arXiv 2606.29932v1 · 发布 2026-06-29

SAGA：面向长视野 CivRealm 战略规划的场景感知、目标演进智能体

SAGA: Scene-Aware, Goal-Evolving Agents for Long-Horizon CivRealm Strategy Planning

AUTHORS Tianyu Jin, Shuo Chen, Yida Wang, Liuyu Xiang, Yingzhuo Liu, Zhiyao Jiang, Yexin Li, Zhaofeng He

EVIDENCE 用于复杂策略游戏长期战略规划的LLM多智能体框架

SCORE 0.8

CATEGORIES TASK game-ai

PDF ↗ 2606.29932v1.pdf

GENERATED 2026-07-04 21:37:06 UTC

📝 TLDR

长时域策略游戏中，LLM智能体面临场景盲、上下文溢出和跨局学习浅三大问题。SAGA框架提出三项机制应对：地图-语义场景图消除空间盲，工具增强规划器按需拉取领域状态并分派专家控制器，双视野反馈回路结合局内目标生成与跨局因果复盘。在FreeCiv上取得最高平均文明分数且方差更低，仅显著优于所有基线在基础设施建造上，并以27%更少的输出令牌领先多数对局。跨五局演化下达到最高末端分数，消融验证各组件独立贡献。

🧭 速览

动机

现有LLM策略代理存在场景盲、上下文溢出与跨局学习浅三类系统失效，难以应对长时域多域耦合与稀疏奖励。

方法

提出SAGA多智能体框架，包含地图-语义场景图、工具增强规划器与双视野反馈回路三大组件。

结果

在FreeCiv上取得最高平均文明分数，基础设施建造显著优于所有基线，输出令牌减少27%，五局演化达最高末端分数。

结论

消融验证三项机制独立贡献，为长时域策略游戏的LLM规划提供可扩展的多智能体解决方案。

📊 论文图表(共 9 张)

展开查看 9 张图

TL;DR

SAGA 是一个专为长时域策略游戏设计的大语言模型多智能体框架，通过地图-语义场景图解决空间场景盲问题、工具增强规划器消除上下文溢出与领域耦合、双视野反馈循环实现跨局战略演进。在 FreeCiv 环境中，SAGA 取得了最高的平均文明分数且方差低于最强基线，同时将输出令牌消耗削减 27%，并在连续五局对弈中均达到链末最高分，验证了各组件的独立贡献。

研究背景与动机

复杂策略游戏（如 FreeCiv）是长视野多域规划的极端挑战代表。这类游戏要求智能体在数百回合内并发管理科技、生产、军事、外交与经济五大决策域，同时面对不完全信息（即「战争迷雾」，只能观察到已探索区域）、稀疏奖励（仅在终局观察累计文明分数）以及硬性不可逆的机械约束。状态空间从早期的 $1 0^{15}$ 指数增长至后期的 $1 0^{650}$ ，动作空间从 $1 0^{4}$ 扩张至 $1 0^{166}$ ，这对任何决策系统都构成了严峻考验。

现有的 LLM 智能体在此类任务中普遍存在三类系统性缺陷。第一类是场景盲（Scene Blindness）：原始地块坐标缺乏关系语义，无法支撑语言模型进行有效的空间推理——智能体知道自己有一个单位在某坐标，却难以判断它相对于城市、敌方单位的位置关系。第二类是上下文溢出与领域耦合：单体智能体接收完整状态转储，信息量随帝国规模无限扩张，单步词元数可超过 15k，同时多决策域的指令被混淆输出，导致高优先级军事威胁持续挤压关键基础设施投资。第三类是跨局学习浅层化：现有方法将每局对弈孤立处理，仅回放历史轨迹而缺乏结构化因果归因，无法实现原则性的战略演进。

这些缺陷并非孤立存在，而是相互强化：场景盲导致Planner无法理解空间上下文，只能依赖笨重的原始坐标；上下文溢出迫使模型在有限窗口内优先处理紧急域，进一步加剧领域耦合；缺乏跨局学习则意味着每局都要从零开始，无法从失败中积累可迁移的战略原则。

