PA真人比赛数据研究组上万个操作里，什么叫“关键”
假设一局四十分钟的对战，结构化日志里记录了上万条事件：每次位移、每一次施法、每一次拾取、每一次视野变化。人类教练看录像时会本能地跳过绝大部分，只在某几个位置按下暂停。这个“本能”就是判断重要性，而AI复盘要做的，就是把这种判断变成可以计算、可以复核的流程。
直觉上大家会说“击杀最重要”。但最重要的时刻常常不是击杀：可能是一次提前转点拿到了关键资源，也可能是一次放弃团战的决定保住了后续经济。反过来，一次漂亮的击杀若发生在无关紧要的时间点，对结果的影响可以忽略。所以关键事件检测需要一个能衡量“对结果的影响”的口径。
事件重要性的四种口径
胜率变化
最直接的定义是：比赛的每一时刻都有一个己方获胜概率，事件前后胜率变化越大，事件越重要。行业实践里已有公开的例子：Riot 与 AWS 在2023年英雄联盟全球总决赛转播中上线了机器学习“胜率”统计，每秒更新一次预测。它说明把比赛局面压缩成一条概率曲线是可行的，而曲线上的陡坡就是天然的候选事件。
但胜率曲线不是真值，只是模型的估计。它的可信度取决于训练数据的规模、版本一致性和特征质量。早期的小失误在曲线上几乎看不出变化，却可能在后期才显现后果。
资源摆动
第二种口径看资源：经济差、血量、技能冷却、关键增益、目标资源在事件前后的净变化。资源摆动比胜率更直观，也更容易解释，比如“这次团战净损失了两名队员的大招和一段推进节奏”。缺点是资源与胜利之间的关系随游戏和阶段而变，同样的经济差在前期和后期含义并不相同。
位置控制变化
第三种口径看空间：关键区域是否易手，视野是否被压缩，己方的推进路线是否被封死。在MOBA、战术射击这类依赖地图控制的游戏里，一次不起眼的撤退可能让整块区域的控制权发生变化，之后的资源收益都会跟着变。这类事件在击杀榜上看不见，却常是回合的真正拐点。
因果链长度
第四种口径看后续：一个事件引发了多少后续事件。一次提前转点，可能引起对手的重新布防、资源的重新分配、随后一次成功的抢点，因果链越长，越可能是关键决定。这种口径需要对事件之间的依赖建模，难度最高，但也最能捕捉到“30秒之前的一个决定”。
这四种口径不是互斥的。PA真人的思路是把它们作为并列的特征，而不是选一个当唯一答案：同时在胜率、资源和因果链上高分的事件，很可能是关键点；只在其中一项高分，就需要额外核对。PA真人AI游戏复盘也据此给出排序依据。
一个团战不是一次击杀：聚合与去重
只给单个事件打分会出现一个典型问题：一场团战里十几次伤害、击杀、技能命中几乎在同一时间发生，每一条都会得到很高的分数，排行榜前十很可能都是同一个团战的碎片。清单毫无信息量。
解决办法是聚合。把时间上紧邻、空间上接近、参与者重叠的事件合并为一个事件组，用组内整体的胜率变化、资源净变化和位置控制变化给事件组打分。团战从第一次有效交战开始，到双方脱离接触或一方全灭结束。合并后，一个团战就是一个候选时刻。
聚合完成后还需要去重与多样性控制。如果一局里有五次团战，且每次的胜率变化都很大，那么可以都保留；但如果榜单里只有团战，没有一次转点、一次资源争夺或一次决策失误，说明排序口径太窄。可以在排序时加入类别配额，让不同类型的事件都有机会入选，这一点在从完整比赛里找到值得复盘的10个时刻里有更完整的展开。
“重要”还不够，还要“可训练”
这是关键事件检测里最容易被忽视的一步。一个事件很重要，并不意味着复盘它就有价值。看下面这个示意场景：
| 事件 | 胜率变化 | 看起来 | 实际情况 |
|---|---|---|---|
| 团战失利 | 60%降到15% | 最关键的失误 | 对手开出无法规避的组合技，己方无可选动作 |
| 提前转点 | 52%升到58% | 影响不大 | 让后续三次资源争夺均处于优势，是可复用的决策 |
| 单人前压 | 55%降到40% | 常见失误 | 可归因于信息缺失，属于可训练的问题 |
第一行的胜率跳变最大，只看这一列它会排第一。但若当时玩家没有任何可以改变结果的动作，把它放在首位只会让人得出“运气不好”的结论，没有训练价值。第二行和第三行的变化小，却对应着可以调整的决策。
所以在“重要性”打分之后，要再引入一个“可训练性”维度：当时是否存在可选的不同动作，玩家是否掌握足够的信息去做出不同选择，这类问题在后续比赛里是否会重复出现。可训练性高、重要性也高的事件，才应当排在复盘的前面。这一点与死亡前30秒的还原是互补的：前者回答“哪些事件值得看”，后者回答“看的时候要还原什么”。
胜率模型的偏差与其他误判来源
把重要性建立在胜率模型上，要清楚它可能错在哪里。第一是分布偏移：补丁改版、地图轮换、不同分段的玩家行为不同，用旧数据训练的胜率模型在新版本里会系统性偏离。第二是对某类特征的过度依赖，比如过度相信经济领先，会让“落后方靠一次奇袭翻盘”这类事件在曲线上被低估。第三是随机性：一局里的暴击、命中判定等随机因素可能造成剧烈的曲线波动，但并不代表某个玩家的决策有多关键。第四是幸存者偏差：如果只用职业赛场或高分段的数据训练，模型对普通玩家局面的判断可能不准。
还有一种误判来自缺失的信息。如果 Telemetry 里只有全局状态、没有玩家视角，模型可能把“玩家其实看不见”的事件当成“本可以避开”。
因此，PA真人的做法是把重要性输出理解为“候选与参考”：每个入选事件都附上打分依据（胜率变化多少、资源净变化多少、位置控制怎么变），并保留可回看的时间线，玩家可以自己判断是否同意。这也是AI复盘应有的态度：给出解释，而不是给出判决。
从排序到复盘卡片
最后一步是呈现。经过打分、聚合、可训练性过滤和多样性控制，最终留下的可能只有八到十个时刻。PA真人用卡片表示每个时刻：发生的时间点、发生了什么、为什么重要（用哪种口径）、当时的信息与资源状态，以及一条可执行的建议。卡片把上万条事件压缩成几分钟能看完的内容，同时保留向下钻取时间线的入口。
往后的方向包括按玩家水平和角色校准胜率模型，以及把同类事件在多局之间聚类，看哪类关键时刻反复出现。同样的“重要性”思路也用于直播，见精彩片段理解。PA真人大模型会把这些结果统一放在同一条比赛时间线上。
