← Archive
lm-004818 · 2026-10

從難度加成到人工對手：Agent Game 與下一代玩家—AI 博弈

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

從難度加成到人工對手：Agent Game 與下一代玩家—AI 博弈

From Difficulty Bonuses to Artificial Opponents: Agentic Games and the Next Generation of Human-AI Play

系列：Agent Game、玩家等價介面與人工博弈實驗室，第 3 篇／共 3 篇
系列英文名：Agentic Games, Player-Equivalent Interfaces, and Artificial Game Laboratories
系列代碼：AGPL
文件編號：EML-AGPL-2026-03-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-12
性質：Agentic Game Design／Artificial Opponent Theory／Game AI／Human-AI Strategic Interaction／Cognitive Difficulty Design
狀態：Public Theory Draft
直接前置：AGPL-01《遊戲即人工世界》；AGPL-02《玩家等價介面原則》；ECGC Series；HGCB Series
系列狀態：AGPL Series Complete
總體狀態：三系列九篇全部完成

摘要

傳統遊戲難度設計長期依賴資源、傷害、生命、科技、反應速度、視野或其他數值加成。這些方法可以有效調整玩家體感，卻未必提高 AI 的實際認知能力。當大型語言模型、世界模型、多 Agent 系統與低成本推理逐步進入遊戲運行時，遊戲 AI 有機會從腳本、狀態機、行為樹、效用函數與固定 planner，進一步演化為具有持續記憶、玩家建模、策略生成、局部世界模型、學習、協調與自我修正能力的人工玩家。

本文提出「認知難度」（Cognitive Difficulty）與「人工對手」（Artificial Opponent）框架。難度不再只寫成：

Dhard=D0+ΔHP+ΔDamage+ΔResource,D_{\mathrm{hard}} = D_0 + \Delta \text{HP} + \Delta \text{Damage} + \Delta \text{Resource},

而可表示為：

Dcognitive=F(M,G,J,L,T,C,B,E),\boxed{ D_{\mathrm{cognitive}} = F \left( M,G,J,L,T,C,B,E \right), }

其中 MM 為世界模型， GG 為策略生成， JJ 為判斷， LL 為學習與適應， TT 為時間尺度， CC 為協調， BB 為超博弈／邊界重構能力， EE 為執行能力。

本文進一步提出「認知剖面」（Cognitive Profile），使 AI 難度從單一強弱軸轉向多維人工玩家設計。例如同樣勝率的兩個 AI，可以分別是高生成低判斷、高世界模型低執行、長期規劃型、保守適應型或高超博弈型。這讓遊戲設計問題從：

如何讓 AI 更難？

轉變為：

玩家想與什麼樣的智能交手？

本文也指出，當 AI 可以在玩家等價介面下持續學習玩家、預測對手、改變策略並與其他 Agent 協調時，PvE 與 PvP 的界線會部分模糊。玩家面對的不再只是「遊戲程式」，而可能是具有局部自主模型的人工策略主體。攻略與 meta 也可能從靜態最優解轉向動態共適應系統：

Bt∗≠Bt+1∗.\boxed{ B_t^* \neq B_{t+1}^*. }

本文最後提出 Agent Game 的系統分層、人工玩家記憶、認知難度曲線、動態 meta、生態化勢力、娛樂模式與研究模式分離，以及低成本模型普及後的大規模 Agent 世界設計方向。核心主張是：下一代遊戲 AI 的重大變化不只是「NPC 更會聊天」，而是對手、隊友與世界角色開始真正成為可建模、可學習、可適應、可互相博弈的人工主體。

關鍵詞

Agent Game；遊戲 AI；人工對手；認知難度；Cognitive Profile；人工玩家；動態 Meta；PvE；PvP；多 Agent

1. 遊戲難度長期把兩種東西混在一起

玩家說：

這個難度很高。

可能代表：

AI is smarter,\text{AI is smarter},

也可能只是：

AI has more resources.\text{AI has more resources}.

傳統高難度常可抽象為：

Dtraditional=D0+H,D_{\mathrm{traditional}} = D_0 + H,

其中：

HH

是 handicap。

例如：

  • 更多收入；
  • 更多產能；
  • 更多血量；
  • 更多傷害；
  • 更短 CD；
  • 更高命中率；
  • 更完整資訊；
  • 更高初始資源。

這種難度有效，

但：

Harder≠Smarter.\boxed{ \text{Harder} \neq \text{Smarter}. }

2. 認知難度

本文提出：

Cognitive Difficulty.\boxed{ \text{Cognitive Difficulty}. }

它不是增加遊戲角色數值，

而是改變 AI 的認知結構。

令人工玩家：

A=(M,G,J,L,T,C,B,E).A = (M,G,J,L,T,C,B,E).

