Мета-прогрессия в рогалике: как сбалансировать прокачку между забегами

Мета-прогрессия в рогалике - это прокачка, которая переживает смерть персонажа: валюта, апгрейды и открытия, накопленные между забегами. Она держит игрока после десятого проигрыша, но легко ломает баланс: если мета растёт быстрее навыка, к 50-му забегу игра проходит себя сама. Проверить это можно до плейтеста, симуляцией на 60 строк Python, которую пишет ИИ-агент.

Я делаю DnD-бота с ИИ-мастером, по сути текстовую RPG, и на нём уже наступал на грабли прогрессии: опыт копился, а уровень не рос, бой против "среднего" противника оказывался вдвое смертельнее смертельного. Поэтому ниже не пересказ чужих разборов, а один сквозной пример - условный рогалик на 10 этажей с боссом в конце, - три схемы прокачки и цифры, которые выдала симуляция.

Что такое мета-прогрессия в рогаликах?

Мета-прогрессия - это система постоянных улучшений, которые сохраняются после смерти и между забегами в roguelite-играх. Игрок приносит из забега валюту (золото, Darkness, клетки) и тратит её на апгрейды: здоровье, урон, новое оружие, новые классы. В отличие от прокачки внутри забега, она не обнуляется и копится весь срок жизни игры.

Классический рогалик мету почти не знает: умер - начинаешь с нуля, растёт только твой навык. Roguelite добавил вторую ось - силу персонажа, которая растёт даже у того, кто играет плохо. Вот как это устроено у известных игр (и у моего бота, для честности):

Видно общее: никто не даёт мете расти бесплатно. Либо дорожает каждая следующая покупка, либо рядом стоит рычаг сложности, который съедает прирост силы и платит за это повышенной наградой.

Мета-прогрессия или навык: что должно расти быстрее?

Навык должен расти быстрее меты, а мета - дотягивать того, кто застрял. Если наоборот, игрок перестаёт учиться: он не проходит босса, а дожидается, пока апгрейды пройдут его за него. Здоровый ориентир - первую победу игрок добывает в основном руками, а мета закрывает остаток разрыва.

В сквозном примере у меня две силы. Навык игрока растёт по кривой обучения: новичок играет на 0,4, опытный приближается к 1,0. Мета добавляет к этому числу фиксированный шаг за каждую покупку. Сложность этажей растёт линейно от 0,545 на первом до 0,95 на десятом. Шанс пройти этаж - логистическая кривая от разницы между силой и сложностью.

Самая частая ошибка - линейная мета на линейной сложности. Каждый забег приносит валюты больше прошлого (ты проходишь дальше), апгрейды почти не дорожают, и в какой-то момент сила персонажа просто перерастает сложность. Ровно это и показала симуляция ниже.

Как сбалансировать прокачку между забегами, чтобы игра не стала лёгкой?

Сбалансировать прокачку значит ограничить вклад меты в силу персонажа: поднимать цену каждого следующего апгрейда, ставить потолок на число покупок и давать рычаг сложности с повышенной наградой. Проверочное число простое - сколько процентов силы на момент первой победы дала мета. Выше примерно 20% - игру проходит прокачка, а не игрок.

Рабочие приёмы, которые я бы взял в свой рогалик:

1. Растущая цена. Каждая покупка дороже прошлой на 20-30%, как в Rogue Legacy 2, где апгрейд брони поднимает цену и здоровья, и атаки.
2. Потолок. 10-15 уровней на апгрейд силы. Дальше - только открытия "вширь": новое оружие, классы, режимы. Они добавляют разнообразия, но не силы.
3. Рычаг сложности с наградой. Как Boss Stem Cells в Dead Cells: усложнил - получил x2 или x3 валюты. Опытный игрок сам снимает лишнюю силу.
4. Сгорающая валюта. Харон в Rogue Legacy 2 забирает всё непотраченное: копить на "один большой апгрейд потом" не выходит, выбор делаешь каждый забег.

Все четыре приёма - это числа. А раз числа, их можно прогнать до того, как в игру сядет живой человек.

Как проверить кривую прогрессии симуляцией до плейтеста?

Проверить кривую прогрессии - значит прогнать тысячи виртуальных игроков через модель игры и посмотреть на три числа: на каком забеге в среднем первая победа, какой процент побед у опытного игрока и какую долю силы на первой победе дала мета. Модель на Python пишется за вечер, прогон 2000 игроков по 60 забегов занимает меньше секунды.

