Hi~ 我是 Eric！🚀
這篇文章想做一件我自己覺得非常有意思、而且很有代表性的事情：
把 AI 從聊天工具，直接拉進「遊戲戰術研究員」的角色裡。
這次我拿來做實驗的題目，不是寫程式、不是做摘要、不是生企劃，而是很多人第一眼可能會覺得「這也能交給 AI？」的主題：
我同時使用了兩個模型工具：
ChatGPT的Deep ResearchGemini的Deep Research
我給它們幾乎相同的研究任務，讓它們自己去做資料搜尋、整理規則、分析環境，最後各自交出一份完整報告。
如果你想先直接看原始完整報告，我也把兩份檔案放到 Google 雲端公開檢視了：
而這個任務的結構很明確：
- 每個 AI 要產出 4 支隊伍
- 分別是：
- 最強單打隊伍
- 最強雙打隊伍
- 克制最強單打隊伍的對策隊
- 克制最強雙打隊伍的隊伍
也就是說，這不是一般的「你幫我推薦一隊寶可夢」而已。
這更像是：
而結果比我預期得還有趣。
因為這不只是「誰列的隊伍比較強」而已，而是兩個 AI 在研究方法、風格、風險偏好、組隊哲學上的差異，全部都會攤在陽光下。
這篇文章想回答的，不只是「哪個 AI 比較強」
如果你只是想看一句結論，那這篇文章可能會讓你失望。
因為我最後得到的答案，並不是單純的：
- ChatGPT 比 Gemini 強
- 或 Gemini 比 ChatGPT 強
真正有價值的地方，其實在於下面這幾個問題：
Deep Research這個功能，到底適不適合拿來做遊戲 Meta 研究？- 為什麼《寶可夢》這種 IP，會特別適合給 AI 分析？
- 當題目是「新遊戲、規則變動、資料還在形成中」時，AI 會怎麼推理？
- 同樣都叫做 Deep Research，ChatGPT 與 Gemini 的研究風格到底差在哪裡？
- 一份 AI 生成的戰術報告，到底能不能直接拿去抄？還是只能當靈感來源？
如果你平常就有在用 AI 工具，尤其是你對下面這幾種情境有興趣：
- 想知道 Deep Research 跟一般聊天模式差在哪
- 想用 AI 研究遊戲、股票、產業、產品或競品
- 想比較不同模型在「多來源推理」上的風格
- 想知道 Prompt 要怎麼下，才能讓 AI 真的做出像樣的深度報告
那這篇我會盡量寫得完整一點，也寫得誠實一點。
因為這次的重點，不只是成果，而是整個研究過程本身。
什麼是我這次用的「Deep Research」？
先講一下脈絡。
所謂的 Deep Research，不是一般那種你問一句、AI 回一段話的聊天模式。
它比較像是：
- AI 先理解你的研究目標
- 自己決定要去查哪些資料
- 交叉比對不同來源
- 整理規則、建立論點
- 最後組合成一份相對完整的研究報告
換句話說，它不是單純在「生成答案」，而是在模擬一種更接近研究助理的工作流。
這件事的重要性在於：
而遊戲 Meta，剛好就是一種非常適合驗證這種能力的題型。
因為遊戲 Meta 不是死知識。
它是：
- 規則
- 資料
- 主流傾向
- 對策思維
- 環境互剋
這五種東西交織起來的動態系統。
如果一個 AI 真的有能力做研究，那它理應不只會告訴你：
「這隻寶可夢很強。」
而應該要能進一步說明：
- 為什麼它在現在的規則下很強
- 它強在什麼隊伍結構裡
- 這個結構怕什麼
- 對手又會怎麼反制
- 反制之後，最佳解會不會再往下一層演化
而《Pokémon Champions》恰好是一個非常好的測試場。
為什麼我選《Pokémon Champions》當 Deep Research 的測試題？
因為這個題目同時具備了三個很關鍵的特性：
