旧做法：调数值，改的是难度的“量”

大多数动态难度调整（DDA，根据玩家表现实时调节挑战强度）至今仍停留在数值层：敌人血量、伤害倍率、掉落概率、复活点距离。触发条件也很朴素，比如玩家连续失败几次就降一档。这套做法成本低。

2026年的一篇DDA综述把这条脉络梳理为从基于规则，到数据驱动的玩家建模，再到强化学习，并指出静态难度无法兼顾玩家能力差异与偏好随时间的变化。它同时提到当前研究的几个瓶颈：目标设定不一致，缺少统一的评价标准，基准测试难以复现。需要说明的是，这篇综述的摘要并未涉及关卡结构修改和大模型，下面关卡修改的部分来自另一项研究，我们不把两者混为一谈。

数值调整的局限可以用一个假设场景说明。设想“灰烬回廊”里有一段三连跳平台，第二块平台的间距偏大。卡在这里的玩家，问题出在跳跃落点的精度，改Boss血量、加回血道具都碰不到症结。数值能改变“要打多久”，却改不了“路本身长什么样”。关于关卡结构为何成为下一个调整对象，可以参考动态难度只改数值为什么不够一文里的拆解。

新做法：先判断技能，再改结构，最后验证

2026年发表在《Scientific Reports》的一项研究给出了一套完整流程。它先用强化学习智能体生成三种技能水平的行为轨迹，再混入人工采集并聚类标注的真人游玩数据，训练分类器把玩家分为专家、普通、新手三档。论文报告的总体分类准确率为97.82%，这个数字只属于该论文自有的数据集与分类器，不能直接搬到别的游戏上。

分类结果随后驱动一个两阶段的大模型流程：第一阶段把“新手”这类技能条件提示，扩展成结构化的修改指令；第二阶段把指令应用到当前的关卡片段上。最后一道工序是基于图最短路径的物理约束验证器，用来检查修改后的关卡是否仍然存在一条能走通的路。论文在《超级马里奥》关卡上评测，报告修改后的可玩率在整关粒度为74.1%，在单个关卡片段粒度为83.5%，原始关卡的基线为80.0%。这些数字都限定在“Super Mario Bros.关卡、该论文自有的分类器与两阶段流程”这一条件下。

更早一些，有研究尝试双智能体的思路：一个智能体学习模仿某位玩家，另一个用强化学习去击败它，从而得到贴近这位玩家水平的对手强度，验证场景是格斗游戏。还有研究把多人关卡平衡当作程序化内容生成问题，用强化学习为不同玩家类型生成更均衡的关卡，同时发现玩家类型的差距越大，平衡越难达成。

把这些工作放在一起，能看出一个共同倾向：先建模玩家，再决定改什么，改完再检查。这是我们的归纳，不代表行业已普遍这样做，只能说有研究开始尝试。

可以读的技能信号与可以改的空间

下面是我们的设计取向，不是论文内容，也不是已上线的能力。技能信号大致有几类：跳跃落点的误差分布、失败集中出现的位置、两次操作之间的间隔、是否使用过捷径、通关用时的波动。单看失败次数太粗，同样失败七次，可能是手速不够，也可能是没看懂机关。

可编辑的空间则要划出边界。适合调整的有平台间距、敌人摆放、检查点位置、补给点、提示出现的时机、分支路线的长短。不适合触碰的有主线任务节点、关键道具的获取条件、成就判定相关的结构。前者属于难度的形状，后者属于游戏的骨架，骨架被改动，玩家之间就没有可比的体验了。

新问题：验证只是底线，不是终点

第一个问题是可通行不等于好玩。路径验证器只回答“有没有一条路”，回答不了“这条路有没有乐趣”。上面那篇论文的可玩率没有达到百分之百，也说明大模型生成的修改会出错，验证环节是必需品，而不是可选项。我们倾向于把可达性、无死路、关键任务不被破坏这三项都做成硬性闸门，不通过的修改一律丢弃，退回原关卡。

第二个问题是分类器边界，训练数据来自强化学习智能体和人工采集，覆盖不到刻意不走捷径的探索型玩家。

第三个问题是玩家的感受。如果关卡在玩家背后悄悄变宽，他迟早会发现，并怀疑自己的通关是“被放水”得来的。这类风险在AI动态调难度以后玩家会不会觉得被放水里有更完整的讨论。第四个问题是评价：综述提到的评价标准缺失，意味着我们很难说清一次改动到底算不算成功，是通关率上升，是停留时间变长，还是玩家自己说“这一段打得舒服”。

对玩家体验的影响

做得好的时候，玩家感受不到系统的存在：那段三连跳依然要跳，只是缺口刚好在他努力一下能够到的范围内，或者在他连续失败后，路边多出一个不起眼的落脚点。做得差的时候，玩家会发现关卡每次进入都略有不同，熟练带来的成就感被稀释，甚至觉得辛苦练出来的技术没有意义。

喜欢硬核挑战的玩家可能宁愿卡十次也不想被照顾，玩家应当始终保有手动难度选择权，自动调整只是默认方案，并且要能关掉。关卡因人而异后，日志还得记下玩家当时玩的关卡版本，否则线上问题无法复盘。对于因为“不知道往哪走”而卡住的玩家，改关卡未必是第一选择，先判断卡点的成因往往更划算，这在连续失败10次是否应该自动变简单里有过拆解。

我们的判断

我们的判断有四点。其一，关卡结构修改是值得试验的方向，但目前公开的证据集中在《超级马里奥》这类横版关卡和少数小规模实验上，不宜推广成对所有游戏都有效。其二，任何由大模型产生的关卡改动，都应先过验证再上线，验证不通过就回退。其三，改动要可解释、可关闭，玩家能看到当前的难度档位，也能自己拨回去。其四，评价要事先定义，先想清楚“成功”指什么，再决定去改。

爱游戏AI在这一块的做法是设计取向，而不是已验证的成绩：先做玩家技能建模，再划定可编辑范围，用规则验证器做兜底，并保留人工复核。这些还需要在具体的游戏里，由真实玩家的反馈来检验。

公开来源

  • 2026年《Scientific Reports》的一项研究：玩家技能分类、大模型两阶段修改关卡、图最短路径验证。论文标题《Adaptive level modification via player skill classification and large language models》。论文页面
  • 2026年《Applied and Computational Engineering》的DDA综述：从规则到强化学习的演进与研究瓶颈。论文标题《Dynamic Difficulty Adjustment in Games: From Rules to Reinforcement Learning》。论文页面
  • 2024年的一项预印本：模仿玩家的智能体与击败它的强化学习智能体，在格斗游戏环境中演示。论文标题《Personalized Dynamic Difficulty Adjustment -- Imitation Learning Meets Reinforcement Learning》。arXiv页面
  • 2025年FDG会议：用强化学习为不同玩家类型平衡关卡。论文标题《Level the Level: Balancing Game Levels for Asymmetric Player Archetypes With Reinforcement Learning》。arXiv页面