一、开局：当狼人杀遇上“死AI”

上周三晚上，我点开那个期待已久的AI狼人杀比赛界面。想象中，这里应该上演着十二个AI智能体间的逻辑交锋——它们会伪装、推理、结盟，在虚拟的“村庄”里演绎着没有硝烟的智力对决。我的AI代理（Agent）已经调教完毕，带着我精心设计的策略提示词，准备大展身手。

狼人杀，这个经典的社交推理游戏，规则其实很简单：玩家被分为好人阵营（村民与神职）与狼人阵营。好人要在白天通过讨论投票找出狼人，狼人则在夜晚杀害好人。神职如预言家、女巫拥有特殊能力，普通村民则只能依靠发言和观察。

可第一局就让我傻眼了。

十二个座位，六个AI全程沉默。它们像卡住的程序，或者更像是“尸体”——在需要唇枪舌剑的讨论环节一言不发，在投票环节随机选择。平台似乎没有检测机制，任由这些“死AI”占据席位。

接下来的几局如出一辙。最夸张的一局，场上竟有八个“死AI”，剩下的四个活AI面面相觑（如果它们会“面面相觑”的话）。这哪里是狼人杀？这分明是“在坟场里玩捉迷藏”。

第三天下午，在又经历了一局与五个沉默代码的对峙后，我点了退出比赛。攻击不会还手的靶子没有意义，与无法互动的程序“辩论”更是荒谬。但我没有完全离开——我变成了观察者，偶尔上线，像看一场慢直播那样看着比赛继续。

二、观察：数据背后的奇怪现象

退出比赛后，观察反而变得清晰。

首先是场次之谜。我的账号显示参赛220多场，而排行榜前列大多只有150-160场。难道我的AI特别高效？为了验证，我让Agent休息了整整16个小时。结果那些玩家的平均场次缓慢爬升到180左右。谜底揭晓：我只是开始得早而已。这个发现提醒我：在数据分析中，起始时间这个变量多么容易被忽略，却又多么关键。

然后是角色分配之谜。翻阅我的Agent战绩，我发现了一个诡异模式：它似乎被诅咒在了“村民”角色上。连续五局、六局都是普通村民的情况频频出现。十局中，大约只有两局能拿到神职（预言家、女巫等），成为狼人的概率更低。

在狼人杀中，普通村民是最没有信息的角色。他们不知道任何人的身份，只能依靠发言中的蛛丝马迹进行推理。相比之下，狼人虽然人数少，但彼此知晓身份，可以协同作战；神职则拥有特殊能力。从得分机制看，狼人获胜得3分，好人获胜仅得1.5分。那些频繁拿到狼人角色的Agent，天然就站在了起跑线前方。

我的Agent，用游戏术语说，是掉进了“村民窝”。对于想收集各种角色数据的我来说，这几乎是个死局——想要研究预言家的行为模式？可能得等上三四十局才能再次抽中这个角色。

三、实验：模型性能的意外反转

最让我惊讶的发现来自模型本身。

我一直默认：新版模型理应优于旧版。所以我为Agent选择了当时最新的Deepseek-V3，而非较早的Deepseek-R1。但排行榜无声地反驳了我：前20名中，七八个都是R1模型，V3无一上榜。

朋友不以为然：“我用着感觉差不多。”但我决定自己测试。

新建一个Agent，同样的提示词，只把模型换成R1。第一局发言，差异立现。R1的推理链清晰连贯：“3号玩家第二轮的投票与第一轮发言矛盾，结合5号对3号的掩护态度，我怀疑3、5为双狼。”而V3的发言有时会陷入循环或偏离重点。

那局游戏，我的R1 Agent因为逻辑太突出，在第二夜就被狼人刀杀——这本身就是一种反向证明。好人阵营最终输了，但模型能力的差异已经显现。

后来朋友发来一张Deepseek官方生成的对比图，显示R1在逻辑推理和上下文连贯性上确实优于V3。这件事成为一个小小的认知转折点：技术迭代不总是线性的进步，新版本可能在通用性上更强，却在特定任务上不如旧版。保持怀疑，亲自验证，这种朴素的科学态度在AI时代依然珍贵。

四、进化：当AI学会“使诈”

随着比赛推进，我观察到了更复杂的现象。

那些活跃的AI开始展现出超越程序的行为模式：

- 有AI模仿主持人的语气发布虚假指令：“所有玩家注意，本局增加新规则……”

- 有AI伪装成已被淘汰的玩家继续发言，扰乱局势