它看见了威胁，只是不在乎

背景

ScheSuper 的人机对战默认走 C 引擎（Alpha-Beta，depth 5 / 2s）。玩家反馈一个体验硬伤：AI 在对方融合棋子明摆着威胁自己子力时直接无视，下一步就丢子——对人类来说蠢得刺眼。

这篇记录的不是修复操作，而是排查过程中的几个关键判断，以及最后那个比"调参成功"更有价值的阴性结果。

拿到"AI 会无视威胁"这种模糊反馈，第一反应容易是直接去改评估函数。这次先做了两件事：

代码考古：发现 Python 版引擎里有专门的融合威胁评估函数且真的被调用，移植到 C 版时函数翻译了但调用丢了——成了死代码。这说明作者当初明确意识到过这个问题。
从 34 局真实人机对局自动挖掘失误基准：条件是"对方融合子的威胁在走子前就存在 + 走子方没解除 + 对方下一步兑现"，挖出 30 个候选局面。此后所有修复效果都用这 30 个局面的解除率说话。

没有这个基准，后面的一切结论都会变成"感觉好了一点"。

按教科书思路实现了静态威胁惩罚项（走子方的子被敌方融合子攻击时罚分，补 quiescence stand-pat 看不到传入威胁的盲区）。结果：30 个真实失误上解除率 4/30 → 4/30，零净效果。

这时候的岔路口：调大惩罚参数继续试，还是停下来问为什么。选择了做多配置交叉实验定性：

同一个威胁项在 strength 下有效、在 balanced 下无效；对 balanced 最有效的是把融合加成砍半。结论定性翻转：问题不是"缺威胁感知"，是价值体系失准——balanced 里"拥有车的融合能力"静态加 297 分，超过一个马的全部身价。引擎会理性地送真子去优化融合分。

它看见了威胁，它只是不在乎。 这句是整次排查最核心的认知：搜索没有 bug，评估的"价值观"坏了。

附带发现一个更隐蔽的价值观悖论：融合帅出九宫会触发"对方进宫即胜"的必败规则，而评估函数对带融合的帅出宫给的是 +55 奖励（暴露惩罚只罚不带融合的帅）——评估在鼓励一个必败模式。

减半配置修失误最好，但配对自对弈显示它对旧配置得分率约 43.75%——存在真实的 Pareto 权衡。最终拍板逻辑：玩家的不满来自"AI 犯蠢"而非"AI 不够强"，人机体验优先。这个取舍没有技术上的正确答案，所以停下来让用户选，而不是替他选。

自然的追问是"参数空间里有没有两全的点"。用 Optuna NSGA-II 做双目标（对旧配置的自对弈得分率 × 失误解除数），4 进程并行 320 trial。调参期 Pareto 前沿看起来很美（0.45/9、0.625/7 的候选点）。

独立复验（全新开局种子 + 生产口径）后优势全部消失：最好的候选对现行配置只有 32.5% 得分率，解除率也没超过手工减半版。

根因：每个 trial 用 10 个固定开局前缀、20 局快棋估强度，320 个 trial 的预算足够把参数优化到"恰好赢下这 10 个开局"。

当优化器的评测集是固定、廉价、可反复查询的，优化器最终优化的是评测集本身，不是你要的能力。

修法明确（每 trial 从大开局池随机抽样 + 加大对局数），但当次的诚实结论是：没找到超越手工修复的配置。手工减半 + 威胁项保住了位置。

确定性引擎的自对弈评测纪律：无开局多样性时，20 局 = 2 条对局各重复 10 遍，零信息量。必须随机开局前缀 + 同开局换色配对（抵消开局不平衡）。这个坑第一次跑 A/B 就踩了，幸好执行的 agent 自己发现了"20 局全是重复"并停下来报告而不是交差。
独立复验（换种子、换口径）必须是调参流程的强制环节。调参期指标和复验指标哪怕只差一个时间预算（d5/1s vs d5/2s），数字都可能有明显出入；换开局种子更是直接戳穿过拟合。
压力下的意外收获：4 进程并行把机器压高后，暴露了搜索在时间预算内连 depth 1 都没完成时返回非法空着法（move=0）且无兜底的生产 bug——顺手修了。想复现偶发 bug，把系统压满有时比刻意构造更快。
阴性结果值得正式记录：它划出了当前方法论的能力边界，证伪了"随便调调就能两全"，并把下一次的改进方向（评测集随机化）钉死了。

lessismore · 整理自个人 memo。以上保留写作时的观察与判断。