方法

SAGA 的核心设计哲学是将这三类缺陷的解耦方案整合为统一的框架，由三个相互耦合的机制分别应对。

地图-语义场景图是解决场景盲的关键创新。传统方法将网格坐标直接喂给 LLM，这既不符合语言模型的认知习惯（它更擅长处理关系描述而非绝对坐标），也会引发严重的词元膨胀。SAGA 的方案是每回合从头构建一个类型化有向图 $G = (V, E)$ ，节点代表友方与敌方的城市及单位，边的类型则明确区分为两类功能：友-友边用于内部协同与导航，每个友方单位与最近友好城市保持「全局锚定边」，城市与单位按邻近半径连接以保持局部连通性；友-敌边则用于进攻与防御决策，每个军事单位对所有可见敌方城市保持「攻击罗盘」边，当敌方单位越过最近城市的防御半径时触发「威胁边」，并被路由至最近友方实体以直接呈现在提示词中。每条边都标注 Manhattan 距离的离散化档位（close < 3、medium < 10、far ≥ 10）和八方向方位，最终渲染为自然语言描述。这种设计以按需方式将隐式网格坐标转化为显式关系上下文，避免了全局词元膨胀。

工具增强规划器从根本上重构了信息获取与指令分派流程。中央 Planner 被设计为带三个按需工具的 ReActAgent——query_city_metrics、query_army_roster 和 query_tech_status。每回合启动时，Planner 仅接收精简的战略摘要（聚合指标、近期目标进度、场景图方向摘要、警报汇总），仅在落定某领域决策前才按需查询该领域精细状态。这种拉取式架构从根本上避免了上下文窗口崩溃。更关键的是，Planner 的响应被强制拆分为六个互不重叠的指令字段：city、civilian、military、tech、gov 和 diplomacy（后者串行化执行以避免冲突），每个字段由专属的专家控制器并行执行。系统还前置了场景合法动作掩码，在结构上限制可生成的产出，比提示词层面的警告更上游地消除「静默失败」。

双视野反馈循环是实现战略演进的机制，分为短期局内环与长期跨局环两层。局内环每 $K = 6$ 回合触发一次，由 AbstractAgent 将近期日志压缩为结构化小结，再由 SetGoalAgent 结合跨局战略演进链生成时限、域限的子目标（如「10 回合内建造 3 个 Settler」），作为稀疏奖励的密集代理。系统同时监测两类应急事件——敌对单位接近友好城市或己方城市沦陷——任一发生立即强制重规划。跨局环则在局末由 GameAnalyst 生成八维结构化复盘 JSON，新局开端由 PreGameStrategist 将其与持续更新的战略演进链注入 Planner 系统提示，将可迁移的战略原则转化为可注入的先验。

实验与结果

实验在 CivRealm 平台进行，后端为 FreeCiv 2.6，采用 23×23 Classical 地图，对抗两个内置 AI 对手并含活跃蛮族与海盗。评估设置在最多 150 回合（早-中期最具战略信息密度），统一使用豆包 Seed-1.8 官方 API 端点。所有基线方法（CoS、EpicStar、Optimus-2、HIMA、Mastaba）均被重写于共享基础设施之上，仅 Planner 层存在差异，这是 CivRealm 上首次 planner-level 的同台对比。

实验采用七项指标综合评估：终局文明分数（唯一稀疏客观奖励）、科技研究数、军事力量、城市数、建筑总数、外交里程碑得分，以及令牌消耗（输入+输出词元，按 150 回合归一化）。统计检验采用双侧 Mann-Whitney U 检验配合 Holm 校正。

主实验结果显示，SAGA 在 10 局游戏中的平均文明分数显著高于最强基线 CoS 和 HIMA，且方差更低。在 Buildings 指标上，SAGA 是唯一对所有五个基线均显著超越的方法——这意味着在多目标冲突中最容易被牺牲的资源维度上，SAGA 展现出了独特的稳健性。在正面对局中，SAGA 在大多数对局中得分超过两个最强基线，同时将输出令牌消耗削减 27%，这表明场景图引导下的决策更加聚焦，减少了无意义的探索性输出。

