鸿蒙文搜图·诗词选词搜图：从「举头望明月」到 8 关玩法，意象标签怎么配对才不尬

文搜图引擎的核心动作只有两个：给候选图排个序，然后让你挑一张。前者是机器的强项，后者是用户的负担——当查询词模糊时，排序再好，屏幕上依然是一排「看起来都像」的图，你得一张张瞪着排除。

「图探」把这个过程翻转成游戏：系统一次只给你一条文字线索，你得在 4~8 张嫌疑图里指认真凶。线索可以花钱（分）买，但每多一条 -25 分——它逼着你用最少的线索完成排除法，这恰恰是「模糊查询下用户如何看图」的真实模拟。

技术栈上延续了合集的一贯风格：零联网、零权限、零系统 Kit，12 张 rawfile 图卡 + 一套纯 ArkTS 出题引擎（种子随机、干扰项挑选、线索强度建模）。包名 com.example.imagedetective，模拟器一键运行。

一、效果展示

第 1 步：开始页。 「🔍 图探·文搜图侦探」+ 四条玩法规则 + 一个琥珀色「开始办案」按钮。整个应用三个页面：开始页、办案页、结案报告。

第 2 步：案件 1（简单）。 顶部标注「案件 1/6 · 简单」，线索区只有一条已揭示的弱线索「自然」，下面是 4 张嫌疑图（晨光茶歇、云天、草地与狗、雪山）：

线索「自然」同时命中云天和雪山的标签——这正是模糊查询的真实处境：召回率够，但区分度不够。此时有两个选择：赌一把直接点，或者花 25 分「揭示下一条线索」。

第 3 步：指认失误。 点了「云天」，反馈页红框圈出所选图，提示「指认失误」，并揭示真凶——0 分，进入下一案：

失误页的「揭示真凶」是关键设计：它不是惩罚，是复盘——你会立刻意识到自己漏看了什么，下一条线索该往哪个方向猜。

第 4 步：案件 3（进阶）。 难度升到进阶，嫌疑图从 4 张变成 6 张，线索变成「音乐」：

6 张图里只有「弹钢琴的手」带「音乐」标签——这次线索区分度很高，直接指认：

+150 分（进阶基础分 150，只用了 1 条线索没扣分）。

第 5 步：案件 5（困难）。 8 张嫌疑图，线索「蒸汽」：

8 张图里「热咖啡」和「晨光茶歇」都带热气相关标签——又是模糊线索。这次赌对了「热咖啡」：

+200 分（困难基础分 200，1 条线索满分）。

第 6 步：结案报告。 6 案结束，总分 500/900，1 星，逐案列出用线索数和得分：

hvigor 构建日志完整可见：Launching com.example.imagedetective → hdc install → aa start → 340 毫秒启动完成。

二、为什么是「侦探游戏」

文搜图产品的用户流程，本质上就是一场排除法推理：

1. 你敲一个词 → 引擎召回一批图
2. 你扫一眼 → 排除明显不对的
3. 拿不准 → 再加一个词（缩小范围）或换词（换个角度）
4. 直到屏幕上只剩目标

「图探」把这个过程原样搬进游戏：线索就是查询词，揭示线索就是加词，嫌疑图就是召回结果，排除标记就是肉眼过滤。玩家在游戏里学到的「少花钱多办事」的推理策略，正是文搜图高效查询的核心技巧。

三、出题引擎：三个关键设计

3.1 干扰项：优先挑「长得像」的

如果嫌疑图随机抽，可能 4 张图毫不相关，一眼排除。出题引擎刻意优先挑与目标图共享标签的图当干扰项：

for (let i = 1; i < pool.length; i++) {
  const c: CardItem = pool[i];
  const overlap: boolean = c.tags.some((t: string) => target.tags.indexOf(t) >= 0);
  if (overlap) {
    shared.push(c);    // 与目标有共同标签：优先当干扰
  } else {
    others.push(c);
  }
}
const distractors: CardItem[] = shuffledShared.slice(0, spec.suspectCount - 1);
if (distractors.length < spec.suspectCount - 1) {
  distractors.push(...shuffledOthers.slice(0, spec.suspectCount - 1 - distractors.length));
}

