一个数字能说明多少事

很长一段时间里，体育游戏处理球迷的方式都很直接：一个满意度条，赢球涨一点，输球掉一点，连败到某个阈值就触发“球迷不满”的新闻。这种做法的好处是清楚，玩家一眼就知道现在的处境；问题是它把成千上万名球迷压缩成了一个人。

回到开头那场0比3。统一满意度只能告诉玩家“球迷不高兴”，却无法回答更具体的问题：谁不高兴？为什么不高兴？这种不高兴会持续多久？会不会有人因此不再来看球？当玩家想根据球迷反应调整决策时，一个数字提供的信息几乎为零。

行业正在做的事：先把球迷分开

近几年可以观察到一个明显的方向：体育管理类游戏开始把球迷拆成不同类型。以足球经理类游戏为例，已经有作品为每家俱乐部设置了一组支持者画像，包括死忠型、核心型、家庭型、随战绩起伏的观望型、商业型和休闲型等，每家俱乐部的构成比例各不相同。

这种设计带来的直接变化是，同样的战绩在不同俱乐部会得到不同的反应。一支在保级线挣扎的小球队，观望型球迷比例通常较低，整体对慢节奏的进步更宽容；一支争冠球队的球迷构成则完全不同，期待也高得多。一些作品还会在比赛前同时展示管理层和球迷各自的期待，两者并不总是一致，比如球迷希望更积极的战术，而管理层更在意结果。

这一步的意义在于，设计者开始承认“球迷”不是一个整体。它为后面更复杂的模拟打下了基础。

下一步：情绪要有时间维度

把球迷分成群体之后，自然会出现下一个问题：情绪如何随时间变化？

一场德比失利，对死忠球迷的影响可能持续整个赛季，而对休闲型球迷来说，下周赢一场就翻篇了。一名效力八年的队长离队，老球迷可能好几年都会在讨论里提起他；新球迷则几乎没有感觉。这些差异很难用一个“当前满意度”来表达，需要系统记住发生过什么，以及每个群体对这件事有多在意。

从更大的范围看，游戏行业里关于角色“长期记忆”的讨论也在增加。一些团队在尝试让非玩家角色记住过去的互动，并据此调整之后的反应，而不再只依赖固定的对话树。放到球迷系统里，这个思路意味着球迷群体不只是对最近一场比赛做出反应，而是对一段历史做出反应。

九游体育的做法：群体、记忆、社区三层

九游体育的AI球迷模拟把这件事拆成三层来处理。

第一层是群体。每支球队的球迷由若干群体组成，比如本地老球迷、看台上的年轻组织、家庭观赛者、因为某位明星球员而关注球队的新球迷。每个群体有自己关心的东西：老球迷在意德比和传统，年轻组织在意战术风格，新球迷在意他们喜欢的那名球员有没有出场。

第二层是记忆。九游体育会为每个群体保留一份事件记忆，记录让他们印象深刻的比赛、转会和言论。记忆有强度，也会随时间减弱，但不同群体减弱的速度不同。关于球迷应该记多久，可以参考明星球员离队以后球迷应该记多久。

第三层是社区。当某个群体的情绪持续累积，并且有一个明确的触发点时，网络上的讨论会转化为社区事件，比如组织看台标语、联名发起讨论、减少到场人数。这不是某个数值到了阈值就自动触发，而是要满足情绪强度、群体规模和具体事件三个条件。

同一场0比3，在九游体育里会怎样

还是那场主场0比3输给升班马。在九游体育里，赛后几分钟内，球迷社区会出现几种不同的声音：

  • 本地老球迷群体情绪明显下滑，因为这已经是本赛季第三次主场输给排名靠后的球队，他们的记忆里有前两次；
  • 年轻组织群体的讨论集中在主教练的三后卫体系上，他们一直不认可这套打法；
  • 家庭观赛者的情绪变化不大，但下一场的购票意愿略有下降；
  • 因新援而关注球队的新球迷，更多在问“为什么他又没首发”。

玩家看到的不是一个掉了8点的数字，而是四个群体各自在想什么。这样才能做出有针对性的决定：是向老球迷解释近期计划，还是给新援更多出场时间。

这个方向面临的难题

把球迷拆成群体、加上记忆，也会带来新的设计难题。群体太多，玩家会被信息淹没；记忆太长，球迷会显得过于记仇；社区事件太频繁，又会让玩家觉得处处被掣肘。

九游体育目前的做法是控制每支球队的主要群体数量，让球迷社区首页只显示情绪变化最大的两到三个群体，其余放在详情页里。记忆的衰减速度也按群体区分，而不是一刀切。至于社区事件，设计原则是宁可少而有分量，也不要多而无意义。这些取舍仍在调整之中，更多讨论可以在球迷社区栏目中查看。

从满意度到关系

从整个行业的变化来看，球迷系统正在从“玩家要管理的一个指标”，变成“玩家需要长期相处的一群人”。统一满意度适合告诉玩家结果，群体情绪和社区关系则能告诉玩家原因。对九游体育来说，AI球迷模拟的目标不是让玩家讨好每一个人，而是让玩家看清楚：每一个决定，都会在不同的人群里留下不同的记忆。