卍解實驗室點樣運作？一個 Hub、五個子網域

為什麼要重新整理 finalbankai.com？

答案很簡單：內容太雜。同一個網站入面有賽馬數據、交通工具、遊戲和 AI 小說，對讀者來說不知道這是什麼網站；對 Google 和 AI 搜尋引擎來說，也很難判斷這個網站的專業範疇。

所以我們把 finalbankai.com 重新定位為 Bankai Lab 卍解實驗室：一個香港 AI 數據與數位產品工坊。所有產品都是「實驗成果」，而主站就是實驗室的大門。

Hub-and-Spoke：一個主站，五個子站

每個產品都住在自己的子網域：

這樣做有兩個好處。第一，每個子站的主題非常純粹，搜尋引擎不會把「巴士到站」和「修仙小說」混在同一個語境入面。第二，每個產品可以用最適合自己的技術棧——遊戲用 Godot 匯出 Web 版、巴士工具做成 PWA、賽馬網站需要伺服器端渲染（SSR）。

Bankai 馬經：12 位專家 + Monte Carlo

Bankai 馬經不是一個「黑盒」。它由兩層組成：

第一層：Mixture of Experts 評分

我們設計了 12 位「專家」，每位只負責一個維度，獨立替每匹馬評分：

1. 速度（Speed）
2. 近績（Form）
3. 騎師（Jockey）
4. 市場（Market）
5. 路程（Distance）
6. 檔位（Draw）
7. 練馬師（Trainer）
8. 場地（Going）
9. 負磅（Weight）
10. 對手強弱（Field）
11. 血統（Pedigree）
12. 狀態（Fitness）

專家之間的權重會因應賽事條件調整，例如短途賽事中「檔位」專家的話語權會較大。

第二層：Monte Carlo 模擬

單一分數不能反映賽馬的隨機性。所以我們把每匹馬的綜合評分轉換成表現分佈，然後模擬同一場賽事數以萬計次，統計每匹馬跑第一、入三甲的次數，得出勝出及上名機率。

for i in range(N_SIMULATIONS):
    performance = {h: sample(h.score, h.variance) for h in field}
    result = rank(performance)
    tally(result)
win_prob = wins / N_SIMULATIONS

前端會以雷達圖顯示 12 個維度，讓用戶自己比較幾匹馬的強弱，而不是只看一個數字。

（所有分析僅供參考及娛樂用途，不構成投注建議。）

旅店大亨：Bankai Games 的遊戲系列

《旅店大亨 Hotel Tycoon》是 Bankai Games 出品的遊戲系列，以 Godot 開發。開發者本身在香港酒店業負責 IT 系統，遊戲中的訂房、房務和收入管理，很多都來自真實酒店營運的觀察。

• Vol.1《像素物語》（已上線）：像素風酒店經營模擬，打開 hotel.finalbankai.com 即可遊玩。
• Vol.2《客潮防衛戰》（開發中）：以酒店大堂為舞台的塔防遊戲——派禮賓、房務、行李員守住前台，應付一波又一波嘅客潮。

同一個酒店世界，用唔同玩法去體驗營運壓力，就係呢個系列嘅設計方向。

Bankai Stories：不是內容農場

我們用 AI 完成了三部五萬字以上的中文長篇小說。story 子站的目標不是大量發佈 AI 文章，而是把它當作產品實驗：研究讀者如何與 AI 故事互動，以及這些故事能否成為《旅店大亨》的世界觀素材。

讓 AI 搜尋引擎讀懂我們（GEO）

除了傳統 SEO，我們也為 ChatGPT、Gemini、Claude 這類生成式引擎做準備：

• 在根目錄部署 llms.txt，用 Markdown 說明品牌、產品清單與免責聲明。
• 主站使用 Organization、WebSite、FAQPage 結構化資料；子站分別使用 SoftwareApplication、VideoGame、Article。
• 文章採用「段首即答案」寫法——就像你現在讀的這篇，每段第一句就是結論。

下一步

• Bankai 馬經改為伺服器端渲染，讓搜尋引擎讀得到賽事數據。
• Bankai 巴士以 PWA 形式上線。
• Bankai DevLog 持續更新：下一篇會拆解如何串接香港賽馬數據建立 Monte Carlo 模型。