效果是：线索「自然」会同时命中云天和雪山，因为它们都有「自然」标签——召回结果天然带歧义，你得等下一条线索才能区分。这正是模糊查询的真实体验。

3.2 线索强度：标签按语义核心度排序

每张图卡的标签按「语义核心度」排序（越靠前越是图的主体），线索强度直接由标签位置决定：

function strengthOf(tagIndex: number): number {
  if (tagIndex <= 1) {
    return 3;   // 强：主体词，几乎明示
  }
  if (tagIndex <= 2) {
    return 2;   // 中：重要属性
  }
  return 1;     // 弱：外围/环境词
}

生成线索时按强度升序排列（先弱后强）：

clueTags.sort((a: Clue, b: Clue) => a.strength - b.strength);

这样第一条线索总是模糊的（「自然」「夜晚」「陪伴」），越往后越具体（「雪山」「钢琴」「冲浪」）——信息量的递进曲线模拟了用户逐步加词缩小范围的过程。

3.3 排除法：长按标记，不影响得分

长按嫌疑图可标记排除（半透明 + 红标），再长按恢复。排除不扣分也不加分——它是纯粹的认知辅助工具，不是游戏机制。这个设计很诚实：文搜图里你肉眼排除一张图也不会改变排序，只是帮自己理清思路。

四、计分模型：用分数逼你「少花钱」

4.1 单案计分：基础分 - 额外线索税

export function scoreOf(level: Level, cluesUsed: number): number {
  const spec: LevelSpec = LEVEL_SPECS.get(level) as LevelSpec;
  const extra: number = Math.max(0, cluesUsed - 1);
  return Math.max(20, spec.baseScore - extra * 25);
}

难度	基础分	用 1 条线索	用 2 条	用 3 条	用 4 条
简单	100	100	75	50	25
进阶	150	150	125	100	75
困难	200	200	175	150	125

第一条线索免费（是开局必给的），之后每条 -25。这个税率的含义是：信任你的直觉——如果你能凭一条模糊线索赌对，拿满分；如果要求稳买线索，就得接受分数缩水。下限 20 分防止负分打击信心。

4.2 整局结构：6 案难度递进

private levelSeq: Level[] = [
  Level.EASY, Level.EASY, Level.MID, Level.MID, Level.HARD, Level.HARD
];

满分 900（100×2 + 150×2 + 200×2）。难度递进的设计让心流曲线平滑：前两案建立信心（4 选 1），中间两案进入状态（6 选 1），最后两案上强度（8 选 1 + 5 条线索的长推理链）。

4.3 星级评价：按总分比例

if (ratio >= 0.9) { return 3; }
if (ratio >= 0.65) { return 2; }
if (ratio >= 0.4) { return 1; }

实测这局 500/900 ≈ 56%，1 星——因为前两案失误拿了 0 分。失误的代价是整案清零，比买线索狠得多，这个风险结构会逼着你在「赌」和「买线索」之间做真权衡。

五、核心实现：服务层单例

5.1 种子随机：每局不同，理论可复现

export class SeededRandom {
  private state: number;
  constructor(seed: number) { this.state = seed > 0 ? seed : 1; }
  next(): number {
    this.state = (this.state * 48271) % 2147483647;
    return this.state / 2147483647;
  }
  shuffle<T>(arr: T[]): T[] { /* Fisher-Yates */ }
}

开局种子取 (Date.now() * 7919) % 2147483647——每局不同。如果要做「复盘同一局」功能，把种子存进 Preferences 即可，类本身支持注入任意种子。

5.2 指认判定：排除图不可指认

accuse(card: CardItem): [boolean, number] {
  const hit: boolean = card.title === c.target.title && !this.excluded.has(card.title);
  const score: number = hit ? scoreOf(c.level, c.revealed) : 0;
  this.records.push(new CaseRecord(this.curIndex, hit, c.revealed, score));
  return [hit, score];
}

注意 !this.excluded.has(card.title)——已排除的图点了也不算，防止手滑。这是个贴心的边界处理：排除是你的推理结论，系统不该让你推翻自己。

