懶人包
- 起點是 Mr.Rawwww 的 Reel:把牧場裡閃鐵欄跌倒的片段,手繪成單鍵遊戲 Hot Walk,發布兩天內約 4.3 萬讚,是帳號粉絲數 9,639 的 4.5 倍左右。我借公式,做了台灣題材的 叭!機車瀑布,單檔 34,823 bytes。
- 難度用 Node 模擬玩家調:固定 200 個種子跑四種策略,不操作 0 分、亂點中位數 2 分、人類模型 28 分,完美玩家 200 局全部打到 300 條車流的測試上限。
- 同一組關卡只改按鍵誤差,人類模型的中位數從 σ 30ms 的 80 分掉到 σ 150ms 的 11 分,差 7 倍。玩家假設的影響比我調的關卡參數大。
- 時間窗衰減係數在「一有縫就按」的模型下幾乎沒作用(27 到 30 分),換成「等大一點的縫才按」的模型,同一個係數能把分數從 325(多數局已撞測試上限)壓到 17,死因也從撞車變成闖紅燈。
- 模擬適合抓難度曲線壞掉:封頂、亂點能過、不操作有分。它回答不了好不好玩,這個遊戲目前沒有真人試玩資料。
這篇記錄我怎麼把一支爆紅短片的公式做成單鍵小遊戲,以及怎麼用模擬玩家測難度。最值得看的是掃描結果:同一個參數在不同玩家模型下,可以從完全沒效變成決定生死。遊戲已上線,手機打開 html.yanchen.app/moto-waterfall 就能玩。
這支牧場糗片 Reel 在演什麼?
原片是 Mr.Rawwww 的 Reel,標題「Turn viral clips into games Ep.7」,2026-11-09 發布,我在 2026-11-11 讀到 4.3 萬讚、99 則留言,帳號粉絲 9,639。全片 46.67 秒,我逐幀看過,結構是四段:
| 時間 | 畫面 |
|---|---|
| 0–6 秒 | 真實影片,字幕「The games you play when you live on a ranch」,有人在環形遛馬機裡閃移動欄板,最後跌在沙地上 |
| 6–7 秒 | 創作者在筆電前反應 |
| 7–20 秒 | 手繪縮時,畫出圓環、旋臂和卡通牧場角色 |
| 20–46 秒 | 實玩 Hot Walk,規則是「tap to dash out! dodge the arms」,最後 GAME OVER 4 分 |
我認為它紅在三件事,這是我的分析,不是平台數據。糗事一看就懂,不用先認識創作者。規則壓成一個動作,觀眾看幾秒就能在腦中玩。收尾是作者自己玩輸,比展示成品好笑。
留言區在吵規則。ft_arnav1 寫「But u know the game is to run around with the blockers and then come out when the opening is there, right?」,指正真正的玩法是跟著欄板跑、等開口再出來。也有人在問怎麼做,但作者用什麼工具我查不到,片中沒講,原始牧場影片的出處我也沒找到。
我怎麼把這個公式換成台灣題材?
我沒有重製 Hot Walk 的名稱、角色、畫面和旋臂機制,只借「真實荒謬場景 → 單鍵遊戲」這個公式。場景換成台北橋的機車瀑布:麻糬戴黃安全帽過馬路,車流有縫就點一下,衝到下一個安全島。
規則只有三條。小綠人倒數歸零算闖紅燈,被車撞到扣命,三條命用完結束。貼著車過會跳「險過 +1」,給願意冒險的玩家多一分。
單鍵遊戲的難度要調哪些參數?
玩家只有一個動作,難度全部來自「什麼時候按得過」。我把它拆成四條曲線,每 4 條車流升一級:
| 曲線 | 公式 | 效果 |
|---|---|---|
| 車速(px/s) | min(430, 165 + 22 * level) | 預判要提早多少 |
| 時間窗(秒) | max(0.11, 0.72 * 0.82 ^ level) | 縫能容許的按鍵誤差 |
| 倒數(秒) | max(3.2, 7 - 0.15 * crossed) | 能等多久,逼玩家出手 |
| 陷阱縫 | level >= 3 時 22% 機率 | 看起來有縫,衝過去的時間不夠 |
const clear = CONFIG.PLAYER_W + v * bandDashTime() + v * windowOf(level) * (1 + rng() * 0.5);
時間窗用「幾秒」定義,不用「幾像素」。車速變快時縫會自動拉長,玩家感受到的按鍵餘裕只由時間窗決定,速度和難度兩件事才能分開調。
模擬玩家要怎麼寫?