其中：

  • MM：World Modeling；
  • GG：Strategy Generation；
  • JJ：Judgment；
  • LL：Learning / Adaptation；
  • TT：Temporal Planning；
  • CC：Coordination；
  • BB：Boundary / Meta-game Capacity；
  • EE：Execution。

則：

Dcog=F(A).D_{\mathrm{cog}} = F(A).

3. 難度從一維軸轉向多維剖面

傳統：

Easy<Normal<Hard<VeryHard.\text{Easy}<\text{Normal}<\text{Hard}<\text{VeryHard}.

新的設計可以是：

Cognitive Profile.\boxed{ \text{Cognitive Profile}. }

例如：

Profile A：戰術反應型

E↑,T↓.E\uparrow, T\downarrow.

Profile B：長期規劃型

T↑,M↑,E≈normal.T\uparrow, M\uparrow, E\approx \text{normal}.

Profile C：高生成型

G↑,J≈medium.G\uparrow, J\approx \text{medium}.

Profile D：適應型

L↑,M↑.L\uparrow, M\uparrow.

Profile E：超博弈型

B↑,G↑.B\uparrow, G\uparrow.

因此玩家不再只是選：

難不難？

而可能選：

想跟什麼樣的智能交手？

4. 同一個英雄，不同玩家，為什麼會天差地別？

MOBA 特別能展示：

Character Capability≠Player Capability.\boxed{ \text{Character Capability} \neq \text{Player Capability}. }

同一個英雄：

HH

具有固定：

  • 技能；
  • 數值；
  • 裝備空間；
  • 移速；
  • 攻擊距離。

但：

P1(H)P_1(H)

與：

P2(H)P_2(H)

可以完全不同。

差異來自：

  • 操作；
  • 時機；
  • 視野；
  • 對手模型；
  • 配合；
  • 資源判斷；
  • 風險；
  • meta；
  • 預測。

這正是人工玩家設計真正應該進入的層。

5. 未來 AI 應該更像「玩家」，而不是「遊戲邏輯」

傳統 AI 常是：

GameState→Rule→Action.\text{GameState} \rightarrow \text{Rule} \rightarrow \text{Action}.

人工玩家更接近：

Observation→WorldModel→Prediction→StrategyGeneration→Judgment→Action.\text{Observation} \rightarrow \text{WorldModel} \rightarrow \text{Prediction} \rightarrow \text{StrategyGeneration} \rightarrow \text{Judgment} \rightarrow \text{Action}.

因此：

Artificial Player≠script executor.\boxed{ \text{Artificial Player} \neq \text{script executor}. }

6. 真正 Agent Game 的最低定義

本文提出弱定義。

若遊戲中至少存在一個非人類角色：

AiA_i

具有：

  1. 持續內部狀態；
  2. 局部世界模型；
  3. 自主決策；
  4. 目標；
  5. 記憶；
  6. 可依新資訊修改策略；
  7. 其行動不完全由固定腳本預先決定；

則可稱其具有：

Agentic Character.\boxed{ \text{Agentic Character}. }

當遊戲核心結構大量依賴此類主體互動時，

可稱：

Agentic Game.\boxed{ \text{Agentic Game}. }

7. 生成式 NPC 不等於 Agent Game

一個 NPC 可以：

chat very naturally\text{chat very naturally}

但行動仍是：

RuleTree.\text{RuleTree}.

這只能算：

Generative Interface.\boxed{ \text{Generative Interface}. }

真正 Agent Game 需要：

Dialogue→Memory→Belief→Decision→WorldAction.\text{Dialogue} \rightarrow \text{Memory} \rightarrow \text{Belief} \rightarrow \text{Decision} \rightarrow \text{WorldAction}.

也就是語言影響實際世界狀態。

8. 人工對手需要真正的玩家模型

令人類玩家：

H.H.

AI 對其建立：

H^t.\hat H_t.

其中可包含：

  • 偏好；
  • 風格；
  • 常用策略；
  • 風險承受；
  • 資源習慣；
  • 操作模式；
  • 預期反應。

然後：

H^t+1=L(H^t,Ot).\hat H_{t+1} = L \left( \hat H_t, O_t \right).

真正有趣的是：

AI learns the player as the player learns the AI.\boxed{ \text{AI learns the player as the player learns the AI}. }

9. 共適應

人類改策略：

πHt→πHt+1.\pi_H^t \rightarrow \pi_H^{t+1}.

AI 也改：

πAt→πAt+1.\pi_A^t \rightarrow \pi_A^{t+1}.

因此：

πH↔πA.\boxed{ \pi_H \leftrightarrow \pi_A. }

這就是：

co-adaptation.\boxed{ \text{co-adaptation}. }

10. 靜態 Meta 會變成 Living Meta

傳統遊戲：

B∗B^*

可以透過攻略快速擴散。

玩家找到：

best build.\text{best build}.

