小熊諾樂GO！香港版遊戲展示隨機化的實際效果。

Vibe Coding 之旅：
解決《小熊諾樂GO！香港版》的隨機化問題

由EntzYeung於2025年3月27日發布

新挑戰：可預測的隨機性

作為《小熊諾樂GO！香港版》的開發者，我已經和 AI 合作了大約三週，將這個以火車為主題的棋盤遊戲帶入生活。但是我發現了一個新問題：遊戲內的問題和事件的隨機化不如預期那樣隨機。遊戲有 440 條 trivia 問題，黃色車站，和與季節性有關的隨機事件等，這些全都需要依靠隨機去選擇出來，因為我希望每場遊戲都能讓玩家感覺到新鮮感。更重要的是，透過隨機問題，希望年輕的玩家能從遊戲認識到香港的特色。然而，現在玩家卻不斷只看到相同的問題 — 如 QIDs 1、100、233、301 — 出現得太頻繁。事件的隨機性也感覺不對，雖然因為選項較少而較不明顯。因此我寫下了這篇日誌，記錄了我如何與 AI 一起解決這個問題。

罪魁禍首：PRNG 和可預測模式

問題源自 Python 的 random 模組，這是一個本質上確定性的偽隨機數生成器 (PRNG)。如果沒有多樣化的種子，它會生成相似的序列。在我的遊戲中，我首先在啟動時和每個遊戲會話開始時各洗牌問題列表一次，但選擇仍使用 question_count % len(all_questions)。如果每個遊戲開始時 question_count 重置為 0，我就總是從洗牌後列表的開頭挑選。如果由於 PRNG 種子相似，洗牌在會話之間變化不大，all_questions 的早期元素 — 如索引 0、1、2 — 會保持大致相同。因此，玩家反复看到相同的問題（例如 IDs 1、100、233、301）。黃色車站的事件使用 random.choice() 挑選，也面臨同樣的問題。

第一個解決方法：雙重洗牌

我最初的修復方法很簡單：洗牌兩次。代碼如下：

all_questions = [(cat, q) for cat in questions for q in questions[cat]]
random.shuffle(all_questions)
custom_print(f"已將 all_questions 洗牌一次...")
        

在會話開始時：

random.shuffle(all_questions)
custom_print(f"為新遊戲會話洗牌 {len(all_questions)} 個問題")
        

我認為更多洗牌等於更多混亂，對吧？錯了。相同的問題還是頻繁出現。PRNG 種子默認與系統時鐘綁定，變化不足，而我的選擇方法將我鎖定在列表的前端。

第二個解決方法：用納秒播種

接下來，我使用 time.time_ns() 提升種子的精確度到納秒級：

random.seed(time.time_ns())
random.shuffle(all_questions)
custom_print(f"使用種子 {time.time_ns()} 洗牌 {len(all_questions)} 個問題")
        

這有些幫助 — 種子更獨特 — 但選擇仍依賴 question_count。列表前端的項目仍占主導地位，440 個問題的龐大，但洗牌幅度不足以打破模式。

突破：隨機索引挑選

我的 vibe coding 夥伴 Grok 3 出場了。它指出真正的缺陷：如果我總是按可預測的方式循環，為什麼要洗牌？於是我改用 random.randint() 來挑選問題：

question_idx = random.randint(0, len(all_questions) - 1)
category, question_data = all_questions[question_idx]
        

砰 — 現在每個問題每次都有 1/440 的機會被選中，無論列表順序如何。納秒種子保持 PRNG 在會話間的新鮮度，重複現象大致消失了，但仍有跡可尋。

人性化的轉折：自定義種子風格

Grok 建議使用完整的 time.time_ns()，但我想按自己的方式來。我設計了這個：

random.seed((time.time_ns() % 10**9) / 1000)
random.shuffle(all_questions)
custom_print(f"使用種子 {(time.time_ns() % 10**9) / 1000} 洗牌 {len(all_questions)} 個問題")
        

只取納秒時間戳的最後 9 位（例如 823074000）並除以 1000（得到 823074.0），因為我發現最後嗰個位的前六個位的數字變化最大。於是這樣就給了我一個有趣的浮點種子，仍然適用於 random.seed()。感覺很動態，測試中也保持了不可預測性。

修復事件

黃色車站的事件也需要調整。原本是：

event_list = seasonal_events[current_season]
event_tuple = random.choice(event_list)
        

我將其與問題的修復對齊：

event_idx = random.randint(0, len(event_list) - 1)
event_tuple = event_list[event_idx]
custom_print(f"為 {current_season} 季節選中事件索引：{event_idx}")
        

使用相同的自定義種子，遊戲內的事件，大致上都隨機出現了，沒有特別偏向某一個事件。

最終配方

解決方案由三個要素組成：自定義種子 ((time.time_ns() % 10**9) / 1000)、random.randint() 用於挑選，以及日誌確認其有效。沒有了可預計重複性 — 只有純粹的、充滿活力的隨機性。

Vibe Coding 的實踐

我在玩遊戲時發現了可預計的隨機性 — AI 無法「感覺」到這一點。我調整了洗牌和種子變化，然後 Grok 帶著 random.randint() 介入，解決了技術問題。我們一起解決了隨機化問題。

為何人類依然主宰

AI 很出色，但它不能在沒有我玩遊戲的情況下發現遊戲「感覺不對」。由於我的數據科學背景，我之前就遇到過隨機化問題，所以我知道PRNG的成因和下一步該往哪個方向走。我推動了願景方向，Grok 完善了它。我相信這就是 vibe coding 的魔力 — 人類的經驗和願景與 AI 的力量相遇。

總結

修復《小熊諾樂GO！》的創造是一個難忘的旅程。今次這個問題，從雙重洗牌到自定義種子與索引挑選系統，現在每次玩這個遊戲都帶來滿足感。如果你正在編碼某樣東西，相信你的直覺，與 AI 一起 vibe，然後發布它！🚂