摘要

AI 的搜索用 alpha-beta 剪枝：在一个“窗口”（alpha 到 beta）里搜索，超出窗口的分支提前放弃，并把搜过的局面存进缓存（置换表）供以后复用。检查 deep 档为何太慢时，我们发现一个与性能无关的正确性错误：旧代码只看“本层有没有剪枝”来决定缓存是否精确，但子层可能已经按窗口剪枝，本层拿到的只是上界或下界。把它当精确值存下，之后用别的窗口查询就会得到错值。用一棵可以手算的小树复现了这个错误，修复后又补了一处等价的提前返回。开局 deep 决策从 90.481 秒降到 75.603 秒，选择和评分不变，但仍超过一分钟。

要回答的问题

缓存里存的“精确值”是否真的精确？修复会不会改变已有决策和历史存档？

复现

蓝方正确值应为 max(min(5, 1), min(4, 2)) = 2。先用 alpha = 10 搜索，两个子树分别在看到 5 和 4 后被剪枝，本层返回的 5 只是上界，本层自身却没有剪枝。旧实现把 5 存成精确值，随后开放窗口搜索错误地返回 5；红方视角同样应为 −2，旧实现返回 −5。新增的两个测试在修复前都实际失败。这是手算树的验证，不是游戏规则或真实战斗准确率的证据。

方法

  • 记录调用时的原始 alpha / beta。只有本层没有剪枝、且返回分数严格落在原始窗口内部时，才写入精确缓存；落在边界上的分数也不当精确值。预算、候选排序、评估公式和公共接口都不变。
  • 这会改变某些原本错误的决策，所以策略身份加上新标记 exact-window-cache-v1；旧存档事件仍按原身份读取，不改写历史报告。
  • 同批的静态剪枝：quiescence（只继续搜攻击的“静止搜索”）原本即使静态分数已经让窗口闭合，仍会枚举并结算所有攻击。现在先用静态分数更新窗口，闭合则直接返回界限。取最大方的结果不会低于静态分数、取最小方不会高于它，因此不需要再算。没有降低深度、宽度或采样数。新增两侧边界测试在改动前同样失败（旧代码返回 ±12，而 ±10 已足以剪枝）。

结果

检查 结果
修复后搜索 / 法术投影 / 移动 / 预算测试 180 通过（11.81 秒）
接入策略身份后六个文件 181 通过（258.55 秒），含旧事件兼容
静态剪枝后五个文件 183 通过
开局完整 deep 决策（缓存修复后） 90.481 秒、8179 节点，仍选对 red:succubus 施加镜像，评分 20626.10120485714
加静态剪枝后 75.603 秒、7472 节点、8752 次缓存命中；所选动作、评分、全部候选排序与四个采样分数范围不变

另做了 30 秒离线采样，116 次非终局搜索中没有出现相同状态 / 预算的重访，因此没有再加上下界缓存。

局限

  • 开局这一个样本与旧基线相同，不代表其他输入下旧缓存结果都正确。
  • 75.603 秒是单次候选样本，仍超过一分钟，延迟目标没有验收通过；没有运行全仓测试。

结论与下一步

缓存正确性问题已修复并有可手算的回归测试；静态剪枝减少了无效工作而不改变选择。deep 档延迟仍需继续定位。