image-reading

读图方法论（image-reading）

目标：像多模态模型一样"看"图并输出连贯描述，每个结论可追溯、可验证。 本 skill 由 experience / skill / principle / insight 四层知识构成（按 Gogomoe 知识框架分类，教训均来自对真实图片的实测复盘）。

操作流程（skill）

1. 全局定调（第一轮扫描）

用默认参数（size=40）全图扫描，读四个字段：

• hue families（最高优先级）：按纯色相分族的真实占比。暗调/低饱和场景的 真实颜色只在这里——colors by area 灰白占比高不代表画面灰白。
• structure：平行条带/对称性（解读见 insights）。
• texture：rough 高=写实照片；smooth 高=扁平或水面/天空/雾（见 insights）。
• regions：大结构的位置/大小/颜色。

2. 找主体（全局→局部，主动验证）

• 对颜色异常区、深色大块、相邻竖长色块、小色块密集区用 px_per_cell 定向放大 （值越小越细：8-12 看轮廓，4-6 看结构，2-3 看细节；区域不够小时工具会提示实际密度，缩小 focus/region 重试）。
• 放大后按形状解读：头+肩+躯干=人物；弧线+对称明暗=圆柱/球/装置； 竖直细长结构=石柱/塔/杆；交替细条=面板/栅格。
• 主体可能与背景低对比而"隐形"（见 insights 4）——怀疑处必须放大确认，不能因 regions 未单列就跳过。

3. 文字验证

• 疑似文字/标识/UI → image_ocr（region/focus 限定）。
• Windows 引擎读不出但怀疑有字 → engine="paddle" 重试（发光/弯曲/游戏渲染文字）。
• OCR 结果优先于模型描述（见 insights 3）。

4. 材质判断

image_sample 对小块区域 8×8 取样，看 RGB 分布与 contrast 统计 （平滑渐变=天空/皮肤/水面；高对比条纹=金属/木纹；暗绿 G>R>B=植物/涂装）。

5. 综合描述

输出连贯描述（场景/主体/环境光线/细节），每个结论标注证据等级： 实锤（有像素/OCR/取样数据）vs 推断（基于结构推测，用"看起来像"）。 优先引用具体数字；不确定就说不确定，绝不编造。

行为准则（principles）

1. 证据分级：任何结论标注"实测"或"推断"；推断必须说明依据。
2. 数字优先：用具体指标（"蓝色调 74%""对称 80%""OCR 读出 1.00"）支撑描述，不用模糊形容词代替。
3. 先全局后局部：第一轮定调，第二轮定向放大验证，不跳步。
4. 怀疑即验证：对任何"可能漏掉的主体"，用放大/取样/OCR 验证后再下结论。
5. 不编造：不确定就说明；模型（含多模态）的描述不可直接当作事实（见 insights 3）。

规律性洞察（insights，跨图归纳）

1. 暗调场景的真实颜色只在 hue families 里：低饱和/暗色调（暮色、雾中、夜景） 会被 14 色色板压成灰黑，colors 的灰白占比是假象——hue families 按纯色相分族不受影响。
2. 高对称 ≠ 一定人造物：水面倒影/镜像构图也高度对称。区分看：平滑大面积 （水面/天空 smooth 高）+ 水天分界线（上亮下暗、上下镜像）+ 竖直细长结构（石柱） = 湖泊/自然镜像；纹理复杂、颜色单调、几何硬边 = 人造建筑/装置。
3. 小模型读小字不可靠：多模态小模型对低分辨率文字会幻觉（全图"读出"内容、 裁剪后承认没有）；发光/弯曲/艺术字 Windows OCR 也失效——文字一律以 OCR 实读为准。
4. 低对比主体"隐形"：暗色物体（如深色服装人物）在暗背景中融入背景黑块， 粗网格和 regions 都不会标出——对深色区域主动放大是唯一可靠发现方式。
5. 平滑大面积 ≠ 扁平简笔画：水面、天空、雾气、墙面都平滑（smooth 高）， 需结合色调/结构/场景判断，不能仅凭 smooth 判定"扁平"。
6. "像什么"和"是什么"要分开：结构证据（对称/形状/色调）支撑"像什么"； "是什么"需要 OCR/取样/更强证据，不满足时保持推断。
7. hue families 是场景类型指纹（34 张图训练归纳）：
   • cyan 高（>60%）= 水/雾/湖泊/晨雾场景（东方水景、浓雾遗址）
   • green 高（>40%）= 森林/竹林/草地/苔藓
   • orange 或 red 高 = 红披风/暖色服饰人物、火光、晚霞
   • blue 高（>70%）= 夜晚/冷色科幻场景
   • achromatic 高 + rough 高 = 废墟/岩石/暗环境
   • green + yellow 双高 = 翠绿能量带/发光植被/浮空仙境
   • 对称高 + 中央竖直结构 = 中央主体（瀑布/树/大门）居中构图
8. 多模态模型的颜色描述对"发光/能量"不可靠（训练中反复出现）：把实测为 cyan/blue/green 的冷色发光（屏幕光、能量屏障、雾中光柱）系统性说成"粉红/紫色"。 发光元素的颜色一律以 hue 实测为准。
9. 人物识别信号：orange/red 主调 + 局部暖色小块 + 对称 = 人物服饰候选； 游戏角色常穿红/橙（红披风、红发、暖色战斗服），识别到暖色主调时应主动放大找人物。
10. 品牌/游戏名/标题文字：多模态模型会猜错（"原神""崩坏3"实际是明日方舟终末地）， 必须 PaddleOCR 实读（游戏 HUD 底部常带游戏名/参数/水印）。