跨局演化实验连续运行五局，SAGA 配合跨局演进机制在每局结束时均取得最高分数，且随局数增加优势呈扩大趋势，说明战略演进链确实在发挥作用。消融实验验证了三个组件的独立贡献：移除场景图后空间决策质量下降最明显，移除按需工具后上下文溢出问题重现，移除 SetGoal 与 Abstract 组合后局内适应性显著降低。

讨论与可借鉴点

SAGA 的设计揭示了一个重要洞察：长视野策略任务中的三大缺陷——场景盲、上下文溢出、跨局学习浅——并非独立的技术问题，而是相互强化的系统性困境，需要协同解耦。场景图通过关系语义压缩而非坐标罗列的方式，为规划器提供了可操作的空间上下文；按需工具将信息获取从「推送」变为「拉取」，从架构上消除了溢出的根源；双视野循环则将稀疏奖励的信用分配问题分解为局内子目标与跨局因果归因两层。

该框架的可借鉴点在于其模块化设计思路：三个机制各自解决一类问题，且可以独立消融验证，这种设计使得方法论更具说服力，也为后续改进指明了方向——如果某个组件被更优方案替代，整体性能仍有提升空间。令牌效率提升 27% 的结果也提示我们，减少不必要的上下文推理不仅能降低成本，更能提升决策质量。

局限方面，SAGA 目前仍依赖预定义的边类型与距离档位，对于更复杂的空间关系表达能力有限；跨局演化链的积累效果依赖于复盘质量，若某局关键决策被错误归因，可能导致负迁移；此外，实验在固定地图种子下进行，跨地图泛化能力尚未充分验证。未来方向可以探索场景图的动态类型扩展、基于强化学习的跨局知识筛选机制，以及在更复杂环境（如多智能体协作/对抗）中的适用性。

摘要

复杂策略游戏中的长视野战略规划需要在不完全信息和稀疏奖励条件下，跨多个决策域进行并发推理。现有基于大语言模型的智能体存在三类系统性缺陷：由原始地块坐标导致的情景盲、源自整体状态转储的上下文溢出与域耦合，以及将每局对弈孤立处理的浅层跨局学习。我们提出 SAGA，一个大语言模型多智能体框架，其包含三种机制，每种机制分别针对一类缺陷：(i) 地图–语义场景图，将游戏实体之间的类型化空间关系编码为每单位的自然语言上下文，在不引发全局词元膨胀的前提下解决空间盲问题；(ii) 工具增强规划器，按需拉取细粒度的领域状态，并将各领域指令分派给专属的专家控制器，从而消除上下文溢出、域耦合以及机械性约束违规；(iii) 双视野反馈循环，将游戏内的周期性目标生成与结构化的跨局因果复盘相结合，使战略性演进能够在无需人工奖励工程的前提下实现。在 FreeCiv 上的评估表明，SAGA 取得了最高的平均文明分数（该环境中唯一的稀疏客观奖励），且方差低于两个最强基线；同时它也是在基础设施建设（多目标冲突中最易被牺牲的资源维度）上显著超越所有基线的唯一方法。它在大多数正面对局中得分超过两个最强基线，同时将输出词元（主要解码开销）削减 27%。在配备跨局演进模块后，SAGA 在连续五局对弈中均取得最高的链尾得分。消融研究证实了每个架构组件均对该优势做出独立贡献。

速览

TLDR：长时序策略游戏规划需要在不完美信息与稀疏奖励下进行多领域联合推理。现有基于LLM的智能体普遍存在三类系统性缺陷：原始瓦片坐标导致的场景感知缺失、整体状态转储引发的上下文溢出与领域耦合，以及将每局独立看待的浅层跨局学习。SAGA提出地图语义场景图、工具增强规划器与双视野反馈循环三大机制，分别针对性解决上述问题，并在FreeCiv中以更低方差取得最高文明均分，输出token削减27%，五局迭代后达到链末最高分。 \

