.9%居首。海盜皇家專項5,904局、其中1,944局未見seed驗證，也出現狹窄條件91.4%。
這些不是天梯真實勝率。重點是把幾百個候選縮成幾個值得真人試的候選。
2. 鑽石與重賽：畫面BO1，腦內BO7
Group與Rank分開，依近期勝負升降。鑽石是最高Group，從鑽石進Grand Master時官方初始CR為1600。
但精確配對公式未公開，所以不能說鑽石必然讓對手池縮小。
實際觀察中，較冷清時段出現重複對手。第一局普通BO1；第二局有歷史；第三局開始讀個人習慣。畫面還是BO1，腦內已經BO7。
3. 現在實驗體巫師可以記成「研究員＋實驗體＋獅子」
第9彈實驗體巫師靠塞菲、研究員、實驗體體系累積數量，之後進入5/5與疾馳壓力。
對手需要看的訊號可以壓成：研究員 → 實驗體數 → 5/5區 → 疾馳區。
本文的**「獅子」不是另一張《絕盡的顯現・萊奧》**，只是目前實驗體巫師的實驗系畫面看起來像獅子而出現的外觀綽號。
排位不是卡名默寫考試。能靠「獅子來了」正確叫出下一步就夠。
4. 「不太計算了」其實是組塊化
一開始逐項算PP、實驗體數、回復目標、疾馳時機、下一回合斬殺。重複後，細節變成一個大模式，也就是chunking。
新手看到卡A＋場B＋PP＋手牌推定。熟手只看到：「喔，獅子這個形。」
不是放棄思考，是把以前的答案快取了。
5. 很會贏，不等於全環境真實勝率
目前表現混合牌組強度、AI預篩、真人調整、對常見Witch的局部適應、重複對手的個人學習。
對100個不同人70%與對已經學熟的小群體70%不是同一實驗。要測泛化，可在熱門時段用更多不同對手重新收集20～30局以上。
但只想贏現在天梯，記住「深夜村民」也是合法最佳化。
6. 最終結論：AI探索，人類只記例外
AI研究 → 縮小候選 → 快速真人驗證 → 刪低價值決策 → 對局模板 → 個人模板 → 組塊化。
開頭是「卡牌遊戲算數麻煩，先交給AI」。
最後是：AI：「看了幾千局。」 / 人類：「獅子出來了，走這條。」
AI不是代替人玩，而是把探索外包，讓人的注意力只留給真正不同的現場例外。
