解析如何透過結果集架構實現高效、可擴展的老虎機遊戲開發流程
本文介紹結果集架構的設計理念與實作方式，說明如何透過模組化的 Component 架構將老虎機遊戲拆解為可重用的功能模組，包含遊戲狀態機、Spin 流程管理、Feature 觸發與結算機制，實現快速開發與高品質交付。
在老虎機遊戲開發中，結果集 是一種預生成種子記錄池（Pre-generated Seed Record Pool）架構。 它的核心理念是將遊戲的隨機結果預先計算並打包成可重播的記錄，用於特定場景下的結果分發， 同時保持與自然機率完全一致的數學期望值。
結果集 並非取代即時 RNG，而是在需要精確控制 RTP 分佈的場景下， 提供一個經過數學驗證的結果集合，確保每組結果的長期回報率嚴格收斂於目標值。
即時計算的做法是：每次 Spin 抽一次亂數，依權重表決定停輪位置，再現場跑一次完整的連線判定。 這個流程本身沒有問題，卻有三個難以迴避的限制。
換個角度說，預生成把老虎機的隨機性拆成兩層： 結果本身的隨機性在離線階段就已經由自然機率模型決定， 線上階段只剩「抽哪一筆」的隨機性。 數學模型的正確性因此可以在離線階段被完整驗證與封存，不再受線上程式碼變更影響。
結果集 採用多層級的樹狀結構設計，從上到下逐級篩選：
最頂層是一個以識別碼為索引的容器，管理多個結果集實例。 每個結果集代表一組特定的結果記錄，對應一個目標 RTP 區間。
分層的意義在於把「選哪一組」與「選哪一筆」拆開。 最上層決定的是數學特性（要多高的期望值、要什麼樣的波動形狀）， 最下層決定的則是具體畫面。這種切分讓 RTP 調整不需要碰到任何單局資料， 只要換一組索引即可，也讓同一批底層記錄能被多個不同 RTP 版本共用。
每個 結果集 包含以下核心屬性：
分組設計的目的是將高賠率與低賠率的記錄分開管理，透過組間的權重分配來微調整體 RTP。
這個設計解決了一個很實際的問題：如果整池記錄混在一起均勻抽取， 那麼這一池的 RTP 就是固定的，想改就得重新產生整池資料。 但只要按賠率把記錄分成兩組，調整組間權重就能在一定範圍內連續調節期望值： 高倍組權重上調，整體 RTP 隨之上升，而底層資料完全不必重跑。 這等於用一個一維參數，換來了一整段 RTP 的覆蓋範圍。
分組數量本身也是取捨。組數越多，可調節的粒度越細、對波動率的控制越精準， 但每一組都必須維持足夠的樣本量，否則組內抽樣本身就會失去代表性。 實務上兩到三組通常已經足以覆蓋常見需求。
最底層是一筆完整的 Spin 結果記錄， 包含轉輪停止位置、中獎組合、倍數等所有重播所需的資訊。 每筆記錄使用自定義的 TLV（Type-Length-Value） 二進位編碼格式壓縮儲存。
為了高效儲存大量的 Spin 結果記錄，結果集 採用緊湊的 TLV 二進位編碼格式：
[numerator u32][denominator u32][segment count u8][types u8×N][lengths u32×N][data...]
這個格式的設計重點在於：
為什麼不直接用通用序列化格式？主要是因為結果記錄的數量級。 當一款遊戲需要數百萬筆記錄、而同時上線的遊戲又有數十款時， 單筆多出幾十位元組的差異，累積起來就是可觀的體積差距， 並直接影響能否把整份資料常駐在記憶體中。
用賠率當作前置欄位，是這個格式最關鍵的一個決定。 篩選階段只需要知道倍數，若必須先把整筆記錄解出來才能判斷倍數， 等於為了一個數字付出整筆解碼的成本。把它放在固定偏移量的開頭， 篩選就退化成一次指標運算。用分子分母而非浮點數， 則是為了確保賠率比較與加總完全沒有精度誤差。 RTP 是要拿去做稽核的數字，不能容忍浮點累積誤差。
欄寬對照表則體現「按需分配位元組」的思路。 一款 5 軸、每軸權重序列長度不超過 255 的遊戲，停輪位置一個位元組就夠； 換成序列長度上千的遊戲則需要兩個位元組。若統一採用最大寬度， 大多數遊戲都要為用不到的空間付費。讓每款遊戲宣告自己的寬度表， 等於在不改動編碼框架的前提下取得接近最佳的壓縮率。
當然，這種設計也有代價：格式是自訂的，不能直接用通用工具檢視， 因此必須額外提供除錯用的可讀化輸出，並為格式本身建立版本欄位， 以免日後擴充段落型別時無法向後相容既有資料。
當系統需要從 結果集 提取一筆結果時，會經過以下多階段選取流程：
根據目標 RTP 值，定位到最接近的 RTP 錨點（Anchor）。 系統支援最多 3 個錨點，當目標 RTP 落在兩個錨點之間時， 使用線性插值（Linear Interpolation）進行機率性選擇：
