PA真人游戏世界智能研究组生存游戏最怕的不是资源太少，而是玩家发现某种规律以后，规律突然失效。第三天晚上你把火堆挪进岩洞，是因为前两天的风雪告诉你“背风处体温流失慢”；第四天系统随手来一场“暴雪中的无风高温”，你先前所有的判断就成了笑话。当天气、资源与敌人都交给AI动态生成，这种失效的风险不是变小了，而是变得更隐蔽了，因为每次生成单看都合理。
玩家学的是因果，不是画面
一局生存游戏里，玩家一半的时间在做预测：这场雨会持续多久，背包里的燃料够不够撑到下一处营地，那声狼嚎是不是意味着今晚要守夜。这些预测的默认前提是：世界有自己的规则，不会因为系统的心情而临时改写。
传统做法用固定脚本保证这一点，代价是玩家很快把脚本背下来（可参考资源刷新与生态变化一文里关于“答案地图”的讨论）。AI生成想解决的正是“背得下来”的问题，但如果放任生成层直接改写世界，就等于把前提也拆掉了。PA真人游戏世界智能研究组的判断是：变化应该发生在输入上，也就是这一次的气团、种群、路线各是什么样；规则本身，即输入如何转化为后果，必须保持稳定。
把世界拆成规则层与生成层
落到系统结构上，可以把世界分成两层。规则层是确定性的模拟：体感温度怎样由气温、风速、潮湿度、衣物与篝火合成，体力怎样随负重与坡度消耗，积雪深度怎样折算成移动速度，一根木柴能烧多久。给定同一份世界状态（World State）和同一个随机种子，规则层每次算出的结果完全相同。
生成层是AI发挥的地方：决定下一个气象系统是否来临、动物群落在哪个山谷活动、一支陌生的拾荒队会不会经过。它可以调用大模型写事件描述、命名地点、编排遭遇，但它没有直接写入世界状态的权限，只能递交“提议”。至于世界状态怎样被统一管理，可以参考PA真人AI大模型对世界状态的管理思路；这里只强调一点：写入权只在规则层手里。
proposal = {
"type": "weather.blizzard",
"region": "north_ridge",
"start": "day3 18:00",
"duration_h": 9,
"wind": 14, // 示例参数，单位 m/s
"source": "generator_v2",
"seed": 918273
}
verdict = validator.check(proposal, world_state)
// verdict: accept / reject(reason) / adjust(patch)一场暴雪应该牵动什么
以暴雪为例，规则层需要回答的是“它对玩家意味着什么”。下表把联动关系逐项列出，数值均为示例参数，用来说明量级与方向，并非任何真实游戏的统计。
| 受影响对象 | 联动规则（示例参数） | 玩家能读到的信号 |
|---|---|---|
| 体感温度 | 风寒使体感下降约8—14度；无遮蔽时每分钟体温流失加快约40% | 角色颤抖、状态栏结霜 |
| 道路通行 | 积雪超过25厘米的山路通行度降为0.3，低洼谷地因风吹雪更早封路 | 路标被覆盖，地图路线变虚线 |
| 视野 | 可见距离由120米缩到15—30米，远处光源仍可见但距离判断失真 | 画面能见度与雪声同步变化 |
| 移动速度 | 深雪中速度乘0.6，负重超过70%再乘0.85 | 脚印很深，体力消耗更快 |
| 燃料消耗 | 篝火在暴风中燃烧速度约为平时的1.5倍，无遮挡时有概率被吹灭 | 火苗贴地、火星乱飞 |
| 动物行为 | 食草动物躲入林缘或洞穴，活动范围缩小；肉食动物在风雪停止后6—12小时进入觅食高峰 | 雪地上出现新鲜足迹 |
| 资源可见度 | 浅表资源被雪覆盖，需要探查才能发现；冰下水源反而更容易定位 | 采集提示范围缩小 |
这些联动不是各写各的，而是共享同一批中间变量：积雪深度决定通行度和速度，风速决定风寒与火势，可见距离决定资源提示范围。天气一变，多个系统按自己的公式同时更新，玩家看到的因果链就自然一致。关于天气本身的温度模型与气候带转移，可以继续读天气为什么不能只是视觉特效。
AI只能提议，校验器决定能否发生
提议到落地之间要经过三道关。第一道是合法性：这个提议与当前世界状态是否冲突？气候带是热带雨林却提议下暴雪，直接驳回，并把理由写回给生成层。第二道是可玩性：暴雪落在玩家刚刚生起火的营地，是否会让局面直接无解？校验器可以返回“调整”，例如把开始时间推迟一小时，让玩家有机会准备。第三道是预算与冷却。
事件预算的思路很朴素：每个游戏日给危险事件一个总额度（示例：每天3点，暴雪消耗3点，野兽袭营消耗1点，小型资源短缺消耗0.5点），同类事件有各自的冷却时间（示例：极端天气之间至少间隔两个游戏日）。预算耗尽时，生成层的提议一律排队等待。这套机制并不新鲜，加入AI以后，它的意义变成给“会写故事的一方”套上缰绳。危机如何根据玩家策略选择类型，见生存策略与危机生成。
此外，事件之间应当带有因果链。暴雪之后第二天出现雪崩风险，雪崩封路导致商队改道，商队改道使某类物资涨价。这条链上的每一环都是规则层认可的推论，而不是生成层临时想到的“戏剧性”。玩家事后回想，会觉得世界是在运转，而不是在表演。
反例：暴雪里晒太阳的鹿群
设想生成层想让画面更有生气，提议“暴雪中，一群鹿在山坡上晒太阳”。这句话本身文采不错，但它同时违反了三条规则：暴雪期间没有日照，鹿不会在无遮蔽处停留，玩家读到的可见距离也不允许他看见远处的山坡。如果没有校验器，这一幕会被渲染出来，玩家最初的反应可能是惊喜，随后是疑惑，最后是判断：这个世界的规则是可以被打破的，那么我之前所有的准备都没意义了。
这类错误的危害不在于一次穿帮，而在于它让玩家对所有后续事件失去信任。此后无论是真实的狼群逼近，还是确实存在的补给点，玩家都会怀疑“这次又是系统随便编的吗”。校验器要拦住的正是这种叙事上的“合理谎言”，它的判断标准不是“像不像故事”，而是“在当前世界状态下，规则层能不能推出它”。
可复盘：种子、日志与快照
确定性的另一个好处是可调试。开发者遇到“玩家说暴雪来得太突然”这类反馈时，需要回答三个问题：这场暴雪是谁提议的，校验器为什么放行，当时的世界状态是什么。推荐的做法是三件套：其一，事件日志，记录每条提议的来源、校验结论、消耗的预算和随机种子；其二，定期快照，例如每个游戏日保存一次完整的世界状态；其三，回放工具，用同一份快照加同一个种子重新模拟，逐帧比对结果。
回放常常能发现规则层自己的缺口。比如当天真正让玩家陷入困境的并不是暴雪，而是“风寒”与“湿衣物”两条规则叠加后体温掉得比设计值快了一倍，这是规则参数问题，与AI生成无关。没有日志和种子，团队只会反复调整生成层的提示词，越调越乱。
更进一步，研究组倾向在上线前用批量回放做压力测试：一次性跑几百个不同种子，统计玩家在极端天气叠加下的存活率分布，看看有没有某类组合几乎无解。这里目前还没有完美的自动指标，存活率过低与过高各有各的问题，最终仍要靠设计师与测试玩家共同判断，只是判断建立在可重复的数据上。想了解更完整的栏目内容，可以浏览PA真人AI生存游戏栏目。