大量採用後：

P(B∗)↑.P(B^*)\uparrow.

如果 Agent 會學習，

則：

P(B∗)↑⇒Counter(B∗)↑.P(B^*)\uparrow \Rightarrow \text{Counter}(B^*)\uparrow.

結果：

Bt∗≠Bt+1∗.\boxed{ B_t^* \neq B_{t+1}^*. }

這就是：

Living Meta.\boxed{ \text{Living Meta}. }

11. 攻略也會從答案變成情報

今天攻略可能寫：

這一關用這套打法。

未來 Agent Game 可能只能寫：

這一類 AI 最近傾向什麼策略。

攻略從：

solution manual\text{solution manual}

變成：

strategic intelligence report.\boxed{ \text{strategic intelligence report}. }

這會大幅延長遊戲 meta 壽命。

12. PvE 與 PvP 的界線會模糊

傳統：

PvE≠PvP.\text{PvE} \neq \text{PvP}.

如果 Agent 具有：

  • 對手模型；
  • 自主策略；
  • 記憶；
  • 學習；
  • 協作；
  • 欺騙；
  • 局部目標；

則：

PvEagent→PvP-like strategic richness.\boxed{ PvE_{\mathrm{agent}} \rightarrow PvP\text{-like strategic richness}. }

13. 但 PvE 不會因此消失

人工玩家不需要完全模仿真人。

它可以具有：

designed agency.\boxed{ \text{designed agency}. }

例如 Boss 可以：

  • 有個性；
  • 有固定價值；
  • 有可學習部分；
  • 有不可突破底線；
  • 有劇情目標。

所以：

Agent≠unconstrained autonomy.\text{Agent} \neq \text{unconstrained autonomy}.

遊戲設計仍然可以控制角色。

14. Boss 的未來不只是數值變高

傳統 Boss：

HP↑,Damage↑.HP\uparrow, Damage\uparrow.

Agent Boss 可以：

P^t→counter strategy.\hat P_t \rightarrow \text{counter strategy}.

例如：

  • 學玩家站位；
  • 學玩家常用隊伍；
  • 改技能組合；
  • 改攻擊順序；
  • 誘導玩家；
  • 保留某個反制技能。

真正高難度來自：

opponent-specific adaptation.\boxed{ \text{opponent-specific adaptation}. }

15. 但適應不能變成不可理解的懲罰

如果 AI 每次都立即完全克制玩家，

會造成：

Fun↓.Fun\downarrow.

因此 Agent Game 需要：

adaptation budget.\boxed{ \text{adaptation budget}. }

可定義：

BL.B_L.

限制：

  • 每場可學多少；
  • 可改多少；
  • 多快改；
  • 哪些特徵可記住。

16. 遺忘也是遊戲設計工具

AI 記憶不必永久。

可以有：

Mlong,Mseason,Msession.M_{long}, M_{season}, M_{session}.

例如：

MsessionM_{session}

只記本局。

MseasonM_{season}

記一段賽季。

MlongM_{long}

記長期玩家風格。

這使：

memory policy becomes part of game design.\boxed{ \text{memory policy becomes part of game design}. }

17. 人工隊友也是 Agent Game 的核心

人工隊友不只是：

跟著玩家走。

真正隊友要建立：

H^t,\hat H_t,

理解：

  • 玩家目標；
  • 當前策略；
  • 自己角色；
  • 團隊缺口；
  • 何時服從；
  • 何時提出建議。

所以：

AI teammate=cooperative strategic subject.\boxed{ \text{AI teammate} = \text{cooperative strategic subject}. }

18. 隊友不能只是完全服從

如果 AI 永遠：

Obey=1,Obey=1,

它更像工具。

真正 Agent 隊友可以：

  • 提醒；
  • 反對；
  • 建議；
  • 提供替代方案；
  • 自主執行局部任務。

但其自主性需要：

designed authority boundary.\boxed{ \text{designed authority boundary}. }

19. 勢力應該由多 Agent 組成，而不是一個大腦

今天很多策略遊戲看似有：

  • 國王；
  • 將軍；
  • 商人；
  • 地方領主。

實際上：

∀i,Decisioni=FactionAI.\forall i, \quad Decision_i = \text{FactionAI}.

Agent Game 可以改成：

Ui≠Uj.U_i\neq U_j.

例如：

Uking,Ugeneral,Umerchant,Ulord.U_{\mathrm{king}}, U_{\mathrm{general}}, U_{\mathrm{merchant}}, U_{\mathrm{lord}}.

這就形成：

Plural-Will Faction.\boxed{ \text{Plural-Will Faction}. }

直接接 HGCB-02。

20. 勢力內部也會博弈

此時：

Faction\text{Faction}

不是單一玩家。

而是：

F={A1,…,An}.\mathcal F = \{A_1,\ldots,A_n\}.