- 它夠新
- 它有規則變動
- 它又不是完全從零開始
這三點很重要。
如果我拿一個已經研究到爛掉、幾乎有標準答案的老題目給 AI，它只是在把現成共識重新包裝而已，很難看出研究能力。
但《Pokémon Champions》不同。
它雖然繼承了寶可夢系列的核心戰鬥邏輯，卻又有一些明顯的新機制，例如：
66 SP的能力點數分配- 單項能力上限
32 - 全員
31 IV Mega Evolution回歸- 異常狀態機率與持續回合調整
也就是說，這是一個「熟悉的骨架 + 新的規則層」。
這種題目最能測出 AI 到底是在「背答案」，還是真的能夠做交叉比對與遷移推理。
因為它不能只複製主系列既有答案。
它必須做的是：
- 先抓到新遊戲規則
- 再映射回主系列的戰術概念
- 最後判斷哪些老邏輯還成立，哪些不成立
而這正好也是我最想測的能力。
為什麼「寶可夢」這個 IP，如此適合作為 AI 分析的對象？
這是我在做完這次實驗後，感受最強烈的一件事。
我甚至覺得，如果你真的想看 AI 在「多來源推理、規則理解、結構化分析」上的能力，寶可夢幾乎是教科書級的測試題材。
原因至少有三個。
1. 世界第一 IP 的數據紅利
作為全球價值最高、影響力最深的媒體 IP 之一，寶可夢在過去三十年間累積了極其龐大的數位資料資產。
這些資料不是只有角色設定而已，而是非常具體、非常可運算的內容，包括：
- 寶可夢圖鑑資料
- 種族值
- 屬性相剋
- 招式表
- 特性表
- 道具效果
- 歷代賽制規則
- VGC 與單打環境的戰術分析
- 玩家社群長年累積的攻略、隊伍文章與比賽討論
這代表什麼？
代表 AI 在訓練階段、或在推理階段透過搜尋可接觸到的資訊，遠比一般遊戲來得完整。
對 AI 來說，寶可夢不是一個「資料荒原」，而是一個極度肥沃的知識地層。
它天然就有非常厚的「戰術基底」。
這也是為什麼在我這次的測試中，無論是 ChatGPT 還是 Gemini，都能快速產出看起來像模像樣、而且彼此之間還有內在邏輯差異的報告。
不是因為它們在亂猜，而是因為寶可夢這個題目本來就有太多可供引用、轉譯與推理的素材。
2. 規則化的邏輯骨架
寶可夢對戰的本質，其實非常適合 AI。
因為它不是那種高度依賴模糊敘事、抽象審美或純感覺操作的題材。
它有一個非常清楚的底層特質：
所有關鍵元素幾乎都可以被形式化：
- 招式威力
- 命中率
- 優先度
- 天氣效果
- 場地效果
- 能力值變化
- 特性觸發條件
- 屬性剋制倍率
- 道具乘區
- 回合節奏
這類「規則明確、變數很多、但邊界清楚」的系統，本來就是 AI 很擅長處理的推理場景。
因為它不需要憑空創造世界觀，而是要在一個規則框架裡做最合理的推演。
這種題型，會讓 AI 的長處變得非常明顯：
- 它可以快速比對多個變數
- 可以同時思考多種隊伍組合
- 可以從大量資料裡萃取穩定的結構模式
- 可以把複雜資訊壓成結構化答案
也因此，當題目是「幫我找最強單打隊伍」、「幫我找最強雙打隊伍」、「再幫我找出克制這兩支隊的對策隊」時，AI 不會像在面對純創作題時那麼飄。
它有骨架可抓。
3. AI 的交叉比對能力，在這裡特別有價值
《Pokémon Champions》不是主系列正傳，但它的很多核心邏輯明顯是從歷代寶可夢對戰演化過來的。
這就形成一個很有趣的研究條件：
- 新遊戲有新規則
- 但新規則不是完全與歷史切斷
對 AI 來說，這等於是一個非常適合做「新舊資料交叉比對」的題目。
它可以做的事情包括：
- 把新遊戲的 SP 系統，映射到過去 EV 的思考方式