5.3 线索揭示：计数即扣分

revealNextClue(): Clue | null {
  if (c.revealed >= c.clues.length) { return null; }
  c.revealed += 1;                  // 揭示数 +1，结算时自动扣 25
  return c.clues[c.revealed - 1];
}

revealed 字段直接参与 scoreOf 计算——没有单独的扣分动作，揭示即扣分，逻辑上不可能出现「看了线索但没扣分」的漏洞。

六、交互细节

6.1 线索流：已揭示线索按序排列

每条线索一个小芯片，带强度标签（弱=灰 / 中=琥珀 / 强=红）。已揭示的线索常驻屏幕顶部——推理是累积的，你不能忘了第一条线索说什么。这模拟了文搜图的查询词叠加：「自然」+「雪山」比单独一个词更精确。

6.2 排除标记：视觉降噪

排除的图透明度降到 40%，右上角显示红色「已排除」标。8 张嫌疑图扫一遍排除 3 张，剩下的 5 张才是你的真实决策空间——视觉上的降噪就是认知上的减负。

6.3 反馈页：揭示真凶 + 即时进入下一案

无论对错，反馈页都显示目标图和得分（命中 +N 分青绿 / 失误 0 分红），底部一个「进入下一案」按钮。节奏很快，不让你沉浸在单案成败里——侦探游戏的核心是推理密度，不是单案叙事。

6.4 暗色系侦探风

底 #0D1117 + 面板 #161B22 + 琥珀 #E8B44B（线索/按钮）+ 青绿 #3DDC97（命中）+ 红 #E5484D（失误/排除）。与合集其他项目保持一致的配色语言。

七、工程结构

image-detective/
├── entry/src/main/ets/
│   ├── common/
│   │   ├── DetectiveModels.ets   # 12 图卡 + 难度参数 + 出题引擎 + 计分 + 种子随机
│   │   └── DetectiveService.ets  # 单例：6 案流程 / 揭示线索 / 排除标记 / 指认 / 结算
│   ├── pages/
│   │   └── Index.ets             # 三页状态机 + 嫌疑图网格 + 线索流 + 反馈页 + 结案报告
│   └── entryability/
│       └── EntryAbility.ets
└── entry/src/main/resources/rawfile/cards/   # 12 张演示图卡

权限清单为空——纯端侧游戏。

八、验证

模拟器实测（Mate 60 Pro，API 26）：

步骤	结果
安装启动	340 毫秒（hvigor 全链路）
案件 1（简单）	线索「自然」，4 张嫌疑图，误指云天 → 0 分
案件 3（进阶）	线索「音乐」，6 张嫌疑图，指认弹钢琴的手 → +150 分
案件 5（困难）	线索「蒸汽」，8 张嫌疑图，指认热咖啡 → +200 分
结案	500/900 分，1 星，破案 3/6

得分与计分公式逐一核对无误（150 = 进阶基础分，200 = 困难基础分，均只用 1 条线索）。

九、总结与已知边界

「图探」证明了文搜图的核心体验可以零成本游戏化：不需要图像识别模型、不需要语义向量、不需要联网——一套标签数据 + 一个出题引擎，就能模拟「模糊查询 → 逐步加词 → 排除法定位」的完整流程。

需要如实说明的边界：

• 线索有噪声。 弱线索是从目标标签里随机抽的，可能抽到与图片视觉内容关联很弱的词（如目标「午间小憩」抽到「自然」，因为标签表里有这个词但图是室内场景）。修法是给标签加「视觉显著性」权重，弱线索只从低显著性标签里抽。
• 排除不影响得分，纯辅助。可以扩展成「排除错误扣分」，增加决策压力。
• 未做进度持久化，退出应用后成绩清零。
• 图卡固定 12 张，玩几局后会记住答案。生产版本需要接入相册或端侧语义模型动态出题。

最后一句话收尾：好的文搜图教学，不是教用户怎么写查询词，而是让用户在游戏里亲身体会「一个词不够，两个词太贵」的权衡——而这套体验，三百行 ArkTS 就够了。