P(選擇 AnchorA) = (AnchorB.RTP - targetRTP) / (AnchorB.RTP - AnchorA.RTP)
這確保了在兩個離散 RTP 檔位之間，能夠產生任意精度的目標 RTP。
這裡值得說明的是為什麼用「機率性選擇」而不是「混合結果」。 若試圖把兩個錨點的記錄依比例混在一起抽，得到的分佈形狀會是兩者的疊加， 波動特性可能落在兩者之外。改成每一局整體性地決定要用哪一組錨點， 期望值一樣是線性插值的結果，但每一局的結果都完整來自某個經過驗證的分佈， 數學性質因此更乾淨、也更容易對外說明。
在選定的錨點下，透過加權隨機從多個候選結果組中選取一個。 每一組帶有一個權重值，決定其被選中的機率。
在選定的結果組內，再透過權重在 2 個子分組之間選取。 分組的拆分通常依賠率範圍劃分，例如「低倍數結果組」與「高倍數結果組」。
在選定的分組內，以均勻分佈隨機抽取一筆結果記錄， 解碼後還原為遊戲的種子結構，供遊戲引擎重播。
最底層維持均勻抽取是有意的設計。所有的數學調節都已經在上面三層完成， 最後一層若再引入權重，會讓整體期望值的推導變得難以驗證。 保持均勻的另一個好處是：只要記錄池本身的統計特性被驗證過， 抽樣結果的分佈就必然等同於該池的分佈，不需要額外證明。
要讓四層選取都維持常數時間，索引設計是關鍵。 常見做法是為每一層預先建好累積權重陣列，抽樣時以二分搜尋定位， 使單層成本為對數級；而最底層由於是均勻抽取，直接以偏移量定址即可。 由於記錄採定長或段落長度前置的編碼，第 k 筆記錄的位置可以直接算出來， 不必逐筆掃描，這也是編碼格式與索引策略互相配合的具體例子。
從 結果集 取出的種子可以透過確定性重播（Deterministic Replay）還原完整的遊戲結果。 以轉輪式老虎機為例，一個整數種子透過混合基數分解（Mixed-Radix Decomposition） 拆解為每條 Reel 的停止位置：
reel[i].stop = seed % len(reel[i]); seed = seed / len(reel[i])
這個機制確保同一個種子值永遠產生相同的遊戲結果，方便進行結果驗證與審計。
混合基數分解的精妙之處，在於它建立了「整數」與「盤面」之間的雙射關係： 每一個合法的種子值恰好對應一個盤面，每一個盤面也恰好對應一個種子值，沒有重複也沒有遺漏。 這代表儲存一個整數，就等同於儲存了完整盤面， 同時也保證了「均勻抽取種子」等價於「均勻抽取盤面」，機率推導因此完全成立。
對稽核而言，確定性帶來三個具體價值：
需要注意的是，確定性只有在整條計算路徑都沒有隱含狀態時才成立。 任何依賴當前時間、未初始化記憶體、或雜湊表走訪順序的邏輯， 都會讓同一個種子產生不同結果。維持確定性因此是一項持續性的紀律， 而不是一次性的架構決定。
同一款遊戲往往需要提供數個 RTP 版本以符合不同市場的規範要求。 傳統做法是為每個版本各做一套權重表，代價是每一套都要重新跑完整的數學驗證， 而且版本之間的差異散落在多份設定裡，維護成本隨版本數線性上升。
結果集架構提供了另一條路徑：底層記錄只產生一次， 不同 RTP 版本只是同一批記錄上的不同索引與權重配置。 由於每一筆記錄的賠率已經在編碼時前置存放， 要組出一個目標 RTP 的版本，本質上是一個帶約束的權重配置問題： 在滿足期望值等於目標值的前提下，選擇一組讓波動特性最接近設計意圖的權重。
這樣做的直接好處是，各版本之間的遊戲手感保持一致。 因為所有版本抽的是同一批盤面，玩家看到的畫面組合、動畫節奏、特殊功能觸發樣態都相同， 差別只在各類結果出現的相對頻率。相較之下，重做權重表的做法很容易讓不同版本在體感上產生難以解釋的差異。
結果集 中的每一筆記錄都來自自然機率模型的真實 Spin 結果，經過萃取（Extract）→ 編碼（Encode）→ 儲存。 它不改變遊戲的數學模型，只是將「即時計算」轉換為「預計算查表」。 這意味著 結果集 的 RTP、波動率、Hit Rate 等指標都嚴格等同於原始自然機率模型。
這一點必須說得更精確一些：單一結果池的統計特性等同於原模型， 這是由生成過程保證的：記錄是從自然機率模型中依其原生分佈抽樣而來， 池夠大時，池內的賠率分佈就是原模型分佈的一個高保真樣本。
而當多個池以權重組合起來時，整體期望值是各池期望值的加權平均， 這是設計上刻意保留的調節維度。換句話說，結果集架構不是在「改變機率」， 而是在已驗證的分佈之間做選擇。每一個被抽出的盤面， 都是自然機率模型原本就會產生、且機率完全符合模型的結果。
要維持這個等價性，生成階段有兩個必須守住的紀律：
這兩點守住了，結果集才真正只是自然機率的一種儲存與分發形式， 而不是另一套獨立的數學模型。