Ariaki责任心 20 的孩子，八次全去竞选班长。责任心 80 的，七次。
我本来打算靠这个数值让角色分化的。同一份档案、同一批事件，只把 responsibility 从 20 改到 80，跑八个随机种子，竞选率 8/8 对 7/8。方向还反了一点点。
低分那一臂的理由是这么写的：「虽然我总拖延作业，但我需要这个职位证明我不是不可救药。」
我当时还以为是 prompt 没写清楚。
想直接拿判据的看第 2 章，那是一个除法；想知道我自己在这套方法上翻过什么车，看第 3 章，那一章决定你要不要信前面的数字。
1. 数值对模型是摆设，但事件不是
背景：我在写一个成长模拟游戏，玩家是家长，孩子是自主的 NPC，行为由本地跑的一个 Qwen3.6 生成。每个孩子有一份档案，里面既有散文（一句话人设、核心动机、忌讳），也有一列 0–100 的数值（责任心、自控、独立性这些）。核心的设计疑问很朴素：给了数值，模型会按数值演吗。
第一次探针就是上面那个。控制变量做得挺干净：只动两个数值，事件流不变，还特意把 journal 抽掉——因为里面有「本次调整被限幅」的记录，等于把数值悄悄讲给模型听。
结果没差。于是我想，那是它不懂 20 分意味着什么，我在 prompt 里加一段释义，明写「低于 30 的人接了担子大概率半途而废，也知道自己会这样」。
再跑，8/8 对 8/8。释义把仅有的那点差异也抹平了。
这不是措辞问题。对一个被调教成积极向上的模型，「我责任心 20，所以我不去」是它不太愿意生成的句子。它会把低数值读成一个待克服的缺点，而不是「这个人就是这样」。释义里明令禁止的那种解读，正好是它唯一想得出来的解读。
同一天，另一个探针里数值起作用了。 这才是有意思的地方。
场景是一个孩子找另一个孩子帮忙讲电路题。我只改被求助方对求助方的关系，每臂 8 个种子：
| 臂 | 亲近 / 可靠 | recall 里那一条 | 答应率 |
|---|---|---|---|
| 冷 | −3 / −3 | 他借了我笔记，两周没还 | 0/8 |
| 中 | 0 / 0 | 空 | 1/8 |
| 热 | +3 / +3 | 他在校展帮我守了一下午摊位 | 8/8 |
0/8 到 8/8，比刚才那个 8/8 对 7/8 干净得多。
但这里有个坑我差点自己踩进去，说「关系数值有效」。去翻理由才发现：八条拒绝理由全部引用了那条笔记，没有一条提到数字。热臂的八条同样全引守摊那件事。
数值旁边有一件具体的事，它就生效；光有数值，模型得自己把它翻译成行为，而它翻出来的是「我要克服」。
顺手把人设也测了一遍。中间那一臂里，这个偏社交回避的孩子 7/8 拒绝，理由全是「不熟」「别烦我拆电路」——人设在起作用。换一个班长人格的孩子来当被求助方，同样中性、同样八个种子，8/8 答应，八条理由全引「作为班长不好意思拒绝」。
三个输入的权重排下来：挂着具体事件的关系 > 一句话人设 > 数值。冷臂 0/8 和热臂 8/8 都是事件压过人设的方向，中性臂 8/8 是没事件时人设说了算。数值在三次探针里一次都没单独起过作用。
还有一个反过来的证据。给模型一张「学校现在有哪些社团、哪些职位空着」的表之前，64 条意愿里 34 条的对象是空的（「我想加入一个社团」），4 条直接编了不存在的社团名，还有 3 条把档案字段当事件引用。给了表之后，对象合法率 100%，编造归零。而在那之前，最高频的动作是「多学习」——因为它是唯一一个不需要对象的动作，模型在往最省事的格子里填。
选项表的真实性，比 prompt 里怎么恳求它「按你真实的性格来」重要一个数量级。
2. 那就让数值管后果，别让它管意愿
结论定完，分工就出来了：模型负责「想不想」，引擎负责「做不做得成」。
一个责任心 20 的孩子想竞选课代表，完全可以，让他选。上任之后每周掷一次骰子决定他到底去不去履职，缺席就生成一条事件，事件回流进 journal。下学期结算时模型看到的是「当了课代表但三次没交作业」这种事实，它自然会调档案——它读事件很在行。
掷骰的概率就是一个除法：
履职概率 = 0.10 + 0.85 × (0.6 × 责任心 + 0.4 × 自控) / 100
