脚本化回归测试的固有局限是：它只验证我们已知要测的部分。在《游戏AI实验室》近期的一组实验中，我们把探索环节交给一个学习型智能体——它不读测试用例，只在游戏里尽量走到没去过的地方。
方法上分三层：状态表征将画面帧与游戏状态向量（坐标、血量、任务标记）压成可比较的特征；内在奖励以状态新颖度为主，辅以少量人工标注的关键事件（进入战斗、触发对话）；探索结束后回放输入序列，对触发异常的一段做最小化，输出可复现的随机种子与操作序列。
阶段性结果：在一款含约 40 个房间的原型关卡上，智能体两小时内触达的状态簇数量约为脚本用例的 2.6 倍，并复现出 3 处偶发卡位（角色被场景几何夹住），此类问题此前未被脚本覆盖；异常复现所需的输入步数从人工定位的约 200 步压缩到 30 步以内。
• 进展：覆盖率引导的探索已能在原型关卡上稳定产出可复现崩溃，复现成本明显低于人工定位。
• 下一步：将最小化后的复现序列自动转为回归用例并接入每日构建；同步评估该方法在开放世界与多人同步场景下的稳定性，后者需先处理网络抖动带来的不确定性。
评论