本文以《Shadowverse: Worlds Beyond》為例，討論如何結合AI Agent、模擬、穩健最佳化與外部記憶，降低「全部背、全部親自試」的成本。
1. 「不夠懂就不能下指令」現在只對一半
舊流程是自己研究、自己實作、自己測試。AI時代可以由人先定義目的、完成狀態、限制與成功條件，然後交給AI：研究。提出方案。比較。實作。測試。把結果帶回來。
人再判斷：「A丟掉。選B。這裡不對，重測。」
這已經很像管理職。若連「哪個問題值得投入時間和算力」「是否值得做」「成功如何定義」都由你決定，就更接近經營者。
OpenAI在2026年的Codex說明中，也強調多Agent委派、平行執行、人類審閱與改向。AI-native工程指南則把工作區分成Delegate、Review、Own：低風險執行可以交出去，重要成果要審核，策略、標準與責任仍由人掌握。
結構從 人 → 工作 變成 人 → AI員工 → 工作。
沒有員工薪資。
但已經有組織。
2. CEO的核心不是知道所有答案，而是能判斷答案好不好
專業知識仍不能歸零。AI說「最佳化完成！」時，還是要問：為何最佳、比較了哪些方案、條件變動會不會崩、測試像不像現實、資料是否過期、失敗成本多少。
否則就是：
AI：「完成！」
人：「好！」
現實：「壞掉了。」
真正的變化不是從專業走向無知，而是從全部親自實作轉向能評估、質疑與治理成果。
不必背每張卡，但要看得出「平均勝率很好看，卻藏著25%的致命對局」。
3. 玩闇影詩章之前，先蓋模擬工廠
普通卡牌流程是開始、讀卡、組牌、輸、改、再輸，100場後終於懂一點。
有計算機時可以反過來：
- 抓全卡資料
- 蒐集比賽與公開牌表
- 實作規則與效果
- 設定起手與出牌策略
- 自動跑數萬到數十萬場
- 建立對局勝率矩陣
- 分析弱點、變異與事故率
- 只讓人測最終候選
100副牌每副50場是5000場人工測試。讓機器先淘汰95%，人只碰最後幾副。
遊戲還沒裝，攻略本先寫。
唯一問題：模擬太久，新卡包可能先來。
不小心成立研發中心。
4. 新包前極致最佳化，可能得到「最佳解五天後死亡」
截至2026年8月22日，第9彈卡包《Revenants of Azvaldt / アズヴォルト・レヴナント》已公布預定8月27日推出。
8月22日：「最佳牌組完成！」
8月27日：「新卡加入。」
最佳牌組：「再見。」
因此新包前更值得完成的是工廠：資料管線、規則引擎、AI對戰、統計、勝率矩陣、穩健評價與報告。
這些可以跨卡包重用。
本來想打牌，最後做成製造業。
5. 比平均最強更重要的是「環境猜錯也不死」——穩健最佳化
| 牌組 | 對龍 | 對巫師 | 對皇家 | 對精靈 |
|---|---|---|---|---|
| A | 70% | 65% | 60% | 25% |
| B | 57% | 56% | 55% | 54% |
精靈少時A像神。下週精靈增加：A死亡。
B不那麼華麗，但環境稍微偏離預測也能活。
穩健最佳化不把不確定參數假裝成精確值，而是放入不確定範圍，尋找在不利條件下仍可接受的解。
可擾動Meta比例、對局估計、先後手、起手事故、關鍵牌沒抽到、AI策略誤差等。
最高95最低20，未必比最高80最低65好。
目標不是最爆炸的猩猩，而是丟去哪個動物園都還會打的猩猩。
6. 遺憾：模擬器再強，人按錯按鈕還是會輸
AI找到最強牌組。本人實戰：「這回合先下哪張？」然後輸了。
悲劇。
但訓練也能被壓縮。模擬可抽出各對局起手、高頻盤面、常見斬殺、災難性錯誤、對手典型回應、最影響勝率的選擇。
人不用練「整個遊戲」，只練最決定勝負的20%局面。
牌組搜尋：機器。局面挖掘：機器。最後判斷：人。
CEO還是要下現場，但不用100小時新人訓練。
7. 把全部卡牌放在腦內，作為儲存架構是不是很怪
最後會想到：「為什麼要用腦RAM常駐整個卡池？」
認知科學把使用筆記、裝置、提醒等外部資源取代內部記憶稱為cognitive offloading（認知卸載）。2024年的計算模型把它視為成本選擇：內部記憶容量有限，持續佔用會產生機會成本；外部記憶需要查詢動作，但容量近乎無限。
卡牌遊戲完全適用。
腦內只留快取：主流體系、自己的勝利方式、常見危險牌、斬殺範圍、起手、高頻分支。
採用率3%的奇怪科技牌？
從硬碟讀。
8. WB的卡牌資料確實能自動抓取
mariokart761/ShadowverseWB_card_data 用爬蟲取得5種語言的WB卡牌資料，並把詳細資訊、技能文字、進化資訊、關聯卡、卡包資訊等存成JSON。
不是有人坐在那裡逐張輸入：「3費……2攻……3血……」
爬蟲部長上班了。
ParticleG/shadowverse-wb-db 也在 cards.json 保存名稱、技能、費用、攻擊、生命、稀有度、卡包與圖片等資訊。
但有一個巨大差別：取得卡牌文字 ≠ 正確執行卡牌規則。
「入場曲：造成4點傷害」容易取得。目標、觸發時機、增益、減傷、滿場互動才是地獄。
卡牌台帳部已自動化。
規則引擎部還在加班。
9. 人腦應該當決策引擎，不要當資料庫
GitHub / DB → 長期記憶
爬蟲 → 資訊收集
模擬器 → 虛擬經驗
Codex / AI → 研究、實作、測試、報告
人 → 目的、標準、優先級、最終決策
舊思路：「想變強，就背全卡、打幾百場。」
新思路：「讓機器打幾十萬場，把重要結論壓縮給人。」
不要把CEO辦公室變成卡牌倉庫。
需要資料時叫部門送來。
10. 這已經不是單純攻略，而是「一人公司經營OS」
定義目的、理想狀態、限制，讓AI研究，比較方案，模擬，選抗不確定性的方案，執行、審閱、修正，並把知識外部保存。
這套方法能用在軟體、投資驗證、流程改善、內容、研究、購買決策與遊戲。
你打造的不只是最強牌組，而是一座決策工廠。
員工是AI。人不背所有細節，但必須掌握：做什麼、什麼算好、什麼不能信、何時GO。
本來只想玩卡牌遊戲，卡還沒背完就先當CEO。
11. 結論：先設計再記憶；先讓機器跑，再自己練
研究 → 結構化資料 → 模擬 → 穩健評價 → 候選壓縮 → 人類實戰
記憶也是：
全部背 → ×
需要時可檢索 → ○
高頻關鍵資訊才放腦內快取 → ◎
最終形態：
AI打100萬場。
GitHub記住全部。
人只判斷重要的事。
本來只想疾馳打臉，最後攻略法變成組織設計。
疾馳砰之前，
經營會議先砰。