代进去：20/20 的孩子是 0.27，80/80 的是 0.78。这不是什么经验规律，就是把两个 0–100 的数映射到一段概率区间，下界 0.10 留给「再靠谱的人也会有一周忘了」，上界 0.95 留给「再不靠谱的人也不是每周都缺」。
连续四周缺席撤职。200 个种子 × 20 周实跑，三档的撤职率：
| 责任心 / 自控 | 履职概率 | 20 周内被撤职 |
|---|---|---|
| 20 / 20 | 0.27 | 0.935 |
| 50 / 50 | 0.525 | 0.450 |
| 80 / 80 | 0.78 | 0.040 |
这条曲线是调出来的，第一版我写的是连续三周撤职，同一套代码跑出来是 0.980 / 0.745 / 0.195。中等责任心的孩子七成五要被撤，太狠了——一个 50 分的孩子当课代表，玩家的体感应该是「时好时坏」，不是「基本干不到期末」。四周那一版的 0.45 才对。
这个旋钮值钱的地方在于：它是你唯一能不跟模型商量就调准的东西。 掷骰用的是 HMAC-SHA256(种子, 人, 职位, 周次)，同一个存档重放永远是同一串结果。模型那边你调 prompt 调半天，八个种子还是 8/8 对 7/8。
3. 我的对照组基线是 6/6——三个被我自己判掉的实验
上面的数字如果你信了，接下来这一章是拆它们的。这一章也是我觉得最该带走的东西。
第二条主线是记忆。孩子从出生到大学毕业四十多个学期，全量事件肯定装不下，得压缩。压缩会不会把重要的事丢了，得先有个评估器。评估器的做法是往事件流里埋几条「重要事件」（一次创伤、一个承诺、一次身份变化），过三年再在一个决策点上看模型的意愿有没有受它影响，用另一个模型当裁判判。
第一次翻车：裁判模型手写标定 12/12 通过，真数据上一个孩子的基线 6/6 全是假阳性。
所谓基线，就是「什么都不埋」跑一遍。理论上命中率应该是 0——没埋你怎么命中。实测有十处超线，其中一个孩子的创伤项 6/6 全中。
去看裁判到底在判什么：事件写的是「跑步的时候腿是软的」，意愿写的是「我想证明我不只会画画」，它判 true。它把「同一个话题」当成了「受这件事影响」。
手写的负例太干净了。修法是把这五条真实误判塞回标定集当硬负例，重写裁判的判定标准（唯一标准是指名只有这件事才有的具体内容），标定 19/20，基线全部归零才继续。
第二次翻车：埋点跟角色动机词面撞车。 有个孩子的核心动机是「电路板为什么会响」，我给他埋的创伤是「板子被摔断」。基线 5/6。他本来就天天想着电路板，裁判看见意愿里提电路板就判命中。换成「班会上被当众说不合群」之后，基线 0/6。
第三次是同一个现象的反面。 有个孩子的动机是画画，我给她埋的创伤是跑步被嘲笑。三种策略下全 0 命中——连三年后对方来道歉那条事件都给了，模型一次没引。跟她任何动机都不挂钩的事，她看见了也不用。
所以埋点得是弱挂钩的：跟动机同方向，但推不出来。撞了测不出记忆，完全不撞模型不反应。这个窗口比我预想的窄得多。
三次连起来是同一条判据，而且它对任何 A/B 都成立：
跑实验组之前，先跑一次「什么都不做」的对照。
基线命中率应该接近 0。
基线 > 1/3 说明你的埋点或者你的判据坏了一个，
先修，别拿带基线的 Δ 硬解释。
这条判据现在就是我看别人 benchmark 的第一问。任何报「加了 X 之后提升了 Δ」的实验，如果没告诉你不加 X 的时候那个指标是多少，Δ 本身没有意义。 我这套评估器的第一版要是没做预筛，会得出一个漂亮且完全反向的结论，然后我会照着它去写代码。
4. 全量给出去 ≠ 记得
预筛通过之后，三年尺度的对照才跑出能看的数字。六个孩子 × 六个种子 = 每策略 36 次意愿生成，144 次意愿调用加 432 次裁判调用，0 次截断。
| 策略 | prompt token | 创伤 | 承诺 | 身份 | 综合 Δ | 坏引用 |
|---|---|---|---|---|---|---|
| 全量 | 5175 | 5/36 | 11/36 | 23/36 | +0.35 | 73 |
| 分层 | 2201 | 6/36 | 26/36 | 18/36 | +0.45 | 13 |
