拒绝“千人一面”：画风建模系统联调与验证

本周的核心任务是完成画风建模系统的联调与验证。这一系统是我们项目的重要创新点：通过分析玩家多局绘画行为数据，调用大模型生成个性化的“画风档案”，并将其注入AI识别环节，让AI能够“认识”每位玩家的绘画风格，从而提升猜词准确率。

端到端测试

画风建模系统的工作流程分为特征聚合、档案生成和AI识别注入三个层次，链路已打通。

特征聚合（aggregate_features）

utils/style_profiler.py中的核心函数将多局原始行为数据聚合成稳定的画风指标。通过对同一玩家多局数据的求平均，平滑单局波动，提取长期习惯。

def aggregate_features(behaviors):
    """把多局原始 behavior 数据聚合成画风指标"""
    speed_avg = safe_avg('stroke_speed_avg')
    coverage = safe_avg('canvas_coverage')
    symmetry = safe_avg('symmetry_score')
    undo_rate = round(safe_avg('undo_count') + safe_avg('eraser_count'), 2)
    # ... 聚合多个维度的数据
    return {
        'rounds_analyzed': n,
        'avg_stroke_speed': speed_avg,
        'avg_canvas_coverage': coverage,
        'avg_symmetry': symmetry,
        'avg_undo_eraser': undo_rate,
        'avg_stroke_count': stroke_count,
        # ... 更多指标
    }

档案生成（generate_profile_text）

利用聚合后的特征，调用DeepSeek-V3.2生成自然语言描述的档案。温度设为0.4，保证输出的稳定性。

def _call_deepseek(features, nickname):
    """调用 DeepSeek-V3.2 生成自然语言档案"""
    prompt = _build_profile_prompt(features, nickname)
    resp = client.chat.completions.create(
        model='deepseek-chat',
        messages=[
            {'role': 'system', 'content': '你是一个细致的绘画行为分析师...'},
            {'role': 'user', 'content': prompt}
        ],
        temperature=0.4,
        max_tokens=400,
    )
    return resp.choices[0].message.content.strip()

生成的档案包含总体定位、关键识别特征和画法偏好推测。

AI识别注入（ai_recognizer.py）

在AI识别的Prompt中注入玩家的画风档案，指导AI结合玩家习惯进行识别。

def _build_prompt(difficulty, category, word_list=None, style_profile=''):
    prompt = "你是一个绘画猜词游戏中的AI选手..."
    
    if style_profile:
        prompt += (
            f"\n\n【该玩家的画风档案（基于历史绘画行为）】\n{style_profile}\n"
            "请结合该玩家的画风习惯进行识别，但最终判断仍以画面内容为准。"
        )
    return prompt

端到端测试记录

测试步骤	输入数据	预期输出	实际结果
1. 模拟3局绘画行为	3条drawing_behaviors记录	特征聚合成功	✅ 通过
2. 调用DeepSeek生成档案	聚合后的特征字典	100-180字自然语言描述	✅ 通过
3. 档案写入数据库	profile_text + features_json	player_style_profiles表新增记录	✅ 通过
4. AI识别时注入档案	玩家ID + 绘画图片	prompt中包含档案内容	✅ 通过
5. 无档案时的降级处理	错误user_id	使用模板拼接档案	✅ 通过

实际生成的档案示例：

张三的画风总体呈现「中速运笔、一气呵成（极少修改）、对称偏好」的特征。平均每局画18笔、用时45秒、画面覆盖率约45%。AI识别时可优先关注其惯用构图与笔触节奏，结合当前画面做联想。

3局触发机制验证

为确保数据充足且控制成本，画风档案设置了至少积累3局数据才首次生成的触发门槛。

触发条件设计

• 数据充足性：少于3局的行为数据波动太大，不足以反映稳定的画风特征。
• API成本控制：避免新用户频繁触发DeepSeek调用。
• 用户体验：确保首次看到档案时，系统已有一定的“了解”。

在config.py中配置了触发阈值：

STYLE_PROFILE_MIN_ROUNDS = 3   # 至少积累几局才首次生成档案
STYLE_PROFILE_BEHAVIOR_LIMIT = 10  # 取最近多少局数据做聚合

触发逻辑实现

每回合结束后，后台异步执行档案刷新任务，并检查局数是否达标。

def _refresh_style_profile_async(user_id, room_id):
    behaviors = models.get_user_behaviors(user_id, limit=10)
    
    if len(behavior_dicts) < min_rounds:
        print(f'[StyleProfiler] 玩家 {user_id} 仅 {len(behavior_dicts)} 局 '
              f'(<{min_rounds})，暂不生成档案')
        return
    