- 把《Champions》的對戰節奏，對照 VGC 或單打歷代的常見隊伍骨架
- 把目前可用的寶可夢名單，與歷代強勢角色的功能分類做比對
- 估算哪些隊伍思維能延續，哪些需要重寫
這也是為什麼在這次測試裡，我看到兩個模型都不約而同做了一件事：
它們沒有把《Pokémon Champions》當成完全陌生的新遊戲，而是把它視為一個「在寶可夢戰術體系上做規則偏移的新環境」。
這種做法其實非常合理。
而 AI 在這方面的優勢，正在於它很擅長把「新資料」與「舊結構」快速連起來。
我的實驗設計：讓兩個 AI 都交出 4 支隊伍
這次我給 Gemini 與 ChatGPT 的核心任務，大致可以濃縮成一句話：
換句話說，每個 AI 都要交出四份成果：
- 最強單打隊伍
- 最強雙打隊伍
- 克制最強單打隊伍的對策隊
- 克制最強雙打隊伍的隊伍
這個設計有一個我很喜歡的地方：
它不是只讓 AI 推一個答案。
它要求 AI 必須具備「第二層思考」：
- 不只要能提出最強者
- 還要能理解最強者的弱點
- 再進一步提出針對這個弱點的答案
這會逼迫 AI 做出比較像真正玩家的推理。
因為競技環境從來不是單點靜止的。
它是一個：
- 主流誕生
- 對策出現
- 對策被再反制
的循環。
如果一個 AI 只能講出「最強是什麼」，卻講不出「最強怕什麼」，那它離真正的 Meta 理解還差很遠。
我實際使用的 Prompt：不是問「哪隊最強」，而是要求 AI 交出整套作戰報告
我這次不是用很短的提問，例如：
- 「幫我推薦《Pokémon Champions》最強隊伍」
- 「現在單打最強寶可夢是什麼？」
- 「雙打上分隊伍怎麼組？」
這類 Prompt 的問題在於，它太容易讓 AI 回到「泛泛而談的推薦模式」。
它可能會列幾隻熱門寶可夢，講一些大家都知道的強勢原因，但不一定真的能產出一份能拿去實戰的成品。
所以我一開始就把任務框得非常明確。
我不是要 AI 跟我閒聊。
我是要它直接扮演研究員兼隊伍建構顧問。
以下就是我這次實際使用、並同時丟給 ChatGPT 與 Gemini 的核心 Prompt：
我目前正在遊玩《Pokémon Champions》，這是一款以單打（Single）與雙打（Double）為主的回合制對戰遊戲，重點在於 PVP 對戰與排名提升。
我的目標是提升排位並穩定連勝，因此需要你根據「目前可取得的最新對戰環境資訊（Meta）」幫我設計最強隊伍。
請依據以下要求，提供完整且可實戰的配置：
【任務目標】
1. 建立一隊「最強單打隊伍（Single Battle Team）」6 Pick 3
2. 建立一隊針對上面「最強單打隊伍（Single Battle Team）」的克制隊伍 6 Pick 3
3. 建立一隊「最強雙打隊伍（Double Battle Team）」6 Pick 4
4. 建立一隊針對上面「最強雙打隊伍（Double Battle Team）」的克制隊伍 6 Pick 4
【每一隻寶可夢需提供】
- 寶可夢名稱（中文為主）
- 屬性與定位（如：物攻手 / 特攻手 / 輔助 / 坦克 / 控場）
- 特性（Ability）
- 攜帶道具（Item）
- 性格（Nature）
- 努力值分配（EV spread），《Pokémon Champions》為 66 點分配
- 技能配置（Moveset，4 招）
- 戰術說明（該寶可夢在隊伍中的用途與操作方式）
【整隊需補充】
- 核心戰術（例如：天氣隊、空間隊、速攻隊、控場隊等）
- 對戰開場策略（Lead 建議），使用 Mermaid 圖表做成局勢判斷，應該派誰上場