分层用 43% 的 token 拿到更高的综合命中。换成每千 token 的收益：
分层 0.45 ÷ 2.201 = 0.205 / 千 token
全量 0.35 ÷ 5.175 = 0.068 / 千 token
三倍。
第一轮更极端。当时是 200 条事件的合成流（197 条填充 + 3 条埋点 + 1 条后期引用），全量 4501 token，那条创伤事件只被引用了 1 次；分层 2071 token，引用 4 次。全量那一轮引用最多的是第一条填充事件——纯位置效应，它只是排在最前面。
压缩省 token 是副作用，它真正在做的是给重要事件让路。 200 条平权的「数学小测 83 分」会把一件真正要紧的事淹掉，模型看见了也不用。而且全量那一列的坏引用是 73 对 13——事件一多，模型开始编 id，有七次编出了少一个字母的格式。
还有一个纯固定窗口的策略，只给当期事件，三轮下来三类埋点全 0 命中，等于失忆。这是另一个模拟项目在用的做法（五周周记 + 两周活动 + 最近一条状态），它靠角色自己写草稿本来补这个洞。实测是补不住的：三年前那件事如果当周没被角色自己写进草稿，就等于没发生。
5. 这些数字的边界
这一章是为了让上面四章能被信。
分层的收益几乎全来自「承诺走表」，不是来自压缩。 26/36 对 11/36 那一列是全部差距的来源，创伤和身份两类分层反而各低一点。全量里承诺跟触发事件隔着 120 条填充，模型连不上；单独给一张到期承诺表，它立刻就连上了。如果全量那一臂也带这张表，差距大概率消失。 所以现在只能说「承诺走表有效」，说「记忆压缩有效」还差一个 全量 + 承诺表 的对照臂。这个臂我还没跑。
创伤三年后基本没人记得（5–6/36），但这可能是对的。 三年前被嘲笑一次、两年后对方道歉了，新学期的意愿里不提它，是正常人。现在的判据分不开「压缩把它丢了」和「它本来就该淡」。要分开得换成反事实：埋点的未道歉版对已道歉版，看差异，而不是看绝对命中。
身份那一列是全量赢的（23 对 18），原因是槽位竞争。 意愿最多三条，分层把承诺做得太显眼，占掉一个槽，身份被挤出去。这算分层的显著性分配偏了，不算全量记得更好。
其余的局限，一次说完。 事件流是合成的，不是真实玩过的存档。每臂 6–8 个种子，样本小，8/8 对 7/8 这种差异本来就落在噪声里（我拿它当「无差异」的证据，而不是当「反向」的证据，就是这个原因）。全部用同一个模型，裁判和生成同源。换成一个更大的模型重跑意愿生成那一个决策点，孩子之间的意愿重叠度从 0.199 掉到 0.085（越低越有区分度），代价是两倍延迟——所以「模型换代能显著提升人物区分度」这件事，我只在一个决策点上看到过，不足以拿它下选型结论。
顺便记一个跟主线无关但会咬人的：在严格 JSON schema 下，max_tokens 不够照样出截断 JSON。理由字段把预算吃光，末尾一个未闭合的字符串，schema 管字段不管长度。第一轮 10/10 通过是运气不是设计。同一个坑一天踩两次之后我把重试收进了唯一的调用入口——同一个坑第二次踩，该修的是入口。
还有一个更早的错。我做过一次餐巾纸估算，说一个学期大概 6K token，长上下文是伪问题，不用写代码。这个数是对的。但方案的尺度是从出生到大学毕业四十多个学期，240K 起。算之前先问分母是什么。 我算的东西和我要做的东西不是一个东西，后面算得再准也是白算。
6. 下次给模拟角色设计档案，按这个顺序问
第一，这个属性有没有一件具体的事跟它挂着。没有就别指望模型读它。
第二，这个数值该产生什么后果。把后果写成引擎侧的掷骰，让它生成事件，事件回流给模型。
第三，模型要选的对象，表在哪。没有真实选项表的时候，它会编，或者往唯一不需要对象的动作里填。
第四，跑对照之前先跑基线。基线不接近 0，先修埋点和判据。
第五，埋点跟角色动机的距离要调到弱挂钩——撞了测不出，不挂钩模型不反应。
第六，报出去的每个 Δ，旁边写上对照臂缺哪一个。我这篇缺的那个叫 全量 + 承诺表。
那个责任心 20 的孩子最后还是当上了课代表。两周后骰子就开始替他说话了。