PA真人比赛数据研究组为什么“打分最高的十个”不是好答案
先看一个示意场景：一局比赛里，系统按胜率变化给所有事件打分，取前十。结果是第14分钟到第16分钟之间的三次连续团战占了六个名额，其余四个是两次击杀和两次目标资源争夺。玩家打开报告，前六条讲的是同一段混战，看完的感受是“我在这段时间里输得很惨”，却不知道下一步该改什么。
问题出在只用一把尺子量所有事件。胜率变化最大的时刻集中在局势胶着的阶段，天然会扎堆；而真正需要复盘的往往分散在整场比赛里：开局的资源分配、中期一次错过的转点、后期一次不必要的单人推进。好的十个时刻应当像一份目录，覆盖不同阶段、不同类型的问题，而不是同一章节的十页摘录。关于单个事件怎样打分与聚合，可参考关键事件检测的讨论，这里聚焦“怎样从一堆候选里选出十个”。
第一步：候选生成，宁多勿漏
PA真人的设计思路是先放宽，再收紧。候选生成阶段的目标是不漏掉可能重要的事件，因此会同时从几个来源汇集：胜率或局势曲线上的陡坡、资源的大幅摆动、关键区域的易手、死亡与被击杀事件、目标资源（如关键野怪、据点、炸弹）的争夺，以及玩家自己设定的关注点，比如“中路视野”“转点”。
此时的候选可能有几十个，其中很多是同一场团战的不同碎片，需要先做聚合：时间上相邻、参与者重叠的事件合并为一个事件组，只保留一个代表。这样候选数量才会从上百条降到几十个可比较的“时刻”。
第二步：重要性打分，多口径叠加
每个候选时刻要有一个综合分数。常见的口径有四种：对局势胜率的影响、资源的净摆动、位置控制的变化、后续因果链的长度。单独使用任何一种都有盲区：胜率模型会低估“早期一次小决定的长期效果”；资源摆动看不见空间控制；因果链长度则很难稳定估计。
因此PA真人平台的做法是给每个口径一个归一化分数，再按权重合成，并把各口径的贡献保留下来。这个“保留”很重要，因为后面卡片上需要写“为什么重要”，而不是只给一个总分。
第三步：多样性约束，避免十个都是团战
打分之后不能直接取前十，而要在排序时加入约束。常用的约束有三类。
- 阶段覆盖：前期、中期、后期（或回合阶段）至少各有若干名额，避免全部集中在同一时段。
- 类型覆盖：团战、转点与资源争夺、单人失误、关键决策各有配额，避免榜单被某一类事件占满。
- 时间间隔：相邻两个入选时刻之间保持一定间隔，避免同一段混战被拆成多个时刻。
实现上可以用贪心的方法：每次选出剩余候选里“分数加上多样性奖励”最高的一个，选中后降低与它相似的候选的权重，再选下一个。这样选出的十个既保证重要，又保证彼此不同。
第四步：与玩家目标匹配
同样一场比赛，不同的玩家该看的十个时刻并不一样。一位正在练习“信息意识”的玩家，需要的是几次在情报缺失时的决策；一位在打磨枪法的玩家，需要的则是几次对枪与身法的关键回合；教练想看的可能是团队的沟通与转点。所以候选进入最终名单之前，要和玩家设定的训练目标做一次匹配，给相关的时刻加权。
这里的目标可以来自玩家主动选择，也可以来自历史数据中反复出现的问题，比如最近几局里“信息缺失下前压”一再出现，那么相关时刻就应该排得靠前。这样，十个时刻就不只是“这场比赛的十个重要点”，而是“对你此刻最有用的十个点”。重复出现的问题也更适合放进训练计划里。
第五步：生成时刻卡片
最终的输出是十张卡片，每张卡片至少包含以下内容：
| 字段 | 内容 | 作用 |
|---|---|---|
| 时间点 | 如第12分40秒，可跳转到回放 | 让玩家一步定位 |
| 发生了什么 | 一句话描述事件 | 建立共识 |
| 为什么重要 | 依据哪些口径，胜率变化多少、资源如何摆动 | 让排序可复核 |
| 当时状态 | 信息、资源与队友距离 | 还原决策背景 |
| 可训练建议 | 一个具体的下一步动作 | 连接到训练 |
其中“当时状态”一栏的还原方式，与死亡前30秒的分析一脉相承。如果卡片还需要标明问题类型，比如信息不足还是决策错误，则可以引入复盘系统的错误分型。在App里，这些卡片会作为时间线上的节点展示，具体的查看方式见PA真人App复盘页的说明。
容易误判的地方
第一，重要性打分依赖胜率与资源模型，这些模型对补丁版本、分段和地图的变化敏感，用旧基准评估新版本会系统性偏差。第二，一场比赛的样本太少，十个时刻里有几个可能是偶发事件，不代表长期问题，所以需要多局对比来判断。第三，高分事件不一定可训练，比如无法躲避的组合技，应降权或标注为“不可控”。第四，目标匹配可能强化玩家已有的偏好，导致他一直只看自己关心的问题，忽略了别的盲区，所以通常要保留一两个“系统认为你该看”的名额。
PA真人AI给出的十个时刻，应当被当成整理好的“待看清单”，而不是最终结论。玩家和教练可以增删、调整，系统再根据反馈修正权重。
