超越提问：一条从行为读取玩家的个性化游戏生成流水线

个性化游戏生成需要从玩家的游玩方式推断其能力与行为风格。大语言模型使这种推断比以往任何时候都更可行：LLM可以读取原始游戏过程记录，产出一个流畅而貌似合理的玩家画像。然而，貌似合理并不等于经过验证，而验证恰恰是该领域所缺乏的：潜在特质不可观测；问卷提供的是带噪声的代理指标，而当用自我报告来验证基于行为的推断时会陷入循环；行为本身在没有上下文时有歧义——一个从不收集道具的玩家可能不想要它，也可能从未有过机会。我们同时解决这两个问题。首先，我们构建了一个特质即构造性真值的合成玩家种群：每个特质都是一个显式的机器人参数，只有在受控操纵产生一致的、特质特定的行为改变后才被接受。与先前反转已知决策模型的参数恢复工作不同，我们的基准评估的是仅凭行为记录的策略无关推断。其次，我们引入一个机会感知的决策时刻表示，把偏好与表达偏好的机会解耦；消融它会选择性地损害依赖机会的特质。在该基准上，少样本LLM推断在多数特质上优于嵌入与规则基线，但基于特征的监督回归器整体上仍更强。最后，我们闭合了回路：推断出的画像驱动难度自适应，对照真值参考与画像错配对照进行评估，并以一项探索性人类研究检验这些发现是否能迁移到真实玩家。