一、深度不等於複雜度
先區分兩個常被混用的詞：複雜度指的是規則的份量，玩家需要記多少東西才能開始玩；深度指的是在規則之上，策略還能被挖多深，也就是技術成長能持續多久。
兩者之間沒有必然關係。井字遊戲的規則一句話就能說完，所有可能的對局總數是 255,168 種，而且早已被完全解開：雙方都不犯錯，結果必然是和局。它既不複雜也沒有深度。圍棋的規則只有幾條，但依 John Tromp 等人 2016 年公開的計算，合法局面約為 2.08 × 10170 種；西洋棋的合法局面則約在 1044 的量級。平均每步的可選落點，圍棋約 250 個，西洋棋約 35 個。極少的規則，創造出幾乎無法窮盡的策略空間，這才是好深度的典型樣貌。
反過來，一個規則手冊厚達四十頁的遊戲，若每一步都有明顯的最佳選擇，那就只是「繁瑣」，不是「有深度」。
二、要素一：決策空間的廣度
決策空間不是「選項的數量」，而是有意義的選項數量。判斷一個選項是否有意義，有一個簡單的標準：它是否有可能在某種情境下，成為最佳選擇？若一個選項在任何情況下都比另一個差（策略上稱為被支配），它就不算進決策空間。
以麻將的出牌為例，手上 14 張牌看似有 14 個選擇，但真正拉開差距的，是每一個選擇要同時兼顧三個彼此衝突的目標：
- 效率：這張牌打出後，進張數會損失多少？
- 價值：留下這張牌，能否提高和牌的點數？
- 安全：這張牌打出去，被別家和牌的風險有多高？
三個目標很少指向同一個選擇，玩家必須在它們之間取捨，這種取捨才是廣度的來源。若其中一個目標總是壓倒另兩個（例如規則使得防守永遠不划算），決策空間就會被壓縮成一維。
三、要素二：反饋的清晰度
玩家要能學習，就需要從結果中判斷自己的決定是好是壞。遊戲設計師丹尼爾·庫克（Daniel Cook）提出過一個常被引用的「技能原子」概念，把學習拆成四步：行動、模擬、反饋、綜合。玩家採取行動，在腦中模擬預期，看到遊戲的反饋，再回頭修正自己的心智模型。這個迴圈越清晰，玩家進步越快；迴圈被切斷，玩家就只是在碰運氣。
反饋的清晰度有兩個維度：
- 及時性：行動之後多久能看到結果？棋類遊戲每一步都有即時的盤面變化，但「這步好不好」往往要幾十手之後才揭曉，這是延遲反饋的典型。
- 可歸因性：結果是否能歸因到自己的決策？這是隨機性很高的遊戲最大的挑戰。麻將中，一次放銃可能是判斷失誤，也可能只是運氣不好，單局的結果很難區分。
因此，隨機性高的遊戲，要靠長期統計來補足可歸因性：看長期的和牌率、放銃率、平均順位，而不是單局輸贏。這也是為什麼麻將複盤強調「記錄與數據」，並不是為了花俏，而是為了替玩家重建被運氣切斷的反饋迴圈。
四、要素三：互動的複雜性
前兩個要素都在談一個玩家和遊戲系統之間的關係。第三個要素談的是玩家和玩家之間的關係。
有些遊戲即使規則簡單，也能因為玩家之間的互動，不斷長出新的策略層次。最小的例子是猜拳：單看一局毫無深度，但在多輪對局中，「對手預期我出什麼」與「我該如何利用這個預期」就會形成層層疊疊的猜測與反猜測。這種互相剋制、沒有永遠最優解的結構，在博弈論中對應到「沒有純策略均衡、必須用混合策略」的情況（可參考本站的納什均衡實戰應用專欄）。
互動複雜性的來源，常見有三種：
- 隱藏資訊：玩家看不見彼此的手牌或計畫，必須推測與偽裝。
- 非傳遞的剋制關係：甲勝乙、乙勝丙、丙勝甲，沒有任何單一策略能永遠最優，使得環境（元遊戲）持續流動。
- 多人局的位置關係：三人以上時，「誰是你的對手」本身就是策略問題，漁翁得利、聯合牽制都會自然出現。
五、案例對照：四種遊戲的三要素
| 遊戲 | 決策空間廣度 | 反饋清晰度 | 互動複雜性 |
|---|---|---|---|
| 井字遊戲 | 低（已完全解開） | 高（即時、可歸因） | 低 |
| 猜拳（單局） | 低（三個選項且無優劣） | 高，但沒有可學的東西 | 中（多輪才顯現） |
| 麻將 | 高（效率、價值、安全互相取捨） | 低至中（運氣高，需要長期統計） | 高（隱藏資訊＋多人） |
| 圍棋 | 極高 | 中（即時盤面，但好壞要很久才揭曉） | 高（雙人，但局部戰鬥交互影響全局） |
本表為編輯依上述定義所做的定性評估，並非量化測量，目的是展示三個要素如何分別檢視，而不是替遊戲排名。
這張表有一個值得注意的地方：麻將的「反饋清晰度」偏低，卻仍然是極受歡迎、玩家持續研究的遊戲。這說明三個要素不需要同時達到最高，但至少需要其中一個足夠強，並且沒有任何一個崩潰。麻將靠高度的決策空間與互動，補償了低反饋。反過來，若一個遊戲三個要素都偏低，玩家幾局之後就會感到無聊。
六、設計檢查清單，以及怎麼粗略量測深度
設計或評估一個策略遊戲時，可以逐項問以下六個問題：
- 新手能否在一分鐘內看懂如何出第一步？（降低複雜度）
- 高手能否在同一局面中，找出新手看不到的更好選擇？（確認深度存在）
- 是否存在一個「永遠最優」的選項或策略？（若有，深度已坍縮）
- 隨機性是否會在多局之後，仍讓技術較好的人獲得優勢？（確認技術有回報）
- 玩家輸了之後，能否說出自己「哪裡做錯了」？（確認反饋可歸因）
- 當一種策略流行，是否會自然出現剋制它的策略？（確認互動層次）
至於怎麼粗略量測深度，常見的做法是用等級分（如 Elo）把玩家分層：等級分差距 200 時，較強的一方預期勝率約為 76%。若把「能穩定擊敗下一個層級的玩家」視為一個台階，遊戲能容納多少個台階，就是一種粗略的深度指標。這個指標有明顯的限制，例如它需要足夠大的玩家樣本，也無法區分隨機性與技術；但它提供了一個比「感覺很有深度」更可驗證的標準。
想進一步閱讀相關的認知科學與公平性討論，可延伸至站內的策略遊戲深度的認知科學解構、棋牌遊戲公平性設計，以及麻將玩家技術量化。