Скрипт написал ИИ-агент по моему описанию сквозного примера. Вот он целиком, Python 3.10, без зависимостей:

import math, random, statistics
 
FLOORS = 10          # этажей в забеге, на 10-м босс
RUNS = 60            # забегов на одного игрока
PLAYERS = 2000       # виртуальных игроков
 
def skill(n):        # кривая обучения: новичок 0.4, опытный ~1.0
    return 1.0 - 0.6 * math.exp(-n / 15)
 
def survive(power, floor):   # шанс пройти этаж
    difficulty = 0.5 + 0.045 * floor
    return 1 / (1 + math.exp(-8 * (power - difficulty)))
 
def play(meta, n, rng):
    power = skill(n) + meta
    for f in range(1, FLOORS + 1):
        if rng.random() > survive(power, f):
            return f - 1
    return FLOORS
 
def simulate(step, growth, base=40, cap=None, seed=1):
    rng = random.Random(seed)
    first_wins, early, late, carried = [], [], [], []
    for _ in range(PLAYERS):
        gold, bought, meta, first = 0, 0, 0.0, None
        for n in range(RUNS):
            floors = play(meta, n, rng)
            win = floors == FLOORS
            if n < 10: early.append(win)
            if n >= 50: late.append(win)
            if win and first is None:
                first = n + 1
                carried.append(meta / (skill(n) + meta))  # доля меты в силе
            gold += floors * 10
            while (cap is None or bought < cap) and gold >= base * growth ** bought:
                gold -= base * growth ** bought
                bought += 1
                meta += step
        first_wins.append(first or RUNS + 1)
    return {
        "медиана 1-й победы": statistics.median(first_wins),
        "побед в забегах 1-10, %": round(100 * sum(early) / len(early), 1),
        "побед в забегах 51-60, %": round(100 * sum(late) / len(late), 1),
        "доля меты в силе на 1-й победе, %": round(100 * statistics.mean(carried or [0]), 1),
    }
 
for name, kw in [
    ("без меты", dict(step=0.0, growth=1.0)),
    ("щедрая: +0.03, цена x1.10", dict(step=0.03, growth=1.10)),
    ("сдержанная: +0.02, цена x1.30, кап 12", dict(step=0.02, growth=1.30, cap=12)),
]:
    print(name, simulate(**kw))

Вывод прогона (seed=1, 16.10.2026), свёл в таблицу:

Что тут видно. Без меты игра жестокая: половина виртуальных игроков ждёт первую победу до 38-го забега, а опытный выигрывает каждый восьмой раз. Живой человек вряд ли столько вытерпит. Щедрая мета вдвое ускоряет первую победу, но к 51-60-му забегу выигрываются 99,3% забегов, и пятая часть силы на первой победе - чистая прокачка. Игра решена, дальше играть незачем. Сдержанная схема даёт первую победу на 25-м забеге и оставляет опытному игроку 69,3% побед: вызов остался, гринд не нужен.

Мой вывод-граница: если на первой победе мета даёт больше ~20% силы, а опытный игрок выигрывает больше 90% забегов, прокачку пора резать. Цифры условные, модель грубая, но порядок расхождения между схемами - в разы, а не в проценты. Такое видно и на грубой модели.

Как я проверял баланс в DnD-боте до живых игроков

В моём DnD-боте с ИИ-мастером есть функция balance_encounter: перед каждым боем она считает, насколько опасен противник для персонажа, по таблицам опыта из DMG. Это та же логика, что и в симуляции выше: сначала число, потом бой.

Сломалось оно на конкретном случае. Тестер с персонажем 5-го уровня встретил четырёх лютоволков (CR 1, по 200 XP). Балансер насчитал скорректированный опыт 1600 и счёл бой просто "смертельным", потому что не учитывал штраф за маленькую группу. С поправкой на соло-игрока множитель вырастает до x2,5, и выходит 4 x 200 x 2,5 = 2000 XP при пороге "смертельно" для соло 5-го уровня в 1100. То есть почти вдвое смертельнее смертельного, почти гарантированный вайп.

Дальше вылезло веселее. Выбор сложности боя был взвешенным рандомом 20/50/25/5 (лёгкий/средний/тяжёлый/смертельный) и вызывался без аргументов. А нарратор-LLM в 2 боях из 3 вообще обходил балансер: сам дописывал в состояние боя врагов с HP 11 и AC 12, которых никто не считал. Канал, через который он это делал (combat_state_update), в итоге выпилили, и все бои пошли через init_combat → balance_encounter.