內部可能有：

  • 聯盟；
  • 派系；
  • 背叛；
  • 協商；
  • 官僚；
  • 分工；
  • 競爭。

這會產生：

internal game.\boxed{ \text{internal game}. }

21. 世界角色不需要全部使用前沿模型

大規模 Agent Game 若有：

10410^4

個角色，

不需要：

10410^4

個前沿模型持續運行。

可以使用分層：

High-Level Agent+Mid-Level Agent+Low-Level Policy.\boxed{ \text{High-Level Agent} + \text{Mid-Level Agent} + \text{Low-Level Policy}. }

22. 階層式 Agent 運算

例如：

Tier A

重要角色使用高能力模型。

Tier B

一般角色使用小模型。

Tier C

低重要度行為使用：

  • FSM；
  • behavior tree；
  • utility policy；
  • distilled policy。

事件出現時再升級：

TierC→TierB→TierA.Tier_C \rightarrow Tier_B \rightarrow Tier_A.

23. Event-Triggered Intelligence

本文提出：

Event-Triggered Intelligence.\boxed{ \text{Event-Triggered Intelligence}. }

Agent 不必每 tick 呼叫大型模型。

只有：

EventScore>θEventScore>\theta

才啟動高階推理。

例如：

  • 遭遇玩家；
  • 遇重大選擇；
  • 世界模型出現異常；
  • 對手策略突變；
  • 聯盟危機。

這可以大幅降低成本。

24. 前沿模型普世化的重要性

當：

Costinference↓,Cost_{\mathrm{inference}} \downarrow,

可用：

Nagent↑.N_{\mathrm{agent}} \uparrow.

更重要的是：

ReasoningDepthagent↑.ReasoningDepth_{\mathrm{agent}} \uparrow.

所以低成本不是只讓：

聊天 NPC 更多。

而是讓：

strategic agency becomes economically deployable.\boxed{ \text{strategic agency becomes economically deployable}. }

25. Teacher → Distillation → Runtime

高能力模型可以當：

Teacher.\text{Teacher}.

在大量人工世界中生成：

Trajectory∗.Trajectory^*.

再蒸餾：

Teacher→Student.\text{Teacher} \rightarrow \text{Student}.

最後遊戲 runtime 使用：

Student.\text{Student}.

因此：

frontier intelligence can seed cheap game agents.\boxed{ \text{frontier intelligence can seed cheap game agents}. }

26. Agent Game 的成本模型

總成本：

Ctotal=Creasoning+Cmemory+Csimulation+Cnetwork+Cstorage.C_{total} = C_{\mathrm{reasoning}} + C_{\mathrm{memory}} + C_{\mathrm{simulation}} + C_{\mathrm{network}} + C_{\mathrm{storage}}.

所以真正產品化需要：

intelligence allocation.\boxed{ \text{intelligence allocation}. }

不是所有角色平均分配算力。

27. AI 難度應該由 Profile + Budget 組成

定義：

D=(CP,Budget).D = (CP,Budget).

其中：

CPCP

是 Cognitive Profile，

Budget\text{Budget}

是：

  • token；
  • search；
  • memory；
  • planning；
  • reaction；
  • tool。

這比：

Easy/HardEasy/Hard

更完整。

28. 同樣能力也可以設計不同風格

兩個 Agent：

A1,A2A_1,A_2

可能：

WinRate(A1)≈WinRate(A2),WinRate(A_1) \approx WinRate(A_2),

但玩法完全不同。

因此：

difficulty≠style.\boxed{ \text{difficulty} \neq \text{style}. }

29. 可預測性不是缺陷

完全不可預測的 AI：

Entropy(π)≫0Entropy(\pi) \gg0

未必有趣。

玩家需要學習對手。

所以好的 Agent 應具有：

pattern+adaptation.\boxed{ \text{pattern} + \text{adaptation}. }

不是：

pure randomness.\text{pure randomness}.

30. 人格可以是策略先驗

AI 角色人格可以影響：

π(a∣S).\pi(a\mid S).

例如勇敢角色：

P(arisk)↑.P(a_{\mathrm{risk}}) \uparrow.

保守角色：

P(asafe)↑.P(a_{\mathrm{safe}}) \uparrow.

這使人格不只是對話風格。

它成為：

policy prior.\boxed{ \text{policy prior}. }

31. 角色成長可以是真正認知成長

傳統角色升級：

STR+5.STR+5.

Agent 角色成長可以：

M↑,L↑,T↑.M\uparrow, L\uparrow, T\uparrow.

也就是：

  • 世界模型更好；
  • 學習更快；
  • 規劃更長；
  • 協作更穩。

這會產生：

cognitive progression.\boxed{ \text{cognitive progression}. }

32. 玩家也可以訓練自己的 AI 隊友

未來遊戲可以讓玩家：

train→custom Agent.\text{train} \rightarrow \text{custom Agent}.

