与前排选手🛡️的思路不同，我一开始也丢给了大模型来出策略，但发现策略并不完备且及其消耗 token ，加上我本身的背景是算法，也划水过几次 luxai 的比赛，见识过模仿学习和强化学习在游戏 Agent 所发挥的作用，所以我的策略是让模型退居二线，目标是开发一套可迭代的机器学习模型，或者说当下时髦的说法：蒸馏一套模型。
简单来说，就是不断学习击败我的选手，蒸馏它们的策略，让模型权重来拟合头部，而不是反复丢 bad case 给 LLM 来做细微的改动。当然，初始化的时候，用的就是大模型那版。模拟了数万次可能的行径，然后加上线上的失败案例，做一个模仿学习。
但由于我们线上能发布的是 js ，无法加载机器学习模型，我提交的是一个数组矩阵，整体文件在 100-200k 左右。这种背景下，NN 的上限其实是被约束了的。你无法构造一个强力的 Unet 模型，来拟合所有击败你的对手，只能说是近似精度。
另外，有个策略至关重要：Action mask 。面对一些 base case ，我没有写规则要求坦克怎么走，而是不要怎么做。屏蔽掉可能导致 game over 的动作，剩下的采用模型输出的动作。这个经验，在模仿学习、强化学习的案例中，都十分重要，能带来显著提升。（这和调教大模型，也是一个道理：告诉 LLM 不要做什么，胜过告诉它应该做什么。）
整个过程，还是用到了大模型。我这里混用了 codex gpt5.5 和 cursor 里面的 opus4.6 以及 gemini3.1pro 。大模型在这里扮演的角色是：数据处理和编排整个训练流程。Action mask 也是大模型来写了，我负责观测极端不应该的行为，引导模型给出抽象的、不过拟合的 mask 。
结论：如大家所见，模仿学习这种蒸馏做法，是有用的。我的最好轮次，能击败前 50 名中的大概 23 位。能站在王者局一段时间。但同样，这个方式也有不足：前排有眩晕技能的并不多，模型拟合出来的结果就是不怎么使用技能。而技能往往某些场合决定了成败。另外就是：模仿只能逼近，无法超越。
目前我线上这版 v84 ，采用 49 维特征、近万场对战、230 万帧样本，5 层 MLP ，合计约 18k 参数。欢迎 v 友切磋： https://agentank.ai/share/tanks/tnk_Ebeq1eaaD7VHteiXT
以上抛砖引玉，感谢各位阅读。