掼蛋这几年打的人多了。它是两副牌、四个人、两两组队的升级扑克：每局定一个”级牌”，比如打 5，那这局所有的 5 就成了仅次于王的大牌；谁先出完牌叫”头游”，赢的一方按赢的程度往上升级，从 2 一路打到 A，通关才算赢下一整场。
这游戏的技巧全靠口口相传。牌桌上永远有人说得斩钉截铁：被人进贡了一张大牌就等于被压死；手里有炸弹得沉住气，不到最后不能动；还牌的时候要卡住对手最需要的那个点数。说法多，反例也多，谁也拿不出证据。
我想知道哪些是真的。
把口口相传的说法，交给几十万局去判
有个笨办法：直接问大模型”掼蛋该怎么打”。这没用——它只会把网上那些口水话重新组织一遍，我自己也能写。
换个问法。让它别回答问题，去写一套模拟引擎：把掼蛋的规则完整实现成代码，牌型识别、理牌拆分、出牌逻辑、整场的升级和进贡流程，然后造出四个电脑玩家，各自装上不同的策略，互相打几十万局，用统计结果说话。
这个转换是整件事的关键。牌桌上的争论之所以永远没有结论，是因为样本太小——你打一晚上不过二十来局，运气盖过一切。但如果同一个策略和同一个对手打三千场，一两个百分点的胜率差异也能测得清清楚楚。争论就从”我觉得”变成了”跑出来是多少”。
它花了不少工夫，最后交出来的东西相当像样：一套纯 Python 的引擎，十八组实验，一份完整的结论报告，还有一份排好版、可以直接发给牌友的分享版 PDF。起手牌那组实验一口气发了四十万手牌，统计出手里平均能理出几手牌、多大概率至少摸到一颗炸弹。
工程质量也说得过去。一百一十七项单元测试全部通过；指定同一个随机种子重跑，结果精确重现；报告里的数字，九成以上能在原始 CSV 里逐个对上号。就”AI 交付的分析”这件事而言，数字层是干净的——没有编造，没有对不上账的引用。
真正让我停下来的，是一组太好看的数字。
一组太好看的数字
掼蛋打到 A 这一级有个坎，叫”过 A”：级牌升到 A 之后还得再赢一局才算通关，赢不下来，打若干局之后级牌要退回去重打。这条”打 A 退回”是各地牌规里争议最多的一条，有的桌打，有的桌不打。
报告里说，这条规则把先到 A 一方的最终胜率从 87% 压到了 77%，同时把落后三级以上一方的翻盘率从 9.9% 抬到了 20.7%。
一条民间牌规，一次改动，同时把两个指标掀翻：压制的那头正好降十个点，落后的那头正好翻倍。这读起来不像牌桌上自己长出来的规矩，倒像是哪家游戏公司的数值策划坐下来设计过的平衡器。
牌桌上的规矩很少这么优雅。
让另一批 AI 去查这批 AI
我没有自己一行行读代码——那套引擎连实验脚本有好几千行，真读完这事就黄了。我做的是把它拆成七个维度，每个维度派一个智能体去查：规则实现和官方牌规对不对得上、统计方法有没有滥用、报告里的数字和原始数据能不能一一对应、实验脚本和引擎有没有各自演化到对不上、有没有哪个结论的样本量根本撑不住它的语气。查完之后再开一批，任务只有一个：把上一批的结论逐条驳倒，驳不倒的才留下。
结果分成很清楚的两层。
数字那一层是干净的：抽样复跑精确重现，报告结论和 CSV 吻合，没有一处编造。
硬伤全在下面一层——规则底座。而这一层，恰恰是所有测试都没有覆盖到的地方。
三处硬伤
第一处：非级牌的 2 被排在了 A 之上。
这是斗地主的排序。掼蛋里 2 只要不是本局级牌，就是最小的单张，比 3 还小。排错了这一档，牵连的不止是比大小——进贡的时候要交出手里”最大的单张”，还牌的时候只能还”10 以下的小牌”，这两个动作都要用到这张排序表。2 站错了位置，整个进贡还贡系统跟着歪。
第二处：过 A 不查级牌归属。
过 A 有个前提：得是打自己的 A 那一局赢下来才算数。引擎没查这个，打着对方级牌的那一局，头游也被算作过 A 获胜。实测下来，17.7% 的对局以错误的方式终局——每六场就有一场，赢家是判错的。
第三处：连对和钢板允许无限长。
掼蛋里三个连续的对子叫”连对”，两个连续的三张叫”钢板”，都恰好这么长，再长的组合官方牌型里不存在。引擎却允许任意长，于是理牌的时候，约四分之一的手牌被理成了牌桌上根本打不出去的组合——手里看着牌很顺，实际全是废的。
一百一十七项测试，为什么一项都没响
这是我从这件事里学到最多的一点。
因为测试和实现是同一套理解的两面。写实现的时候认为 2 大过 A，写测试的时候当然也照这个写，于是”2 大过 A”被一百多项测试反复确认、牢牢焊死，成了整套系统里最稳定的部分。它稳定，但它是错的。
