LLM-Football Agent: 战术进化与策略对照评测 (Evolution & Test)

基于 experiment_logs/test_20260305_145857

1. 核心架构与实验设定

本系统引入了两阶段分离设计：控制变量，依次评测经过“智能体教练”不同演化世代的战术表现。

1.1 Train 阶段：战术自我进化 (run_evolution_experiments.py)

模型从“0原则”盲测开始，通过实战报错与教练（Critic API）的回放复盘，自主迭代战术原则。

1.2 Test 阶段：策略消融测试 (run_test_experiments.py)

2. 定量实验数据与性能图谱

测试参数：15 回合/策略，最大 200 步落后判定，同一 Gemini Flash 底座引擎。

策略梯队	战术特征简述	盲测胜率	进球率	平均耗时
🥇 Gen1 Evolved	“遭遇拦截立即传球... 果断起脚射门” (动词精确)	53.3%	8/15	113.6 步
🥈 Gen2 Evolved	“抢占球权... 果断终结... 铁壁防守” (辞藻华丽)	40.0%	6/15	132.3 步
🥉 Manual Original	包含强数学逻辑：(“如 x>0.85 则射门”)	33.3%	5/15	145.3 步
📉 Empty (无原则)	(控投组，仅凭预训练本能)	20.0%	3/15	170.4 步

可视化雷达 (胜率 vs 代价)

(蓝柱体代表胜率，越高越好；红线代表单局耗时极化，越低越好)

3. 核心研究发现 (Findings)

1. 自然语言 Prompt 对具身动作的越级统治力 对比 Empty 策略(20%) 和 Gen1 策略(53.3%)：在底层模型不变的情况下，仅仅注入 5 行高维语言规则指导，智能体的胜率即刻飙升 +166%。
2. LLM 自监督生成 碾压 人类先验知识 系统自主产出的 Gen1 策略，远胜人类硬编码的 Manual 指引。LLM 生成的注意力词组（Prompt）在执行层天然更契合同族群大模型的映射机制。
3. 过度迭代引发“语义对齐坍塌”Gen2 的胜率发生了回滚。这揭示了作为评价模型（Critic）的通病：为了“精益求精”，它堆砌了诸如“动态接应”、“铁壁防守”类高阶且形而上的大词。当这些描述无法被低层的 Actor LLM 准确平移到离散操作（传球/射门）上时，反而导致了表现力的下降（模型幻觉/理论过拟合）。

4. 后续演进 (Future Roadmap)

• [ ] 结合以上 Part 1 与 Part 2，进行 Memory + Dynamic Prompt 的双重交叉验证。
• [ ] 尝试引入 VLM多模态 读取球场渲染快照，解决纯文本坐标系在空间阻挡计算上的短板。