Motivation：LLM多智能体在长时序策略游戏中面临场景感知缺失、上下文溢出与领域耦合、跨局学习浅层三类系统性失败。 \

Method：SAGA由地图语义场景图、工具增强规划器与双视野反馈循环三部分组成，分别针对性解决上述三类失败。 \

Result：在FreeCiv上以更低方差取得最高文明均分，输出token削减27%，五局迭代达链末最高分。 \

Conclusion：三大组件各自独立贡献，协同实现长时序策略游戏中可进化的场景感知与领域解耦决策。

Abstract

Long-horizon strategic planning in complex strategy games demands concurrent reasoning across multiple decision domains under imperfect information and sparse reward. Existing LLM-based agents suffer from three systematic failures: scene blindness from raw tile coordinates, context overflow and domain coupling from monolithic state dumps, and shallow cross-game learning that treats each episode in isolation. We present SAGA, an LLM multi-agent framework with three mechanisms each directly targeting one class of failure: (i) a Map-Semantic Scene Graph that encodes typed spatial relations among game entities into per-unit natural-language context, resolving spatial blindness without global token inflation; (ii) a Tool-Augmented Planner that pulls fine-grained domain state on demand and dispatches per-domain directives to dedicated specialist controllers, eliminating context overflow, domain coupling, and mechanical constraint violations; and (iii) a Dual-Horizon Feedback Loop that combines periodic within-game goal generation with structured cross-game causal post-mortem, enabling principled strategic evolution without manual reward engineering. Evaluated on FreeCiv, SAGA attains the highest mean civilization score -- the environment's sole sparse objective reward -- with lower variance than the two strongest baselines, and is the only method that significantly surpasses every baseline on infrastructure construction, the resource axis most readily sacrificed under multi-objective conflict. It outscores the two strongest baselines in most head-to-head games while cutting output tokens (the dominant decoding cost) by 27%. Equipped with the cross-game evolution module, SAGA reaches the highest end-of-chain score across five successive episodes. Ablation studies confirm that each architectural component contributes independently to this advantage.

论文详细总结（自动生成）

SAGA 论文总结

1. 论文核心问题与整体含义

1.1 研究背景

复杂策略游戏（如 FreeCiv）是长视野（long-horizon）多域规划的极端挑战，要求智能体在数百回合内并发管理科技、生产、军事、外交与经济五大决策域，同时面对不完全信息（战争迷雾）、稀疏奖励（仅在终局观察累计文明分数）、硬性不可逆机械约束，以及指数级增长的联合状态空间（从早期的 $1 0^{15}$ 到后期的 $1 0^{650}$ ）与动作空间（从 $1 0^{4}$ 到 $1 0^{166}$ ）。CivRealm 在决策复杂度景观中兼具最长的信用分配滞后与最高的跨域耦合，因此成为该任务的代表性基准。

1.2 现有 LLM 智能体的三类系统性失效

场景盲：原始坐标缺乏关系语义，无法支撑语言模型的空间推理。
上下文溢出与域耦合：单一状态转储随帝国规模无限扩张（单步可超 15k 词元），并且单体输出混淆多决策域，导致高优先级军事威胁挤压关键基础设施投资。
跨局学习浅：以往方法只是回放历史轨迹，缺乏结构化因果归因，无法实现原则性战略演进。

1.3 问题形式化

把 FreeCiv 建模为离散时间 POMDP：

M = ⟨ S, O, A, T, R, γ ⟩

其中动作空间按域分解：

A = A_{tech} \times A_{gov} \times A_{dipl} \times A_{city} \times A_{unit}

策略目标为最大化累计折扣奖励 $E [\sum_{t = 0}^{T} γ^{t} R (s_{t}, a_{t})]$ 。SAGA 仅借用该形式化启发架构设计，不通过强化学习优化策略。