С прогрессией тоже было. На первом плейтесте у 5 из 7 тестеров опыт был выше порога уровня, а уровень не менялся: у одного персонажа 6700 XP при 1-м уровне, хотя по таблице положен 5-й и выше. Потом автоматический левелап убрали совсем: опыт копится, игрок жмёт повышение сам. Проверка 17.06.2026: фикстура на 1-м уровне с 300 XP, после хода level=1 и pending_level_up=true.

Мораль для рогалика: формула баланса - это код, и баги в нём такие же, как в любом другом коде. Симуляция ловит их до того, как живой тестер упрётся в стену из четырёх волков.

Пошагово: как проверить баланс мета-прогрессии с ИИ-агентом

Проверить баланс с ИИ-агентом - значит описать ему модель игры словами, получить скрипт Монте-Карло, прогнать его на нескольких схемах прокачки и сравнить три метрики. Агент пишет код, решения о том, какая кривая правильная, остаются за тобой. Весь цикл занимает вечер, если модель игры уже есть в голове.

1. Опиши сквозной пример числами: сколько этажей, как растёт сложность, сколько валюты даёт этаж.
2. Задай кривую навыка игрока. Если данных нет, бери экспоненту обучения, как в скрипте выше, и честно помечай, что это допущение.
3. Опиши 2-3 схемы меты: шаг силы, рост цены, потолок.
4. Попроси агента посчитать три метрики: медиану первой победы, процент побед опытного игрока, долю меты в силе на первой победе.
5. Прогони, поменяй один параметр, прогони снова. Фиксируй seed, иначе будешь сравнивать шум.
6. Выбери схему и только потом зови живых тестеров: они проверят то, что модель не умеет, - интересно ли вообще играть.

Промпт, с которого я бы начал:

Напиши на Python без зависимостей Монте-Карло симуляцию рогалика.
Забег: [N] этажей, сложность этажа растёт [как]. Шанс пройти этаж -
логистическая функция от (сила игрока - сложность этажа).
Сила игрока = навык (растёт с номером забега по кривой обучения) + мета.
Валюта за забег: [X] за каждый пройденный этаж.
Схемы меты для сравнения: [шаг силы, рост цены, потолок] x 3.
Прогони 2000 игроков по 60 забегов, seed фиксированный.
Выведи для каждой схемы: медиану первой победы, % побед в забегах 1-10
и 51-60, среднюю долю меты в силе на момент первой победы.

Про выбор движка и скоупа под такой рогалик я писал отдельно - как начать делать игры в одиночку и ужать скоуп в месяц. А о том, что агент реально собирает за выходные, включая рогалик с процедурными подземельями, - в разборе создания игр с Claude Code.

Где симуляция баланса врёт и когда она не нужна

Симуляция баланса меряет только числа: вероятность победы, темп прокачки, долю меты. Она не скажет, весело ли игроку, не заметит скучный билд и переоценит игрока, который "учится" по формуле. Поэтому она годится, чтобы отсечь заведомо сломанные схемы, но не заменяет плейтест с живыми людьми.

Есть и обнадёживающие данные. В исследовании Чан Сяо и Бренды Янг (arXiv, октябрь 2024) GPT-4 с пошаговым рассуждением играл боссов Slay the Spire, и его результаты коррелировали со сложностью для людей на 0,871 в первом акте и 0,710 во втором (arXiv:2410.02829). Играет модель хуже человека, но где тяжело ей, там тяжело и людям. То есть LLM-агента можно сажать не только писать симуляцию, но и играть в прототип вместо первого тестера. Если формулы громоздкие, есть визуальный вариант - Machinations, браузерный редактор игровых экономик с Монте-Карло прогонами, его в 2018 году основал исследователь Йорис Дорманс (обзор Zeroqode).

Когда симуляция не нужна:

• Меты нет или она только "вширь". Если между забегами открываются новые карты и классы, но не растут характеристики, считать долю меты в силе нечего.
• Забегов мало. Если игра рассчитана на 5-10 попыток до финала, проще и честнее посадить трёх друзей, чем строить модель.
• Сложность меняет сам игрок. Если есть рычаг вроде Heat в Hades или Boss Stem Cells в Dead Cells, перекос меты частично лечится игроком, и ошибка в формуле стоит дешевле.

Моя граница: если в игре больше 20 забегов до первой победы и мета даёт прямую силу, симуляция окупается за вечер. Меньше - садись играть сам.