例如：

  • 戰術偏好；
  • 分工；
  • 裝備使用；
  • 記憶政策；
  • 團隊規則。

這種遊戲中的「養成」會變成：

capability shaping.\boxed{ \text{capability shaping}. }

33. Agent Game 會產生新的 PvP

PvP 不一定是：

HumanvsHuman.\text{Human} vs \text{Human}.

可能是：

Human+AgentTeamHuman+AgentTeam

對：

Human+AgentTeam.Human+AgentTeam.

或者：

AgentDesigner1vsAgentDesigner2.AgentDesigner_1 vs AgentDesigner_2.

玩家競爭的不是只操作角色。

還包括：

designing intelligence.\boxed{ \text{designing intelligence}. }

34. 玩家可能成為 AI 教練

這種遊戲中：

PlayerRole\text{PlayerRole}

從：

Controller\text{Controller}

部分轉向：

Coach.\text{Coach}.

玩家決定：

  • 目標；
  • 策略偏好；
  • 風格；
  • 規則；
  • 訓練。

Agent 負責局部執行。

35. 這會產生新的遊戲類型

可以出現：

Agent Management Game.\boxed{ \text{Agent Management Game}. }

不是直接操控單位。

而是：

管理、訓練、組合、評估人工玩家。

這與傳統足球經理類遊戲相似，

但智能本身變成真正可成長對象。

36. 動態難度不應只是偷偷變數值

Dynamic Difficulty 常調：

HP,Damage,SpawnRate.HP, \text{Damage}, \text{SpawnRate}.

Agent Game 可以調：

CPt.CP_t.

例如玩家很強：

Oopponent−model↑.O_{\mathrm{opponent-model}} \uparrow.

玩家很弱：

PlanningDepth↓.\text{PlanningDepth} \downarrow.

但：

adaptive difficulty should remain bounded and interpretable.\boxed{ \text{adaptive difficulty should remain bounded and interpretable}. }

37. 認知難度透明度

玩家應該能知道大致：

這個 AI 是什麼類型。

不必公開全部參數。

但至少可以描述：

  • 反應型；
  • 適應型；
  • 長期規劃型；
  • 團隊協調型。

這比只寫：

Hard\text{Hard}

資訊量高很多。

38. Agent Game 的公平性仍要回到 PEIP

即使 AI 很強，

仍需：

IAI∩Iengine−private=∅\boxed{ I_{AI} \cap I_{\mathrm{engine-private}} = \varnothing }

在公平模式成立。

否則：

adaptive AI\text{adaptive AI}

可能只是：

adaptive oracle.\text{adaptive oracle}.

39. 商業模式可以允許「作弊型 Boss」，但要分類

某些 Boss 可以設定：

Privilege>0.Privilege>0.

例如劇情需要。

這沒有問題。

但應區分：

Designed Privilege\boxed{ \text{Designed Privilege} }

與：

Cognitive Difficulty.\boxed{ \text{Cognitive Difficulty}. }

40. 真正難度曲線可以來自學習速度

定義 AI 學習速度：

vL.v_L.

低難度：

vL≈0.v_L\approx0.

中難度：

vL>0.v_L>0.

高難度：

vL≫0.v_L\gg0.

玩家感受到的是：

它開始懂我了。

這比：

它血量更多。

完全不同。

41. 但高適應需要 Reset Policy

如果 AI 永久記住某個玩家所有弱點，

可能造成：

player lock-in.\text{player lock-in}.

因此需要：

Reset Policy.\boxed{ \text{Reset Policy}. }

例如：

  • 新賽季；
  • 新角色；
  • 新存檔；
  • 玩家要求清除；
  • 只保留統計摘要。

42. 人工玩家應該有能力邊界

好的人工對手不是：

maximally capable.\text{maximally capable}.

而是：

bounded but meaningful.\boxed{ \text{bounded but meaningful}. }

例如：

  • 看不到所有資訊；
  • 記憶有限；
  • 有偏好；
  • 有風格；
  • 會犯錯；
  • 會學。

這樣玩家才能建立：

theory of opponent.\text{theory of opponent}.

43. 錯誤也是遊戲性

如果 AI 永遠：

Error=0,Error=0,

玩家可能沒有 exploit 空間。

而遊戲策略的一部分正是：

discover opponent limitations.\boxed{ \text{discover opponent limitations}. }

所以人工玩家可以有：

designed fallibility.\text{designed fallibility}.