2. 方法论：核心思想、关键技术细节与算法流程

SAGA 提出三个相互耦合的机制，分别应对上述三类失效。

2.1 地图–语义场景图（Map-Semantic Scene Graph）

构造：每回合从头构建有向图 $G = (V, E)$ ，节点为友方与敌方城市/单位。
边类型（两类功能区分）：
友–友边：用于内部协同与导航。每个友方单位对最近友好城市保持距离无界的全局锚定边；友方城市与单位按邻近半径连接，保连通的子图。
友–敌边：用于进攻与防御。每个军事单位对所有可见敌方城市保持"攻击罗盘"边；敌方单位越过最近城市影响半径时触发威胁边，路由给最近友方实体以直接呈现在提示词中。
标注与渲染：每条边附 Manhattan 距离离散化为 $close < 3$ 、 $medium < 10$ 、 $far \geq 10$ 三档，外加八方向方位，按实体 ID 渲染为局部自然语言：

> "Enemy Warriors (ID:52) medium (5 tiles) to the NorthEast. Empire Stronghold: nearest friendly city Seoul (ID:116) far (12 tiles) South. ■ ATTACK TARGET: enemy city Kyoto (ID:88) far (18 tiles) East."

> 效果：以纯按需方式将隐式网格坐标转化为显式关系上下文，避免全局词元膨胀。

2.2 工具增强规划器（Tool-Augmented Planner）与解耦执行

拉取式信息架构：中央 Planner 为带三个按需工具的 ReActAgent（query_city_metrics、query_army_roster、query_tech_status），每回合先用精简战略摘要（聚合指标、近期目标进度、SceneGraph 方向摘要、警报汇总）启动，仅在落定某领域决策前按需查询该领域精细状态，从根本上避免上下文窗口崩溃。
结构化输出分派：Planner 响应拆分为 6 个互不重叠的指令字段（其中 unit 域分为 civilian 与 military 流，外交 dipl 出列在下一回合开端串行执行）：
city、civilian、military、tech、gov、diplomacy
约束前置：使用场景合法动作掩码 $A_{city} (τ_{t})$ 在结构上限制可生成的产出，避免幻觉式非法指令（比提示词层面警告更上游地消除"静默失败"）。
并行执行：最多 20 线程的 ThreadPoolExecutor 同时分派至六个 ReActAgent 专家控制器；外交指令由互斥锁串行化在前，其余并发。

2.3 双视野反馈循环（Dual-Horizon Feedback Loop）

短期（局内）内环：每 $K = 6$ 回合，由 AbstractAgent 将近 $K$ 回合的 SQLite 日志压缩为结构化语义小结，再交由 SetGoalAgent 据此与跨局 strategic_evolution_chain.md、game_analysis_report.json 共同产出时限、域限的子目标（如"10 回合内建造 3 个 Settler、2 个 Granary；7 回合内研究 Alphabet"），作为稀疏奖励的密集代理。
应急重规划：每个回合监测两类关键事件（敌对单位接近友好城市、己方城市沦陷），任一发生立即覆写周期边界强制重规划。
长期（跨局）外环：局末由 GameAnalyst 生成八维结构化复盘 JSON，新局开端 PreGameStrategist 将其与持续更新的 strategic_evolution_chain.md 注入 Planner 系统提示，将可迁移战略原则转为可注入的先验。

2.4 总体执行伪代码

1. 读入 evolution_chain，初始化 $t$ 与 $t_{last_eval}$ ；

2. 每回合：构建 SceneGraph，导出 $C_{t}$ ；

3. 若 $t - t_{last_eval} \geq K$ 或触发应急事件 → 调用 AbstractAgent → SetGoalAgent；

4. Planner 经工具调取，按域产出指令 $D$ ；

5. 串行执行外交指令，并发派发其余域指令并写入 SQLite；

6. $t \leftarrow t + 1$ ，直至终局调用 GameAnalyst、更新 evolution 链。

3. 实验设计

3.1 基准与场景

环境：CivRealm gym + FreeCiv 2.6 后端；23×23 Classical 地图，对抗 2 个内置 AI 对手并含活跃蛮族与海盗；统一全局地图种子 GLOBAL_SEED=2025；每个 episode 至多 150 回合（早–中期最具战略信息密度）。

