Vic3-Agent 是一个游戏接入式 Agent 系统，目标是把游戏内 AI 从脚本规则升级为可检索、可记忆、可规划、可评测的决策体。系统以玩家攻略语料与官方 Wiki 构建 GraphRAG 静态攻略层，用时序图谱记忆压缩长期上下文，并以基于 DOT 的端云协调多智能体规划降低推理成本，同时保留复杂任务拆解与校验能力。
DOT 位于 Agent 的规划阶段：感知层提供状态、规则和记忆，规划层把目标拆成可调度任务，执行层调用模型/工具，记忆层沉淀 episode。当前项目采用 Plan-and-Solve 外框 + DAG/DoT 子任务图，子任务内部未来可以接入 ReAct 式工具循环。
这里展示与上方三个样例对应的数据切面：状态快照、运行 Trace、评分依据。交互图讲流程，这里给字段和判分口径。
三组样例与上方三张演示图一一对应，分别覆盖端到端主循环、DotPlanner 内循环调度、Router 模型分配。每组样例都固定输入、预期 Trace 和评分条件，保证演示与测试口径一致。
目标：验证 BenchmarkHarness 外层主循环是否能在固定游戏快照上生成合法 ActionPlan，并完成 RAG/Memory/DOT/Verify/Write 的闭环。
| 输入 | states/qing_1836_deficit.json |
|---|---|
| 预期 | reduce_construction、build_tools_workshop、build_coal_mine |
| 禁止 | raise_tax |
| 通过条件 | forbidden_used=false，expected_actions 全命中，episode_trace 写回 |
目标：验证 DotPlanner 能把总问题拆成 TaskNode，生成 DAG，按依赖调度并在尾节点合成结果。
| 输入 | goal + context_bundle + dependency_pattern |
|---|---|
| 形态 | 汇合 D→A/B→C；链式 A→B→C→D |
| 预期 | ready/running/done 状态按 DAG 推进，A/B 在汇合图中并行 |
| 通过条件 | 无环、无孤儿节点、依赖未满足节点不得执行、synthesize 只在全部完成后触发 |
目标：验证同一张任务 DAG 在 heuristic、all_slm、all_llm 三种策略下都能形成可审计的模型分配 Trace。
| 输入 | TaskNode[] + pred_answers + route_strategy |
|---|---|
| 策略 | heuristic / all_slm / all_llm |
| 预期 | messages[0].meta.route 写入 SLM 或 LLM，CompositeModelClient 正确分发 |
| 通过条件 | route enum 合法，fallback 可记录，SLM/LLM 比例与策略一致 |
形象化演示页负责展示数据怎样流动；源码结构页负责说明组件边界、核心文件、输入输出和上下游关系。