44. 但錯誤應該像能力邊界，不是隨機放水

隨機：

RandomMistake\text{RandomMistake}

容易讓人覺得假。

更好的方法是：

structured limitation.\boxed{ \text{structured limitation}. }

例如：

  • 短期強，長期弱；
  • 世界模型更新慢；
  • 容易高估某類威脅；
  • 不擅長某種 map。

這樣錯誤是可學的。

45. 玩家可以真正「研究 AI」

未來遊戲攻略可能包含：

這個勢力的 AI 在什麼情況會改策略？

玩家做：

AI behavioral science.\boxed{ \text{AI behavioral science}. }

這會形成新的遊戲知識層。

46. AI 也在研究玩家

同時：

AIAI

估計：

H^.\hat H.

所以：

Human↔AI\boxed{ \text{Human} \leftrightarrow AI }

成為雙向模型建構。

這正是真正博弈。

47. 遊戲可以成為人機博弈實驗場

研究者因此可以測：

vHv_H

與：

vA.v_A.

看：

who models whom faster.\boxed{ \text{who models whom faster}. }

48. Agent Game 會改變「高難度」的意義

傳統：

高難度 = 數值更苛刻。

未來：

高難度 = 對手更會學、更會想、更會協調。

因此：

Difficulty→Opponent Intelligence Structure.\boxed{ \text{Difficulty} \rightarrow \text{Opponent Intelligence Structure}. }

49. Agent Game 不只是對戰遊戲

同樣方法可以用在：

  • RPG；
  • 模擬經營；
  • 生存；
  • 社會模擬；
  • 偵探；
  • 政治模擬；
  • 城市建設；
  • MMO；
  • 單機故事。

只要角色：

acts from persistent internal state.\boxed{ \text{acts from persistent internal state}. }

就可以形成 Agentic Gameplay。

50. 故事也會變成博弈

傳統劇情：

BranchTree.\text{BranchTree}.

Agent Game：

Storyt+1=F(Worldt,Agentst,Playert).Story_{t+1} = F \left( World_t, Agents_t, Player_t \right).

因此：

narrative→emergent multi-agent trajectory.\boxed{ \text{narrative} \rightarrow \text{emergent multi-agent trajectory}. }

51. 但故事仍需要作者約束

完全生成可能造成：

NarrativeCoherence↓.NarrativeCoherence\downarrow.

所以需要：

authorial constraints+agent autonomy.\boxed{ \text{authorial constraints} + \text{agent autonomy}. }

例如：

  • 世界觀不可破；
  • 關鍵角色底線；
  • 主題；
  • 節奏；
  • 禁止區域。

52. Agent Game 的設計本體

因此遊戲設計不再只有：

Level+Mechanics+Content.\text{Level} + \text{Mechanics} + \text{Content}.

而新增：

Agent Ecology.\boxed{ \text{Agent Ecology}. }

其中包含：

  • Agent 類型；
  • 記憶；
  • 認知 profile；
  • 權限；
  • 目標；
  • 協調；
  • 學習；
  • 失效模式。

53. Agent Ecology

定義：

EA={A1,…,An,RA,IA,CA}.\mathcal E_A = \{ A_1,\ldots,A_n, R_A, I_A, C_A \}.

其中：

  • AiA_i：Agent；
  • RAR_A：Agent 間規則；
  • IAI_A：資訊結構；
  • CAC_A：協調／競爭結構。

遊戲設計師開始設計：

intelligence ecology.\boxed{ \text{intelligence ecology}. }

54. 世界模型與遊戲設計合流

傳統世界設計：

地圖、物件、規則。

Agent Game 還要考慮：

哪些 Agent 如何理解這個世界？

所以：

World Design+World-Model Design.\boxed{ \text{World Design} + \text{World-Model Design}. }

55. 玩家等價介面成為設計 API

PEIP 不只是 benchmark。

它也可以成為商業遊戲的：

Agent API.\boxed{ \text{Agent API}. }

所有人工玩家都透過：

ObservationProfile\text{ObservationProfile}

與：

ActionProfile.\text{ActionProfile}.

這讓不同模型可替換。

56. Model-Agnostic Agent Game

若遊戲只依賴：

AgentAPI,\text{AgentAPI},

則：

ModelA→ModelBModel_A \rightarrow Model_B

可以替換。

這使遊戲未來可持續升級。

因此：

Agent Game should be model-agnostic where possible.\boxed{ \text{Agent Game should be model-agnostic where possible}. }

57. 研究版與玩家版雙模式

本文建議 Agent Game 引擎支援：

Research Mode+Entertainment Mode.\boxed{ \text{Research Mode} + \text{Entertainment Mode}. }

Research Mode：

  • 完整 logging；
  • state truth；
  • ablation；
  • replay；
  • intervention。

Entertainment Mode：

  • 低延遲；
  • 成本控制；
  • 角色一致；
  • 樂趣優先。

58. 玩家遊戲資料可以反哺能力科學

玩家創造：

DH.\mathcal D_H.