3.2 基线方法

基线	设计思路	用于对比
CoS [NeurIPS'24]	8 阶段滚雪摘要链 + 单体输出	上下文管理范式
EpicStar [ICLR'25 Workshop]	跨局情景记忆 RAG	跨局记忆机制
Optimus-2 [CVPR'25]	双轨目标观测–动作策略、阶段里程碑	阶段性规划
HIMA [arXiv'24]	三顾问多智能体议会 + 综合规划器	多顾问融合
Mastaba [ICLR'24]	平铺式鹰眼概览 + 单条广播指令	CivRealm 原生基线

为公平对比，所有基线均被重写于共享基础设施（同一 FullLLMObsWrapper 观测适配器、同一按需工具集、同一 6 个专家控制器含动作掩码验证、同一 SQLite 日志、必要时同一跨局演进链）之上，仅中央 Planner 不同，是 CivRealm 上首次 planner-level 同台对比。

3.3 评价指标（共 7 项）

指标	方向	定义
Score	↑	终局内置复合分（人口 + 科技 + 奇观加权）
Technology	↑	累计研究科技种类
Military Power	↑	终局存活的军事单位攻击力之和
Cities	↑	终局存活城市数
Buildings	↑	终局存活城市中建筑总数（含奇观）
Diplomacy	↑	自定义里程碑得分（停火 +5、调停 +10、和平 +15、同盟 +20，对手各封顶 50）
Token Consumption	↓	输入/输出词元总数（按 150 回合归一化）

3.4 统计检验

对所有指标做双侧 Mann–Whitney U 检验，Holm 校正——SAGA 在 Buildings 上对所有 5 个基线全部显著（ $p < 0.05$ ），Score 上对 3/5 显著。

4. 资源与算力

未显式给出 GPU 型号或数量。
所有方法统一调用豆包 Seed-1.8 官方 API 端点。每调用输出上限 4096 tokens，聊天历史窗口 20 条，自动重试 3 次；解码采用低温度近确定性采样，所有方法保持一致采样参数。
ThreadPoolExecutor 容量 20，信号量上限 20 路并发 LLM 调用，避免 API 限流。
共进行了主要实验 10 轮 × 6 方法 × 1 主种子（60 局）、4 额外种子雷达验证、跨局演化 5×6（30 局）、消融 4 变体 ×10 局（40 局）、弱骨干（GPT-4o-mini）验证 3 法 ×5 局 = 15 局、GPT-4o-mini 资源匮乏种子 5 局演化等。

5. 实验数量与充分性

5.1 实验规模概览

主实验：Map Seed 2025 下基线 + SAGA 共 6 方法 × 10 局共 60 局游戏（150 回合/局）。
跨局演化实验：同样 6 方法 + 共享跨局外环机制，连跑 5 局。
跨种子泛化：4 个独立种子（2025–2028）的雷达对比。
消融：4 变体（完整 / 无 SceneGraph / 无按需工具 / 无 SetGoal+Abstract）× 10 局。
骨干泛化：将 Doubao-Seed-1.8 替换为弱骨干 GPT-4o-mini，针对 3 法 ×5 局；以及在资源匮乏种子 2029 上的 5 局演化链作为案例研究。

5.2 是否客观、公平

优点：固定地图种子；统一 LLM 端点与采样参数；基线共置共享基础设施，仅 Planner 层差异——这是 CivRealm 上首例 planner-level apple-to-apple 比较；报告均值 ± 标准差、Median、IQR 与每对手胜率（CL effect size），并做 Holm 校正的多重比较，作者对 Buildings 之外的显著性做了诚实陈述（明确说明 Score 对最强两基线 CoS/HIMA 的差异在统计噪声内）。
潜在偏差：随机性主要来自蛮族/海盗随机刷新与战斗结果，并非完全可复现，因此标准差较大（Military std 普遍超过均值）；弱骨干实验因预算删去了 3 个本来已较弱的基线，存在选择性报告风险。

