Kaggriculture 是什么，是否必须训练模型？
Kaggriculture 是农场经营 Agent 任务：程序读取农场、库存和市场状态，返回 farmer、hands 与 market 动作，在 30 天、720 回合中比较最终银行金币。可以先用可解释规则策略，不必先训练模型；项目重点是合法动作、预算、策略对照和可复查回放。
提交状态与项目范围
官方最终提交截止为 2026-09-30 23:59 UTC（北京时间 10-01 07:59）。10 月 1 日至约 10 月 15 日继续对局并收敛榜单，因此提交已结束与最终评估结束是两个节点；本页承接本地复现需求。
官方任务、Evaluation 与 Timeline · 核验 2026-10-01；这里的核验不覆盖最终榜单或所有 Rules。
比赛任务是什么？
在共享动态市场和有限资源下，Agent 需要决定种植、收获、雇工、买地与销售时机，并应对对手行为。项目以可解释规则策略为起点，研究长时序资源调度和策略稳定性，将单局最终金币、对战胜负和排行榜 skill rating 分开理解。
输入
- 每回合 observation：日期、时刻、双方农场、共享市场及城镇商店状态
- 当前玩家的种子、库存等私有状态，以及官方环境的动作约束与反馈
输出
- 以 main.py 为入口、返回合法 farmer/hands/market 动作的 Agent
- 固定环境版本的多 seed/seat 回放、金币与胜率统计报告
用一个例子理解项目
输入：农场有可收获小麦、有限现金，市场价格变化，比赛接近最后几个回合。
输出：Agent 选择收获与卖出动作，控制支出，并在结束前把可售库存转为银行金币。
这是策略示意：单次交易利润高不等于长期策略好，未出售库存也不会计入最终银行金额，需用完整回放比较。
评价指标与验证
最终银行金币 / 对战胜率；官方榜采用 skill rating
单局胜负比较 720 回合后的银行金币。Skill rating 根据胜、负或平局及对手评级变化，金币差额不直接决定评级变化。本地金币与有限对战结果不能换算为正式评级。
固定数据划分、评估器版本和资源条件，记录基线与对照结果，并解释错误样本。
技术路线
- 建模
固定环境与动作接口
锁定引擎版本，理解 observation 和动作 schema，实现合法性校验与失败恢复。
- 基线
规则 Agent 与预算保护
从固定生产路线、库存管理和卖出规则开始，先完成 720 回合的稳定回放。
- 实验
市场策略与路线对照
改变一项生产或交易策略，在固定对手池、多个 seed 和双方 seat 下比较金币、胜率与运行时。
- 复盘
回放分析与成果整理
检查非法动作、资源不足和末期未售库存，保留失败回放、统计报告与可复现 README。
适合专业与项目难度
顺序决策、策略路由和回放工程对应 AI、计算机与机器学习；资源调度可连接数学/运筹学，市场机制对应金融建模，控制背景可参与策略设计。农业主题本身不等于农学建模。
为什么评为进阶？
供稿标为中高：规则 Agent 可起步，但完整实验需要覆盖 720 回合的资源调度、市场变化、对手差异以及多 seed/seat 回放。
等级说明：需要专业建模方法、可靠验证或多个工程环节，并完成可解释的对照实验。
建议具备的基础
- Python 与可测试的程序设计
- 状态、合法动作和资源约束建模
- 重复实验与结果统计
可以从哪里开始
从固定生产路线、预算保护和卖出规则开始，先做多 seed/seat 回放，再考虑强化学习。
专业与难度由本站根据项目文档分析，面向基线复现与对照实验；具体门槛取决于承担的任务和项目深度。 这不是 Kaggle 官方评级。
可以形成的成果
- 可运行规则 Agent 与策略路由器
- 合法动作检查及异常恢复模块
- 多 seed/seat 回放评估器与策略对照报告
- 失败回放、可复现 README 与个人贡献说明
成果预览与验收方式
下面展示建议的成果结构，实际内容由本人运行、实验和整理后形成。
本项目重点验收：以 main.py 为入口、返回合法 farmer/hands/market 动作的 Agent；固定环境版本的多 seed/seat 回放、金币与胜率统计报告。
复现实验需要回答的问题
- 为什么排行榜 skill rating 不等于单局最终金币
- 如何避免策略只适配少量对手或固定座位
- 规则法、模仿学习和强化学习的工程取舍
留学、科研与求职如何使用？
留学申请
通过顺序决策项目说明问题拆解、可解释策略与实验设计能力，提供本人实际运行的回放和对照结果。
考研 / 科研
比较启发式、模仿学习或强化学习的收益与成本，控制引擎版本、对手池和座位等变量。
求职 / 作品集
展示 Agent 接口、策略模块、异常恢复和批量评估工程，用失败案例解释系统稳定性。
公开 Notebook、方案与讨论
以下入口来自项目文档中的公开资料，适合阅读和设计复现实验。
公开材料的运行环境、许可和作者结论请结合原页面复核。
- Shape the Shop Work the Pasture ↗
公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。
- Three-Day Shop Router ↗
公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。
- 官方环境平衡调整 ↗
公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。
- 官方 Daily Top Episodes 回放资料 ↗
公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。
- 评分路径依赖讨论 ↗
公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。
常见问题
Kaggriculture 项目适合什么专业？
适合 AI、计算机、机器学习、数学、数据科学和控制背景，也可从市场机制联系金融建模。农业经营是模拟主题，主要技术工作是顺序决策、策略设计与可靠评估。
Kaggriculture 可以形成什么项目成果？
可以形成可运行规则 Agent、合法动作与异常恢复模块、多 seed/seat 回放评估器、策略对照报告和可复现 README，并用本人失败回放解释策略边界。
没有强化学习经验可以开始吗？
可以。先用 Python 实现固定生产路线、预算保护和卖出规则，稳定跑完完整回合并建立对照，再决定是否加入模仿学习或强化学习。
比赛结束后，怎样评价自己的 Agent？
固定官方环境版本和对手池，在多个随机种子与双方座位下运行回放，分别记录最终金币、胜负、非法动作与运行时。公开榜分数和其他作者成绩不能当作自己的项目结果。
把运行过程记录下来
按自己的运行记录整理数据版本、环境、基线、一次对照与失败案例。引用公开代码时注明作者、仓库、版本与许可，并把本人改动单独列出。
公开来源与个人贡献边界
文档记录的历史状态用于项目规划，非实时赛事信息。数据、代码、模型许可及单场 Rules 以官方最新页面为准。本人贡献需有运行、对照实验与错误分析记录，公开方案和他人成绩保留原作者归属；用复现来源卡与对照表整理来源与本人改动。
Kaggle 官方竞赛与任务说明 ↗ · 赛题、数据、评估与状态以官方页面为准。
单场比赛 Rules ↗ · 复用数据、代码与模型前检查许可和适用规则。
规划适合你的项目深度
结合目标、专业、已有基础和时间，确定基线、对照实验与成果表达的范围。