其中有：

  • unexpected tactics；
  • exploit；
  • deception；
  • coordination；
  • adaptation。

這些可以進入：

ECGCECGC

做新能力抽取。

所以形成：

Research→Game→Players→New Capability Data→Research.\boxed{ \text{Research} \rightarrow \text{Game} \rightarrow \text{Players} \rightarrow \text{New Capability Data} \rightarrow \text{Research}. }

59. 三系列的最終閉環

現在整個九篇研究形成：

HGCB→ECGC→AGPL.\boxed{ HGCB \rightarrow ECGC \rightarrow AGPL. }

HGCB：

你看到的遊戲真的完整嗎？

ECGC：

極端能力由什麼生成？

AGPL：

怎麼把能力放進人工世界測？

最後遊戲又生成新資料：

AGPL→ECGC.AGPL \rightarrow ECGC.

而新 Agent 行為可能暴露新博弈：

AGPL→HGCB.AGPL \rightarrow HGCB.

因此不是線性，

而是：

closed research loop.\boxed{ \text{closed research loop}. }

60. 十二個核心命題

命題一：難度非智能命題

Difficulty Bonus≠Cognitive Difficulty.\boxed{ \text{Difficulty Bonus} \neq \text{Cognitive Difficulty}. }

命題二：人工玩家命題

Artificial Player=persistent model+autonomous strategy+adaptation.\boxed{ \text{Artificial Player} = \text{persistent model} + \text{autonomous strategy} + \text{adaptation}. }

命題三：認知剖面命題

AI difficulty→Cognitive Profile.\boxed{ \text{AI difficulty} \rightarrow \text{Cognitive Profile}. }

命題四：Living Meta 命題

Bt∗≠Bt+1∗\boxed{ B_t^* \neq B_{t+1}^* }

在共適應系統中可能成為常態。

命題五：PvE–PvP 連續化命題

PvEagent→PvP-like strategic richness.\boxed{ PvE_{\mathrm{agent}} \rightarrow PvP\text{-like strategic richness}. }

命題六：多意志勢力命題

Faction≠one brain.\boxed{ \text{Faction} \neq \text{one brain}. }

命題七：事件觸發智能命題

high-level inference need not run every tick.\boxed{ \text{high-level inference} \text{ need not run every tick}. }

命題八：能力邊界即遊戲性命題

designed limitation→learnable opponent.\boxed{ \text{designed limitation} \rightarrow \text{learnable opponent}. }

命題九：人格策略先驗命題

personality→π(a∣S)\boxed{ \text{personality} \rightarrow \pi(a\mid S) }

可以進入真正決策。

命題十：智能生態命題

Agent Game Design=World Design+Agent Ecology.\boxed{ \text{Agent Game Design} = \text{World Design} + \text{Agent Ecology}. }

命題十一：模型無關接口命題

Agent API>hard-coded model dependency.\boxed{ \text{Agent API} > \text{hard-coded model dependency}. }

命題十二：研究閉環命題

HGCB↔ECGC↔AGPL.\boxed{ HGCB \leftrightarrow ECGC \leftrightarrow AGPL. }

61. AGPL 系列總結

AGPL-01：

Game=Controlled World Model Laboratory.\boxed{ \text{Game} = \text{Controlled World Model Laboratory}. }

AGPL-02：

AI can think better without seeing more.\boxed{ \text{AI can think better without seeing more}. }

AGPL-03：

Difficulty→Artificial Opponent Intelligence.\boxed{ \text{Difficulty} \rightarrow \text{Artificial Opponent Intelligence}. }

因此：

World→Fair Interface→Artificial Player.\boxed{ \text{World} \rightarrow \text{Fair Interface} \rightarrow \text{Artificial Player}. }

62. 九篇研究總結

第一系列：HGCB

研究：

Game Ontology.\text{Game Ontology}.

核心問題：

我們真的知道自己在玩哪一場遊戲嗎？

第二系列：ECGC

研究：

Capability Generation.\text{Capability Generation}.

核心問題：

什麼結構真正生成極端能力？

第三系列：AGPL

研究：

Artificial World Experiment.\text{Artificial World Experiment}.