6. 主要结论与发现

6.1 量化结论（Map Seed 2025，基线 Planner）

方法	Score	Tech	Mil.	Cities	Buildings	Dipl.
CoS	$47.8 \pm 20.3$	$13.3 \pm 3.4$	$24.4 \pm 36.9$	$5.5 \pm 6.9$	$7.5 \pm 5.6$	$41.5 \pm 22.0$
EpicStar	$35.4 \pm 21.5$	$10.2 \pm 3.2$	$23.1 \pm 28.9$	$5.1 \pm 8.4$	$4.1 \pm 5.2$	$38.5 \pm 17.8$
Optimus-2	$41.5 \pm 10.1$	$12.6 \pm 1.9$	$35.9 \pm 39.2$	$4.1 \pm 3.4$	$1.9 \pm 1.8$	$16.5 \pm 13.6$
HIMA	$43.7 \pm 22.3$	$10.8 \pm 3.5$	$28.9 \pm 26.9$	$7.5 \pm 6.5$	$3.2 \pm 2.3$	$19.5 \pm 17.7$
Mastaba	$39.0 \pm 14.2$	$12.2 \pm 3.5$	$7.8 \pm 9.4$	$4.0 \pm 6.8$	$2.3 \pm 2.6$	$7.0 \pm 9.5$
SAGA	$60.7 \pm 14.0$	$13.4 \pm 2.5$	$59.3 \pm 40.8$	$8.9 \pm 4.5$	$16.3 \pm 10.5^{†}$	$39.5 \pm 18.0$

基础设施是稳健的核心优势：Buildings 对全部 5 个基线均显著（Holm 校正仍可通过）：胜率 78–98%。
Score 显著优于 3/5 基线，对最强两基线 CoS/HIMA 处于环境噪声范围内（ $p = 0.06, 0.10$ ），但头对头胜率 $\geq 72%$ 且方差最低。
词元开销：相对最强基线削减约 27% 的输出词元（决定延迟与解码成本的关键项），同时输入词元因 SetGoal/Abstract 加富而上升。
跨局演化：当所有方法被插入同一外环时，几乎所有方法都从 G1→G5 提升（HIMA 31→81，CoS 35→80，SAGA 57→90）。EpicStar 的 TF-IDF RAG 无法在高维状态中触发有效召回，是唯一例外。
跨种子泛化：4 种子的雷达图均显示 SAGA 由 G1→G5 多轴系统性扩张。
消融：去掉 SceneGraph → Score 下降 25%（且输入词元更高，证明它是"输入压缩器"而非开销）；去掉按需工具 → Score 下降 49%，Buildings 下降 77%，为最严重退化；去掉 SetGoal+Abstract → Score 下降 25.7%，Tech 下降 56%、Buildings 下降 64%，反映失去多回合承诺导致的研究中断与未完工建筑切换。
骨干泛化（GPT-4o-mini）：SAGA 在全部 6 个指标上仍领先 CoS/HIMA；Score 领先 CoS 78%，Tech 近 2.4×、Buildings 超 3×。绝对分数下降，但能力排序保持稳定——结构化执行比纯 LLM 推理更具架构无关性。

6.2 定性结论

LLM 长视野战略规划的关键瓶颈不在原生推理能力，而在信息架构：观察如何被结构化、决策如何被解耦、反馈如何跨时累积。
域耦合并非简单"加权重"问题，必须从分派层即结构上拆解。
跨局先验必须与可执行的场景感知 + 工具增强底座配套才能稳定生效，否则只会带来基准方法的振荡。