- 優勢對局與劣勢對局分析
- 替換選項（如果部分寶可夢無法取得）
【重要限制】
- 以「目前 Pokémon Champions 已登場的寶可夢、機制與道具」為基準
- 優先考慮當前主流（Meta）與高勝率組合
- 避免過於理論化，需偏實戰可操作
- 若資料不足，可參考 Pokémon VGC 或 Smogon OU 作為推論基準
【輸出格式】
請用「清楚分段 + 表格 + 條列」方式呈現，讓我可以直接照著組隊使用。
這段 Prompt 真正重要的地方，不只是字很多。
而是它同時做了幾件很關鍵的事。
1. 先定義任務，不讓 AI 自己猜題
很多人用 AI 效果不好，並不是模型太弱。
而是你把題目丟得太模糊。
如果你只問「最強隊伍是什麼」，AI 很可能只會回你一個籠統答案。
但當你把任務拆成：
- 單打最強
- 單打對策
- 雙打最強
- 雙打對策
AI 就被迫從「推薦清單模式」進入「結構化推理模式」。
它不能只講一套，而是必須考慮整個環境的互相剋制關係。
2. 先定義輸出欄位，避免它只講概念不講配置
這也是我很在意的一點。
因為如果你沒有要求：
- 特性
- 道具
- 性格
- EV 分配
- 招式
- 戰術用途
AI 很容易只給你一種「方向正確但無法直接照抄」的答案。
而我這次的目標不是聽理論.
我是要拿來上分。
所以我會直接要求它把每一隻寶可夢當成一個完整配置單位來交付。
這也是為什麼最後生成出來的報告，會更像真正的隊伍建構文件，而不是普通聊天回覆。
3. 先給推論邊界，允許它參考 VGC 與 Smogon，但不能亂飛
《Pokémon Champions》本身是新遊戲。
所以我在 Prompt 裡刻意補了一條非常重要的限制：
這句話其實很關鍵。
因為它等於告訴 AI：
- 可以推論
- 但推論必須有根
- 根要來自既有對戰體系，而不是憑空幻想
這能大幅降低那種「看起來很聰明、實際上完全不符合 Meta」的回答。
4. 我要求 Mermaid，不只是為了好看，而是想逼 AI 畫出決策流程
這一點是很多人比較少用，但我自己覺得特別有用的地方。
我要求 AI 在開場策略裡加入 Mermaid 圖表，不是為了排版花俏。
而是因為：
當 AI 必須把「什麼對局該先發誰」畫成流程圖時，它就不能只停留在口頭描述。
它必須顯式表達：
- 如果遇到高速壓制怎麼辦
- 如果看到空間手怎麼辦
- 如果對方明顯帶天氣軸怎麼辦
這會逼它把原本隱性的判斷流程攤開來。
而一旦這些判斷被攤開，整份報告就會從「意見」更靠近「可驗證的戰術邏輯」。
5. 真正有效的 Prompt，不是越華麗越好，而是越能限制任務越好
這次做完之後，我最大的心得之一就是：
很多人以為 Prompt Engineering 是把句子寫得很玄、很像在下咒語。
但其實真正有用的 Prompt，往往只是做到幾件樸素但重要的事：
- 定義目標
- 定義範圍
- 定義輸出格式
- 定義判準
- 定義可以推論到哪裡、不能推論到哪裡
你給 AI 的框架越清楚，它越容易把算力花在推理上，而不是花在猜你的意思。
而這也是為什麼，同樣是 Deep Research，有些人拿到的是一份很普通的整理文，有些人拿到的卻是一份看起來真的像研究報告的東西。
差別很多時候，不在模型本身，而在你怎麼下題目。
系列下一篇
如果你想直接看兩個模型真正的差異，我在中篇會專門拆：
- ChatGPT 的報告為什麼更像戰術教練
- Gemini 的報告為什麼更像 Meta 情報分析師
- 兩份報告真正的差異，為什麼不在寶可夢名單，而在思考姿態