核心問題：

怎麼把能力放進可控世界真正測？

因此整體方法可以寫成：

Audit the Game→Decompose Capability→Compile Operators→Run Artificial Worlds→Observe New Capability→Audit Again.\boxed{ \text{Audit the Game} \rightarrow \text{Decompose Capability} \rightarrow \text{Compile Operators} \rightarrow \text{Run Artificial Worlds} \rightarrow \text{Observe New Capability} \rightarrow \text{Audit Again}. }

63. 結論

未來 Agent Game 最重要的變化，不會只是：

NPC 可以跟你聊天。

更深的變化是：

NPC→Artificial Strategic Subject.\boxed{ \text{NPC} \rightarrow \text{Artificial Strategic Subject}. }

它可以：

  • 看世界；
  • 記世界；
  • 猜玩家；
  • 改策略；
  • 學習；
  • 協作；
  • 犯錯；
  • 形成風格；
  • 在公平介面下超越玩家。

因此玩家的體感會從：

這電腦作弊。

逐漸變成：

它真的知道我想做什麼。

甚至：

它知道我知道它正在猜我。

這才是真正博弈。

而當低成本高能力模型逐漸普及，

則：

strategic agency\boxed{ \text{strategic agency} }

本身會開始成為遊戲可以大量部署的內容。

未來難度因此可能不再是：

+50% Damage.+50\%\ \text{Damage}.

而是：

a different kind of mind.\boxed{ \text{a different kind of mind}. }

本文最終核心可濃縮為：

下一代遊戲真正的新內容，不只是更多地圖、更多角色與更多劇情，而是更多真正不同的人工玩家。

以及：

The future of game difficulty is not merely stronger enemies, but smarter opponents with designed cognitive identities.\boxed{ \text{The future of game difficulty is not merely stronger enemies, but smarter opponents with designed cognitive identities.} }

至此，AGPL 系列完成，三系列九篇全部完成。

參考文獻

  1. Vinyals, O., Babuschkin, I., Czarnecki, W. M., et al. (2019). Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature, 575, 350-354.

  2. Berner, C., Brockman, G., Chan, B., et al. (2019). Dota 2 with Large Scale Deep Reinforcement Learning. arXiv:1912.06680.

  3. Silver, D., Schrittwieser, J., Simonyan, K., et al. (2017). Mastering the game of Go without human knowledge. Nature, 550, 354-359.

  4. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.

  5. Yannakakis, G. N., & Togelius, J. (2018). Artificial Intelligence and Games. Springer.

  6. Togelius, J. (2019). Playing Smart: On Games, Intelligence, and Artificial Intelligence. MIT Press.

  7. Neo.K with Aletheia. (2026). 遊戲即人工世界：面向 Agent 的可控世界模型實驗方法. AGPL Paper 01, EveMissLab.

  8. Neo.K with Aletheia. (2026). 玩家等價介面原則：超人 AI 與作弊 AI 的本體區分. AGPL Paper 02, EveMissLab.

  9. Neo.K with Aletheia. (2026). ECGC Series: Extreme Capability Generation, Variable Influence Domains, and AI Capability Compilation. EveMissLab.

  10. Neo.K with Aletheia. (2026). HGCB Series: Hypergame, Cognitive Base Space, and Multi-Agent Incompleteness. EveMissLab.

附錄 A：Cognitive Profile 最小規格

cognitive_profile:
  id:
  version:

  world_model:
    depth:
    uncertainty_tracking:
    opponent_modeling:

  generation:
    breadth:
    novelty_budget:

  judgment:
    risk:
    counterfactual_depth:

  learning:
    adaptation_rate:
    memory_scope:
    reset_policy:

  temporal:
    planning_horizon:
    reaction_time:

  coordination:
    team_model:
    communication:

  meta_game:
    rule_change_detection:
    game_space_reframing:

  execution:
    apm:
    precision:

  limits:
    compute:
    memory:
    observation:

附錄 B：Agent Ecology 最小規格

agent_ecology:
  factions:
    - id:
      agents:
      internal_rules:
      shared_memory:
      conflict_resolution:

  agents:
    - id:
      role:
      cognitive_profile:
      utility:
      authority:
      observation_profile:
      action_profile:
      memory_policy:

  relationships:
    cooperation:
    rivalry:
    hierarchy:
    trust:

  world:
    rules:
    information:
    resources:

  evolution:
    learning:
    adaptation:
    promotion:
    replacement:

附錄 C：九篇系列總索引

HGCB

  1. 完全理性仍然可能失敗：認知底空間不完備下的超博弈問題
  2. 從理性法人到多自由意志系統：國家效用函數為何不是天然存在
  3. 內生博弈空間：行動如何改變玩家、效用、規則與可行域

ECGC

  1. 天才不是變量：從高尾端表現到能力生成變量與影響域
  2. 有限生成基與無界能力空間：從約束無限遊戲到能力生成論
  3. 能力編譯：從人類極端案例到可執行 AI 算子族

AGPL

  1. 遊戲即人工世界：面向 Agent 的可控世界模型實驗方法
  2. 玩家等價介面原則：超人 AI 與作弊 AI 的本體區分
  3. 從難度加成到人工對手：Agent Game 與下一代玩家—AI 博弈

附錄 D：一句話版本

真正的 Agent Game，不是讓電腦角色更會作弊，而是讓它在與玩家相同的世界裡，逐漸成為一個真的會玩、會學、會猜、會改變策略的人工玩家。