7. 方法与实验设计的亮点

三项机制-失效模式的一对一映射：把场景盲、上下文/域耦合、跨局学习浅三类失效与三个机制对应起来，论证链条清晰。
拉取式 vs 注入式：突破以往基线"先把全量状态灌进 prompt"的高成本范式，工具按需调用 + SceneGraph per-unit 渲染，做到 token 节流与决策精度的同步提升。
结构化输出 + 动作掩码前置：把"提示词劝你别幻觉"升级为"输出 schema 在结构上就排斥非法动作"，从源头上消除静默失败。
专家控制器分工：六个 ReActAgent（甚至把单位域拆为军用/民用两支）并行解决域间信号串扰。
应急重规划：与 EpicStar 等按周期 RAG 不同，提供事件驱动的 interrupt 机制。
跨局因果复盘（GameAnalyst）：八维结构化 Chain-of-Failure/Success 反思，区别于 EvolveR/Reflexion 的非结构化反思与 EpicStar 的无战略继承检索。
实证公平性：重写所有基线于共享基础设施之上，给出 CivRealm 上首例 planner-level 对比；并诚实标注 Score 对最强两基线未达统计显著；展示 Buildings 是唯一对全部基线显著的多重比较稳健优势。
输入 vs 输出 token 的分离讨论：明确指出 SceneGraph 是输入压缩器（去它反而输入更高），而工具/内循环是输入增加但换得强输出的必要代价。
跨种子与跨骨干两路泛化验证：从 Map Seed 2025–2028 雷达扩展到 GPT-4o-mini 资源匮乏案例（Seed 2029），形成多维稳健

SAGA 论文总结（续）

7. 方法与实验设计的亮点（续）

跨种子与跨骨干两路泛化验证：从 Map Seed 2025–2028 雷达扩展到 GPT-4o-mini 资源匮乏案例（Seed 2029），形成多维稳健性证据链；Seed 2029 案例研究还显示出结构化方法在"早期城市沦陷"灾难性事件下也能稳定从废墟中恢复。
消融分析中对输入/输出词元因果关系的精确拆解：避免简单把"词元更少"等同于"更高效"的常见误解。
跨局演化双层证据：既比较"插入同一外环"的横向增量，也比较"完整 SAGA vs 去掉 SetGoal+Abstract"的纵向增益，互为佐证。

8. 局限性

OP AI 对手偏弱：内置 2 个 AI 既非优化智能体也未通过 RL 训练，对抗强度有限；论文未与人类玩家或自博弈增强对手对垒。
回合上限 150 回合的截断：早–中期固然信息密度最高，但长视野恰恰是该基准的核心困难之一，截断本身回避了指数级后期决策压力。
API 端点封闭性：所有方法依赖豆包 Seed-1.8，无法完全屏蔽 LLM 版本更新带来的隐性偏移；GPT-4o-mini 实验仅 15 局，规模有限。
场景图依赖规则启发：Manhattan 距离离散化（close/medium/far）和固定攻击罗盘方向是硬编码启发，未与学习到的关系嵌入融合。
跨局机制依赖外循环驱动：在没有持续应用 evolution chain 的全新场景中收益会下降。
方差大且统计噪声敏感：蛮族/海盗随机性导致 Military 等指标标准差超过均值，使部分指标在 10 局样本下不足以检测细颗粒差异。

9. 总体评价

SAGA 给出了一个架构导向而非纯规模导向的解决方案，把 LLM 长视野规划的核心瓶颈从"模型推理能力不足"重新定位为"信息架构与执行结构不足"。其三项机制（SceneGraph 关系化、工具增强解耦规划器、双视野反馈）在 CivRealm 上对应地缓解了三类已知失效，且每个机制都对应可观察到的、可量化的退化（消融中 Buildings 因去按需工具下降 77%、Tech 因去 SetGoal 下降 56%）。

论文最强之处在于论证链的闭合性：从失效模式到机制、从机制到指标、从指标到消融与泛化，证据组织有层次且数据自洽。诚实陈述 Score 对最强两基线不显著但头对头胜率显著，亦显示出审慎的实证态度。

其潜在不足在于：(1) 完全依赖一家闭源 LLM 端点，限制了方法的可复现性与外部推广；(2) 对手强度不足以证明方法在强对抗下的稳定性；(3) 150 回合截断未触及后期最复杂的帝国博弈。

整体上，SAGA 对"CivRealm 类长视野多域战略游戏 + LLM 智能体"研究社区提供了一份兼具诊断（具体失败模式）与处方（结构化执行栈）的、相对完整的工程-实证范例，对后续研究在场景图、工具增强规划、跨局因果反思三条线索上均给出了可继承的设计模板。

（完）

✨ 编译论文

点「✨ 编译」开始,LLM 会按 Polaris 风格翻译并把图片/表格嵌到对应位置。结果存到浏览器 localStorage,下次访问自动加载。