UGC 平台最容易解决的，是让玩家生成一张地图；最难解决的，是让另外一千名玩家愿意进去玩这张地图。前者在 AI 的帮助下已经接近零成本，后者的难度反而在同步上升，因为供给一旦泛滥，玩家的注意力就成了唯一稀缺的东西。

做个假设的推演：一个 AI UGC 游戏社区每天收到一万张新地图，玩家每天平均只会在推荐页里认真看几十张。这意味着绝大多数作品从上传那一刻起就没有观众，“被看见”的名额基本由排序系统分配，推荐算法因此成了内容质量的定义者。金沙娱乐在研究 AI UGC游戏 的内容生态时，一直把“生成之后怎么排序”当作和“怎么生成”同等重要的问题。

四层不同的“好”

讨论质量排序之前，先要把几个经常被混在一起的概念拆开。我们习惯性地把它们都叫做“地图没问题”，但它们是四个层级：

  • 生成成功（Generation）：内容按格式产出，没有报错，文件是完整的。
  • 能打开：客户端能加载，不崩溃，资源引用都能找到。
  • 可玩（Playable）：出生点不卡在墙里，关键道具能拿到，目标能够达成，至少存在一条从起点到终点的路。
  • 好玩：玩家愿意玩完，并且愿意再玩一次，或者推荐给别人。

前三层大体可以由程序验证，出生点和路线是否合理可以用地图验证检查，路是否走得通可以交给AI 自动试玩员；第四层没有静态规则能回答，只能靠玩家的真实行为间接估计。很多社区的第一版推荐把三、四层混为一谈：只要“可玩”，就按上传时间或点赞数往前排，玩家很快学会了“推荐页里的东西不值得点”。

能通关，为什么不等于愿意继续玩

完成率（Completion Rate）是最直观的信号，也是最容易被误用的信号。设想两张地图：A 是三分钟就能通关的一条直线，完成率接近百分之九十，没有人重开；B 有一个难度陡峭的中段，完成率只有三成，但有相当比例的玩家在失败之后立刻重来，第二天还会回来。如果只按完成率排序，A 稳稳胜出，可 B 才是玩家真正在意的作品。

所以完成率要和玩家留存（Player Retention）一起看，而且要看“作品级”的留存：玩了这张地图的人，接下来一周里有多少人再次打开它、有多少人进入了同一作者的其它作品、有多少人把它加入收藏或分享。这类信号的共同点是，它们都发生在“已经通关或已经放弃”之后，是玩家用后续行为投出的票。

退出位置比退出率更有信息量

只统计“有多少人中途退出”意义不大，关键是退在哪里。把每张地图切成若干段，画出退出位置的分布，常见有三种形状：

第一种是开场三十秒内集中退出，通常意味着出生点视野混乱或目标不清晰，应该被快速降权。第二种是在某一个固定位置出现尖峰，比如一个需要精确跳跃的平台、一场无法回避的战斗，说明存在结构性卡点，需要区分这是“有挑战”（尖峰之后仍有人反复尝试）还是“不公平”（尖峰之后全员流失）。第三种是平缓分散的退出，多是自然流失，不必处理。

同样是三成完成率，不同的退出分布代表完全不同的地图。

关卡结构和作品相似度

行为数据有一个天然缺陷：它只能事后告诉你结果，而新地图恰恰没有数据。所以还需要一些在上传时就能得到的结构特征作为补充，例如流程长度、分支数量、检查点密度、资源点分布、敌人强度曲线。这些特征本身不决定好坏，但能帮系统把新作品归到合适的“同类”里，用同类地图的历史行为做先验，而不是从零冷启动。

另一个同样重要的维度是作品相似度。AI 批量生成的作品天然容易趋同：同一套提示词、同一批素材，产出的地图在结构上可能只差几个参数。如果推荐流里连续出现十张几乎一样的地图，玩家的新鲜感会瞬间消耗殆尽。因此相似度不应该只用来打击抄袭，更应该用来做多样性控制：在同一屏推荐中限制结构相近的作品数量，让真正有独特设计的作品获得曝光。相关的版本关系问题，我们放在作品版本树那篇里单独展开，“相似”和“衍生”在社区里是两回事。

一个可以落地的分层排序流程

把以上信号串起来，一个比较稳的做法是分四步：

第一步是准入过滤。用自动试玩和静态检查剔除不可玩、崩溃、资源缺失的作品，这一步只做“过滤”，不参与排序。第二步是小流量试玩。新作品先进入一个规模很小的试玩池，池里的玩家按经验水平分层，收集完成率、重复游玩和退出位置。第三步是综合打分。把完成率、重复游玩率、退出位置分布的健康度、玩家反馈（包括评分、评论中的关键词、举报）加权，同时用关卡结构特征做同类归一化，使“一张短小精悍的地图”和“一张长篇战役”不被同一把尺子衡量。第四步是多样性重排。在打分之后，用相似度对候选集做去重和打散，最后才呈现给玩家。

其中最容易被忽视的是玩家分层：新手会因为难度放弃一张不错的地图，资深玩家则嫌简单的地图乏味，分层评估才能让“难而公平”的作品抵达想挑战的人。

几个典型陷阱

只看完成率，会奖励过于简单的地图；只看游玩时长，会奖励拖沓的设计；只看点赞，会奖励封面好看而内容平庸的作品。每一个单一指标都可以被作者（或作者背后的生成脚本）针对性优化，因此排序必须由方向相反的信号相互制衡。完成率高但重复游玩率低、评论里频繁出现“太短”的作品，应当被识别为“容易但无趣”，而不是“高质量”。

金沙娱乐在规划金沙娱乐AI 与社区推荐的衔接时，更倾向于把生成端产生的结构信息直接交给排序端使用：金沙娱乐大模型在理解一张地图的路线、目标与资源分布之后，可以为每张作品产出一份结构摘要，让冷启动阶段的判断不至于完全盲目。这只是设计方向，效果仍需真实玩家行为校准。

自检清单

如果你正在运营或设计一个 AI UGC 社区，可以用下面几个问题检查自己的推荐系统：新作品有没有一个独立的小流量试玩池？排序里有没有作品级的重复游玩信号？是否记录了退出位置而不只是退出率？同类地图之间是否做了归一化？推荐一屏之内有没有结构相似度的上限？如果这五个问题里有三个回答是“没有”，那么你的社区排名，实际上仍然在为生成速度而不是玩家的时间付费。