遊戲邏輯和畫面分成兩個 <script>,邏輯那段不碰 DOM,Node 可以用 vm 直接載入線上同一份程式,不用另外維護一套規則。時間用固定步長 1/120 秒往前推,車流用 mulberry32 帶種子產生,同一個種子每次結果都一樣。
const core = html.match(/<script id="core">([\s\S]*?)<\/script>/)[1];
const api = {};
vm.createContext(api);
vm.runInContext(`${core}\nthis.api = { CONFIG, createGame, startGame, tap, step, carX, mulberry32 };`, api);
玩家模型就是一個函式:每一步看遊戲狀態,回傳要不要按。人類模型的做法是預判 180ms 後這條縫能不能過,能過才決定按,實際按下的時間再加上常態分布的誤差:
human: (g, r, t, m) => {
if (m.fireAt !== undefined) {
if (t >= m.fireAt) { m.fireAt = undefined; return true; }
return false;
}
if (clearAfter(g, 0.18, 8)) {
const gauss = Math.sqrt(-2 * Math.log(1 - r())) * Math.cos(2 * Math.PI * r());
m.fireAt = t + Math.max(0.08, 0.18 + gauss * 0.065);
}
return false;
},
clearAfter 的第三個參數是瞄準餘裕:除了車身和玩家寬度,還要多留幾像素才算「有縫」。這個數字後面會變成主角。
四種策略各跑 200 局(種子 1000 到 1199),在 Node 裡整輪跑完約 36 秒:
| 策略 | 中位數 | p25 – p75 | 最高 | 一局秒數中位數 | 打到上限 |
|---|---|---|---|---|---|
| 不操作 | 0 | 0 – 0 | 0 | 23 | 0 |
| 亂點 | 2 | 2 – 3 | 11 | 4 | 0 |
| 人類模型(σ 65ms) | 28 | 18 – 34 | 63 | 26 | 0 |
| 完美玩家 | 577 | 574 – 579 | 587 | 212 | 200 |
我把六個條件寫成斷言,每次改參數都重跑:不操作得 0 分、亂點低於人類模型、人類中位數在 15 到 100 分之間、人類沒有封頂、完美玩家高於人類兩倍以上、完美玩家中位數至少 100 分。第一輪沒過,人類模型中位數 420 分,200 局裡有 159 局打到上限,難度曲線太平。
按鍵誤差改一下,分數差多少?
關卡不動,只改按鍵誤差的標準差,再各跑 200 局:
| 按鍵誤差 σ | p25 | 中位數 | p75 | 一局秒數 | 過馬路中位數 |
|---|---|---|---|---|---|
| 30ms | 64 | 80 | 103 | 56 | 50 |
| 65ms | 18 | 28 | 34 | 26 | 19 |
| 100ms | 12 | 17 | 23 | 19 | 12 |
| 150ms | 6 | 11 | 16 | 15 | 8 |
同一個時間窗參數,為什麼有時有效、有時沒效?
我原本要測的是時間窗衰減係數,也就是公式裡的 0.82。結果在預設模型下它幾乎沒有作用,於是我把瞄準餘裕也拉進來掃(σ 固定 65ms,每格 200 局,表內是分數中位數):
| 瞄準餘裕 | 衰減 1(不收緊) | 衰減 0.9 | 衰減 0.82(線上版) | 衰減 0.75 |
|---|---|---|---|---|
| 8px | 30 | 27 | 28 | 28 |
| 24px | 72 | 62 | 51 | 34 |
| 40px | 325 | 70 | 29 | 17 |
| 瞄準餘裕 / 衰減 | 撞車 | 闖紅燈 |
|---|---|---|
| 8px / 0.82 | 600 | 0 |
| 24px / 0.82 | 498 | 102 |
| 40px / 0.82 | 22 | 578 |
40px 且不收緊的那格,200 局裡有 183 局打到 300 條上限。同一個係數,對第一種模型是擺設,對第二種模型是生死線。陷阱縫也一樣:在 8px 下開或關是 28 分對 27 分,看不出差別。
這也修正了我自己的紀錄。第一輪 420 分之後,我同時收緊後段時間窗、又把人類模型改成現在的按鍵誤差版本,分數降到 28 分。兩件事一起改,當時無法分開歸因。這次掃描顯示在 8px 模型下時間窗幾乎不影響分數,所以我推論下降主要來自模型的改變,舊版參數沒留完整,這點無法重現驗證。
這套模擬能證明什麼、不能證明什麼?
能抓的是難度曲線壞掉的情況,而且很便宜:
- 不操作也能得分,代表判定有洞。
- 亂點的分數追上人類模型,代表時機不重要。
- 人類模型打到封頂,代表後段沒有收緊。
- 完美玩家也過不了,代表某一級無解。
這個方向有學術研究。Isaksen 與 Nealen 在 2015 年的論文 Comparing Player Skill, Game Variants, and Learning Rates Using Survival Analysis 用一個單鍵遊戲,讓 AI 模擬因運動技能不精準造成的人為誤差,跑蒙地卡羅比較不同技能與遊戲參數。論文也分析了 flappybird.io 超過 1.75 億次遊玩的真實分數分布,指出學習效果會影響分數,玩家建模要把學習算進去。
我的模型沒有學習效果,每局都是同一個玩家,這是它和真人最大的差距之一。真人玩第五局和第一局的按鍵誤差不會一樣。
線上版有實際驗過嗎?
有,用真實 Chrome 跑線上網址,Playwright 送真實觸控和鍵盤事件,10 項全過:觸控能得分、硬衝會扣命、倒數歸零判闖紅燈、結算分數正確、再玩一次會歸零、390×844 無溢出、手機與桌機都沒有 console 錯誤。
節錄輸出如下,括號內的狀態值省略:
[PASS] 真實觸控可過馬路並得分
[PASS] 車流中硬衝會被撞扣命
[PASS] 倒數歸零判定闖紅燈扣命
[PASS] 手機版沒有水平或垂直溢出
結果:10/10 通過
沒驗到的部分:沒有真人試玩,沒在實體手機上測,手感和聲音都沒有確認。
想用在自己的小遊戲,順序怎麼排?
依這次的結果,我會這樣排:
- 把遊戲邏輯寫成不碰 DOM 的純函式,時間用固定步長,亂數帶種子。
- 先寫不操作、亂點、完美玩家三個策略,這三個不需要任何人類假設,能抓最大的洞。
- 再加人類模型,至少掃兩個維度:按鍵誤差和瞄準策略。只掃一個容易得出「這參數沒用」的錯覺。
- 把封頂和死因一起印出來,只看中位數會漏掉模型卡在上限的情況。
- 模擬過了就找真人玩,模型調得再細也換不到這份資料。我這款還沒走到這一步。