PA真人战术分析研究组同一套阵容，领先和落后时该做的事几乎相反
先看一个假设的场景（以下为示意）。某局比赛进行到第 14 分钟，甲方阵容后期强势，乙方阵容前中期强势。如果只看阵容，答案很简单：甲方拖后期，乙方抢节奏。但比赛的实际走向是，乙方在前 10 分钟被压了两座防御设施，经济落后；而甲方因为一次被抓单，关键角色的大招还有两分钟才能恢复。这时候“甲方拖后期”这句话还成立吗？也许成立，但前提变成了“甲方要先活过接下来的两分钟”。
阵容相关的先验判断，本质上是一种平均：在无数种可能的局面里，这套组合大致怎么样。而战术决策发生在某一个具体局面里。领先的一方需要降低方差，减少无谓的团战，控制视野与资源点，把优势一点点兑现；落后的一方需要制造方差，找到对手阵型的缝隙，用一次成功的开团把差距抹平。同一个开团动作，在领先方手里是风险，在落后方手里可能就是唯一的出路。所以说，最优战术不是阵容的函数，而是状态的函数，阵容只是这个函数的一个参数。
状态空间：把“此刻”写成一组可以比较的变量
要让AI理解这一点，第一步是把“此刻”表示出来。常见的做法是把比赛拆成若干类变量：阵容层面包括双方角色的能力标签、强势期与控场类型；地图层面包括控制区域、视野覆盖、下一个资源点的刷新时间；资源层面包括经济差、装备或武器状态、技能与大招冷却、复活时间；阶段层面则是前期、中期、后期，或者战术射击里的回合阶段；此外还有玩家风格，比如某位选手偏好激进的单点突破，还是习惯跟随队伍节奏。
这些变量不是越多越好。每多加一个维度，状态空间就会成倍膨胀，而现实中拿得到的同类样本只会成倍减少。所以真正的工作在于取舍与离散化：把经济差分成“大幅领先、小幅领先、接近、小幅落后、大幅落后”几档，把地图控制概括为少数几个可解释的区域，而不是照搬每一帧的坐标。PA真人平台把Telemetry（比赛遥测数据，即引擎记录的位置、血量、资源等精确状态）与画面识别得到的信息合并成同一张状态表，再在这张表上做相似状态检索与对比，比直接喂给模型一堆原始数据更稳。关于多因素如何组合，也可以参考同时理解阵容、地图与资源的那篇文章。
对手会变：为什么历史胜率会骗你
状态表示好以后，看起来只要统计“在这个状态下，选择哪种打法胜率最高”就完成了。但这里有两个很容易踩的坑。第一个是幸存者偏差：数据里某种打法的胜率高，可能只是因为选择它的队伍本来就处在优势局面，而不是这种打法本身更好。第二个是对手适应：电竞不是一台固定的机器，对手会观察、学习并且调整。一套连续用了三场的转点路线，第四场就可能被提前布防，历史样本里的高胜率恰恰是它被识破之前的表现。
这类问题在统计上称为非平稳（分布随时间变化）。它对战术建议的含义是：越是新近的对局，权重应该越高；越是针对特定对手的近期记录，越比全体平均更有价值；而当对手明显改变了打法，此前的模型要能够识别出“分布漂移”，并主动降低自己的置信度。补丁版本是另一种漂移：数值和机制一变，去年的经验可能整段作废。所以一套可靠的战术分析系统，需要把版本号、对手、时间窗口都当成一等公民的特征，而不是事后再过滤。下面这张表可以帮助区分几种常见的“看起来相同、实际不同”的情形。
| 看起来相同 | 实际不同 | 误判风险 |
|---|---|---|
| 同一阵容的历史胜率 | 对手风格、补丁版本已变化 | 把过时经验当成当前最优 |
| 某战术采用后胜率高 | 采用者本来就领先 | 把局面优势当成战术优势 |
| 同样的经济差 | 阶段不同，翻盘窗口不同 | 前期与后期使用同一阈值 |
| 同一转点路线 | 视野状态不同，被识破概率不同 | 忽略信息差直接复制线路 |
条件式建议：AI应该交出什么样的答案
既然最优战术依赖状态、又不断漂移，AI最诚实的输出形式就不是“应该这样打”，而是条件式建议。PA真人的做法是，一条好的建议至少包含四部分：适用条件（在什么状态下成立）、建议内容、置信度与样本来源（依据多少相似局面、最近一次是什么时候）、备选与失效信号（如果出现哪些迹象，就该放弃这条建议）。比如，“当前经济小幅领先、对方关键技能未恢复，建议在下一次资源点刷新前压缩其视野；依据相似状态 40 余局，置信度中等；若对方提前布置两个以上视野点，则改为保留后手”。这里的具体数字属于示意，用来说明格式，并不代表真实统计。
这种形式的好处，是给教练留下了判断空间。教练知道队员当天的状态、刚换的位置配合、对手赛前的小动作，这些信息模型未必拿得到。建议里写清楚依据和边界，教练才有办法结合自己的判断取舍，而不是被迫在“完全相信”与“完全无视”之间二选一。PA真人在设计战术分析输出时，也是把“不确定”当成一种正式的结果类型：样本不足时明确标注，而不是硬凑一个看起来精确的推荐。
样本、补丁与教练的实际用法
落到实战里，可以把PA真人这类系统放在三个环节。赛前，用PA真人整理对手近期的地图选择、资源偏好和转点习惯，形成几套需要提前演练的假设；赛中的暂停或轮换间隙（在规则允许的训练赛和娱乐场景里），用它快速对比当前状态与历史相似状态，提示可能被忽略的选项；赛后，则把关键决策放回当时的状态里复核，问一句“在那个状态下，这个选择合理吗”，而不是只看结果好坏。这与地图转点与时机的复盘是同一个思路：决策要放回当时的上下文里评价。
最后是几条边界。样本量太小时，相似状态检索会退化成几个孤立的例子，不能当规律；补丁刚更新时，历史数据要分开对待；对手风格发生明显变化时，要允许系统降低置信度，甚至暂时退回到只描述事实。战术分析的价值，从来不在替教练做决定，而在于让决定所依赖的上下文更完整、更可检验。同样的阵容，换一个状态就是另一道题，这一点AI必须先学会，再谈建议。团队风格的差异也会放大这种效果，可以继续参考战队风格与战术适配的讨论。