全绿的测试只回答一个问题：我有没有前后一致地实现我以为的规则。至于我以为的规则对不对，它一个字也没说。一套系统内部越自洽，它固化的错误前提就越难被自己发现——查错的人和犯错的人共用同一套先验，怎么查都是圆的。
这也解释了为什么问题偏偏出在规则层。统计方法有教科书可对，代码有测试可跑，唯独”掼蛋到底怎么打”这件事，没有任何一处是可以在系统内部验证的。它必须去系统外面找答案。
修完之后，戏剧性消失了
三处全部改掉，加上顺带修掉的一个潜伏崩溃和一处实验脚本的漂移，测试补到一百一十八项，同一个随机种子，整套重跑约十九分钟。
87% 和 9.9% 都没了。
| 结论 | 修复前 | 修复后 |
|---|---|---|
| 先到 A 一方的锁定率（不打退回） | 87.0% | 77.1% |
| 落后三级以上的翻盘率（不打退回） | 9.9% | 20.5% |
| “打 A 退回”对锁定率的影响 | −10 个百分点 | −2.5 个百分点 |
| “打 A 退回”对翻盘率的影响 | 翻倍 | +2.1 个百分点 |
真实规则下，先到 A 的一方本来就只能锁住 77%，落后方本来就有两成翻盘机会。这两个数字原本就是这样，与那条争议规则毫无关系。”打 A 退回”的真实效果，只剩锁定率降两个半百分点、翻盘率升两个百分点、场均多打半局——一条温和的过程调节规则罢了。
那份戏剧性从头到尾属于第二处硬伤：打对方级牌也能算过 A，先到 A 一方的赢面被人为放大了整整十个百分点，”退回规则”于是显得像是在纠正一个本不存在的失衡。
同一次重跑还杀掉了两条结论。”还牌时切断对手最需要的那个点数”原本记着三个多百分点的优势，重跑后归零——它的全部优势来自第一处硬伤：还牌池里没有 2，可还的牌少一档，这条策略于是凭空占了便宜；真规则下大家都还 2，差异消失。”被进贡一张就会滚雪球”原本 52.3%，重跑后 50.7%，掉进噪声里；倒是”被双下”依然实打实地疼。
活下来的，和后来补跑的
也必须说另一面。真正的大效应扛住了。
还牌优先还孤张、不拆自己的对子和连牌，重跑后仍有九个百分点的优势，八个标准差，是所有还贡技巧里唯一一条量级足够大的。审计的时候我最担心的恰恰是它——它的旧数字是十个多百分点，万一也建立在”池子里没有 2″之上呢？实测只缩水一个百分点出头。同样扛住的还有”贡局别硬拆牌造单张”，效应量与修复前分毫不差。
真效应扛得住底座被换掉。这句话反过来正好能当判据用。
修完之后我又追着补跑了两个问题，两次的答案都印证了同一件事。
一个是用炸弹的时机。旧报告说”对手剩五到八张牌就该动炸”，可那是两千轮跑出来的粗话，五和九根本分不开。细扫十个门槛、每个一万八千轮，结果没有什么”魔法张数”：八到十二张是一片分不出高低的平原，五张才动确实慢半拍，亏一个半百分点，见炸就炸最差，攥着不放到最后也崩。它是一条平缓的坡，不是一个精确的开关。
另一个是有人提的疑问：优先还孤张，会不会正好帮对手凑成炸弹？我让它开了个天眼版本——偷看对手手牌，专门避开会帮对方凑成炸的点数。结果是这机制确实存在，还孤张送成炸的概率从三成升到近四成；但送出去的都是小炸，边际伤害只有两个百分点。而那个开了天眼的版本，把送炸率压掉七成，胜率反而比老老实实还孤张低了三个半百分点——为防送炸付出的结构代价，远大于省下来的那点损失。
两次追问，两次都是温和的答案。这倒过来让我更确信：那组 87% 到 77% 的漂亮数字，本来就不该出现在一副民间牌里。
带得走的三句话
效应量太大的时候，先怀疑方法学，别先高兴。真实世界里的效应大多温和，一个改动同时把两个指标掀翻，最可能的解释是底座错了，而不是你发现了什么规律。
校验点必须落在系统外面。官方规则、真人的经验、另一套独立实现——任何在系统内部转圈的验证，都只能证明它自己前后一致。测试全绿、复跑重现、数字对得上账，这些都好，但它们只覆盖了执行，覆盖不了前提。
结论要在底座重换之后再看一眼。修复之前的所有数字，无论跑了多少万轮、算到小数点后几位，都只是在精确地回答一个提错了的问题。
这几年我在临床上养出一个近乎反射的习惯：某个指标突然特别漂亮，第一反应是标本、机器还是单位出了问题，极少是病人真的好了那么多。这条本能挪到牌桌的模拟里，一样管用。
让 AI 跑分析，省掉的是执行的时间，省不掉的是替它定前提的那部分。前提错了，它会非常勤奋、非常自洽地把错误一路算到小数点后两位。