    # 生成并保存档案
    result = style_profiler.build_and_save_profile(...)

触发时机验证测试

测试场景	当前局数	是否应有档案	触发结果
新玩家第1局结束	1局	❌ 不生成	✅ 符合预期
新玩家第2局结束	2局	❌ 不生成	✅ 符合预期
新玩家第3局结束	3局	✅ 生成	✅ 符合预期
有档案玩家第4局结束	4局	✅ 更新	✅ 符合预期
有档案玩家第10局结束	10局	✅ 更新（取最近10局）	✅ 符合预期

日志输出验证了触发机制的准确性。

有无画风档案时AI准确率对比

为量化评估画风档案的效果，设计了对照实验，使用同一批测试图片，在有/无画风档案的情况下调用AI识别。

实验条件

• 测试集：20张标准绘画样本（涵盖object/action/concept三个分类）。
• 有档案组：使用积累了5局以上数据的玩家ID。
• 无档案组：使用新的测试用户ID（无历史档案）。
• 难度：统一设置为medium模式。

测试数据记录

绘画主题	真实答案	无档案-猜测结果	无档案-置信度	有档案-猜测结果	有档案-置信度
猫	猫	狗	0.72	猫	0.85
太阳	太阳	太阳	0.88	太阳	0.91
房子	房子	建筑	0.65	房子	0.82
苹果	苹果	樱桃	0.58	苹果	0.78
飞机	飞机	鸟	0.52	飞机	0.71

统计结果

指标	无画风档案	有画风档案	提升幅度
正确识别数	12/20	15/20	+3张
准确率	60.0%	75.0%	+15%
平均置信度	0.68	0.79	+16.2%
模糊答案数	5	2	-3次

结果分析

实验结果显示，画风档案对AI识别有明显的正向效果。

1. 准确率提升15%：画风档案帮助AI更好地理解特定玩家的绘画风格，减少误判。
2. 置信度提升16.2%：AI结合画风档案做判断时，对结果的确定性更高。
3. 模糊答案减少：有档案后，AI给出的答案更具体精准。

DeepSeek-V3.2调用稳定性测试

画风建模使用DeepSeek的文本模型（deepseek-chat），调用方式与OpenAI兼容。

稳定性测试方案

对DeepSeek-V3.2进行了连续调用和高并发场景测试。

连续调用50次

调用批次	成功次数	失败次数	成功率	平均响应时间
50次连续调用	49	1	98.0%	1.2秒

高并发场景（模拟4人房间）

并发数	总请求	成功	失败	成功率	P95响应时间
4	20次	20	0	100%	2.1秒

错误处理降级

当DeepSeek不可用时，系统会自动降级到模板拼接模式，确保功能可用。

def generate_profile_text(features, nickname='该玩家'):
    try:
        if provider == 'deepseek' and DEEPSEEK_API_KEY:
            return _call_deepseek(features, nickname)
        else:
            print(f'[StyleProfiler] DeepSeek 未配置，使用模板降级')
            return _template_fallback(features, nickname)
    except Exception as e:
        print(f'[StyleProfiler] LLM 调用失败: {e}')
        return _template_fallback(features, nickname)

API成本估算

指标	数值
每条档案Prompt长度	约500字符
每条档案生成长度	约150字符
单次Token消耗	约650 tokens
DeepSeek价格	约¥0.001/千tokens
单次调用成本	约¥0.00065
1000个活跃用户/月	约¥6.5

遇到的问题与解决

问题1：画风档案更新过于频繁

• 现象：每回合结束都会触发更新，API调用量较大。
• 解决方案：增加了STYLE_PROFILE_BEHAVIOR_LIMIT = 10配置，只取最近10局数据做聚合。后续可考虑加入“每N局更新一次”的节流机制。

问题2：跨房间数据隔离

• 现象：玩家在多个房间的画风数据是否应该合并。
• 解决方案：保持当前设计，画风是玩家的个人特征，跨房间合并是合理的。

问题3：首个档案生成延迟

• 现象：第3局结束后生成档案，可能导致第3局AI识别无档案可用。
• 解决方案：使用start_background_task异步执行，不阻塞主流程。档案是“给下一局用的”，时序合理。

下周计划

1. 画风档案可视化：设计前端展示页面，让用户能直观看到自己的画风特征。
2. 档案版本历史：利用数据库中保存的历史版本，展示玩家画风的演变趋势。
3. AI识别模块的最终优化：结合画风档案的测试结果，调整prompt策略。
4. 多模态AI的备用方案完善：确保智谱GLM-4V和通义千问VL的降级机制稳定可靠。

总结

本周完成了画风建模系统的联调与验证。通过端到端测试确认了完整链路可行；通过3局触发机制验证确认了系统能准确判断数据积累程度；通过有无档案的对比测试，证明了画风档案能提升AI识别准确率约15%；通过DeepSeek稳定性测试，确认了大模型调用可靠且成本可控。画风建模让AI不仅能“看懂”绘画内容，还能“认识”绘画的人，为后续的心理分析报告提供了数据基础。