论文提出用预训练语言模型解析游戏文本、构建世界模型，再用策略梯度把状态价值转成策略；§5.1 把 agent 拆成文本解析、动作生成、反馈调整三个模块。但 6 页正文没有实验表或实验图，没有数据集名、基线名、实验数值、方差或算力配置；效果陈述主要分散在摘要与 §3.2、§4.3、§5.1–§5.3、§7，均为定性句。
论文的框架是三段式：预训练语言模型解析游戏文本，世界模型预测状态转移，策略梯度直接优化策略。§5.1 再把 agent 拆成文本解析、动作生成、反馈调整三个模块，并列出 experience replay、prioritized sampling、正则化等训练技巧。
推断这些组件都是现成技术的组合；论文没有提出新算法，也没有给出网络结构、目标函数、伪代码、超参或可执行的训练流程/细节。读者能拿走的是“怎么拆模块”，不是“怎么实现”。
更关键的是效果部分：摘要与 §5.2/§5.3 声称优化的 agent 在 game completion ratio 和 win rate 上超过 regular/previous agents，§7 再次重复；但全文没有一张表、一张图、一个数据集名、一个基线名或一个实验数值。这些是主张，不是可核对的结果。
读完这节应该知道：为什么文本游戏对 agent 难，以及论文把难点归到哪里。
文本游戏只用自然语言交互：玩家输入文本命令，环境用文本描述场景与后果（§2.1）。这带来两个同时发生的问题。第一，状态空间由语言构成，任何细微的措辞变化都可能意味着新状态；论文在 §2.2 把它描述为 “high in dimensionality, high in level, and requiring high reasoning and decision making capability”。第二，agent 不只要解析当前句子，还要识别目标、记住线索、规划多步动作（§2.1）。
论文的判断是：这类任务同时考验语言理解与序贯决策，因此适合把深度学习（负责表示与解析）与强化学习（负责试错与策略优化）接起来（§1、§2.2）。第 03 节会看到，这个“接起来”在论文里是概念上的分工，不是一条可执行的训练管线。推断（依据：§3–§4 只罗列组件名词，未给配置取值与实现细节；详见第 04 节）
§2.1 说，文本游戏的行动自由度高、场景描述复杂；AI 在这里要做的不只是解析命令，还要在动态文本世界里推理并生成策略。§2.2 进一步说，RL 的试错与奖励机制可以在这种高维状态空间里学习行为模式。两句合起来就是论文的出发点：用一个 RL agent 同时承担解析与决策。
论文对前人的描述只有两类，且没有点名任何具体系统或论文。
第一类是规则或模板 agent。§2.3 说它们“fail to provide generalization and cannot cope with dynamic and complex circumstances”，面对大量游戏文本时不做全局推理，动作次优，也无法适应动态变化的状态空间。这段没有引用具体系统，也没有给出失败案例。
第二类是传统值函数方法。§4.1 在引入 policy gradient 时说，传统方法要建立并更新值函数，在高维状态或复杂任务下“would not converge or be costly in calculation”。论文据此选择直接参数化策略、用梯度上升最大化期望累计回报。这里同样没有给出对比实验或复杂度分析。
论文的判断：无法泛化、不能处理动态复杂场景、不做全局推理、动作次优（§2.3）。
论文未给：具体系统、失败案例、任何对比数字。
论文的判断：高维状态或复杂任务下不收敛，或计算代价高（§4.1）。
论文未给：复杂度分析、收敛条件、对比实验。
这是论文的全部方法。它给每个组件分配了职责，但没有给网络结构、公式或伪代码。
第一步，解析文本并建世界模型（§3.1）。论文用预训练语言模型解析游戏文本，提取隐式环境结构与事实，重建游戏世界状态。原文举例说这类模型“learned via the Transformer structure”擅长捕捉上下文依赖，用来识别目标、任务提示与可交互对象。世界模型再把潜在状态空间与动作后果连起来，预测状态转移。
第二步，用深度学习训练 agent（§3.2）。文本先被编码成状态表示，再送入一个用监督学习或生成模型训练的网络；论文提到用高质量训练集与多任务学习提升泛化。衡量训练效果的 end metrics 有三个：text parsing accuracy、coherency of policy execution、achievement of game objectives。论文没有报告其中任何一个的数值。
第三步，把状态价值转成策略（§3.3、§4.1–§4.2）。策略梯度直接参数化策略，用采样轨迹估计期望累计回报的梯度，再梯度上升更新参数；回报估计可以结合 Monte Carlo 或 temporal difference，advantage function 用来降方差。§4.3 补充了论文认为的优势：直接最大化策略，在高维动作空间里更容易发现好解，不需要高维状态空间的计算。
§4.1 写 policy gradient “maximise cumulative return in expectation without using value functions”。§4.2 又写 “Advantage functions are used to manage variance”。advantage 通常由值函数估计；论文没有解释这两句如何并存，也没有说明这里的 advantage 用什么估计。页面只并列，不替原文消解。
论文列了会用到哪些技术，但没有一项给出配置。读完这节应该知道：按这篇论文无法复现训练。
§3.2 说训练可以使用 supervised learning 或 generation models，并用 multi-task learning 提升跨场景适应；§4.2 说用 Monte Carlo 或 temporal difference 估计回报，用 advantage function 降方差；§5.1 又加入 experience replay、prioritized sampling 与 regularization。把这些词放在一起看，像一份组件清单；但没有一项给出具体做法。
| 组件 | 论文的说法 | 给出的取值 |
|---|---|---|
| 文本解析模型 | 预训练语言模型，举例 Transformer 结构（§3.1） | 未给模型名、规模、是否微调 |
| 训练信号 | supervised learning 或 generation models（§3.2） | 未给目标函数、数据量 |
| 策略优化 | policy gradient + gradient ascent（§4.1–§4.2） | 未给学习率、优化器、batch |
| 方差控制 | advantage function（§4.2） | 未给估计方式与折扣因子 |
| 经验复用 | experience replay + prioritized sampling（§5.1） | 未给容量、采样比例 |
| 正则化 | regularization（§5.1） | 未给类型、系数 |
| 评估指标 | parsing accuracy、policy coherency、game objectives（§3.2） | 未报告任何数值 |
算力同样空白：论文没有给 GPU 型号、卡数、训练时长、环境步数或数据规模。§5.1 说这些设计“greatly enhance agent performance in a large number of text-based game tasks”，但没有说明“large number”是多少，也没有列出任务。
下图按 §3–§5 的文字描述重绘。实线是论文明确写出的组件与方向；虚线是论文只提了名字、没有实现的环节。
这张图能成立，靠的是论文自己的文字：§3.1 把解析与世界模型接起来，§3.2 把状态表示接给策略学习，§4.1 用采样轨迹估计梯度，§5.1 把 agent 拆成含反馈调整的模块。图里没有画“具体模型长什么样”，因为论文也没有画。
读完这节应该知道：哪些句子是原文明确写的，哪些只是主张。这里不替论文补实验，也不把主张当结果。
效果陈述主要分散在摘要与 §3.2、§4.3、§5.1、§5.2、§5.3、§7，全部是定性句。摘要说增强后的 agent“works better in several text-based game experiments and significantly surpasses previous agents on game completion ratio and win rate”；§3.2 说训练指标带来“considerable improvement in text comprehension and decision making”；§4.3 说方法让 agent “better carry out missions at higher ratios”；§5.1 说这些设计“greatly enhance agent performance in a large number of text-based game tasks”；§5.2 说优化 agent 在 task completion 上更高效准确、在 win ratio 上“obviously surpass regular agents”；§5.3 说它在不同实验里拿到更好的 winning ratio 与 completion ratio；§7 再次说结果“has high completion ratios … and win ratios over existing agents to a large extent”。
这些句子没有伴随表、图、实验数值、方差、数据集名或基线名。§5.2 提到 “multiple rounds of game experiments”，但没有给轮数；§5.3 提到 “different experiments”，但没有给实验数量。全文也没有说明 completion ratio 与 win ratio 的分母、判定规则或统计方法。
| 原文主张 | 原文位置 | 原文同时给出的证据 |
|---|---|---|
| 在多个文本游戏实验中更好，completion ratio 与 win rate 超过以往 agent | 摘要（正文未编号） | 未给实验数量、游戏名、任何数值 |
| task completion 更高效、更准确，胜过 regular agents | §5.2 | 未给任务定义、完成率数值、方差 |
| win ratio 在多轮游戏实验中明显超过 regular agents | §5.2 | 未给轮数、游戏数、胜率数值 |
| 不同实验里拿到更好的 winning ratio 与 game completion ratio | §5.3 | 未给基线名、实验数量、数值 |
| 结果有“高 completion ratio 和 win ratio”，超过现有 agent | §7 | 未给任何表格或数值 |
页面能确认的只有一件事：这些句子确实存在。页面无法确认这些句子背后的实验，因为原文没有提供可核对的表、图或实验数值。推断（依据：全文 6 页没有实验表或实验图，也没有具名数据集与基线）按内容分布，这篇更像概念框架或 position paper，而不是报告新实验结果的论文。
论文自己承认的局限，加上页面核对到的证据缺口。
§7 自述了两个 open questions：training effectiveness，以及对新场景的 adaptability；并说在更真实的文本游戏场景中设计与优化 agent 仍是“a fundamental and hard problem that must be investigated more profoundly”。这是论文作者自己的边界，不是页面的评价。
页面的核对结果是：全文 6 页，没有实验表或实验图，没有数据集名、游戏环境名、基线名、实验数值、方差或显著性检验，没有 GPU 型号、卡数或训练时长，也没有代码仓库链接。参考文献 5 条。§5.2 的 various 与 multiple rounds、§5.3 的 different experiments 都没有给出具体数量；摘要的 several 与 §5.1 的 a large number 同样如此。
completion ratio 与 win ratio 只有定性句，没有实验数值、分母或判定规则。
“regular agents”“previous agents”“traditional agents”都没有定义，也没有点名具体系统。
没有模型名、网络结构、超参、数据规模、算力或代码；按正文无法复现。
因此这篇论文适合用来理解“一个文本游戏 agent 可以拆成哪些模块”，不适合用来判断“哪条路线更强”。需要可复现基线、效果排序、统计显著性检验或工程选型依据时，这篇不能作为证据；它没有提供这些。
论文对“策略梯度不用值函数”与“用 advantage function”的并列表述，也提醒读者：推断这里的术语是概念层面的，页面无法判断实现层面如何并存。