Delta Force Account Analyzer（三角洲行动账号分析）

Overview

把一份三角洲行动烽火地带对局记录，转成一份「账号体检报告」：五维图评分定位短板，KD/资产统计看清现状，黑屋压制指数判定账号状态，补偿局分析找规律，最后给出提升爆率的可执行建议。

何时使用

• 用户提供对局记录：CSV 台账、战绩截图、或口述近几局情况。
• 用户问：我是不是黑屋/黑号？爆率为什么这么低？曼德尔砖怎么还不来？该不该换号？
• 用户想知道：该做什么提升爆率、什么时候上高价值钥匙/装备。
• 关键词：三角洲、烽火地带、黑屋、黑号、补偿局、爆率、曼德尔砖、五维图、KD、资产、撤离率、跑刀。

数据准备（三种输入形态）

1. CSV 台账（最佳）：直接分析。标准列见 templates/match_log_template.csv，中英文列名自动识别。
2. 战绩截图：从截图中逐局提取字段（日期、地图、击杀、是否撤离、带出价值、红/金/曼德尔），先补成 CSV 台账再分析。
3. 口述数据：按局引导用户补录（一局一行），完成后写入 CSV。

标准列：date, map, mode, kills, survived, value_wan, red, gold, mandel, note （中文别名：日期/地图/难度/击杀/撤离/带出价值/红/金/曼德尔砖/备注）

• survived：1=撤离成功，0=阵亡（也接受 是/否、撤离/阵亡）。
• value_wan：单局带出价值，单位万；填原始哈夫币（如 1200000）会自动换算。
• red/gold/mandel：本局带出的红色品质数/金色品质数/曼德尔砖数。

最低样本要求：黑屋判定至少 10 局（低置信度），20 局以上才高置信度；不足时明确告知用户继续积累，只给基础统计。

工作流

按顺序执行以下五步。

Step 1：数据录入与盘点

1. 引导用户提供数据（CSV / 截图 / 口述），必要时用 templates/match_log_template.csv 帮用户建台账。
2. 运行分析脚本（文本模式）：

   python scripts/analyze_account.py <path.csv>
   

3. 向用户汇报盘点结论：局数、时间范围、KD、撤离率、总资产、金/红/曼德尔出货数。
4. 局数不足 10 局时，明确提示判定可靠性不足，先积累数据。

Step 2：五维图与基础数据解读

逐维解读，突出短板而非罗列分数（口径与评分映射见 references/radar-metrics.md）：

1. 战斗：KD 定位（满分线 KD 3.0）。
2. 生存：撤离率——撤离率低于 35% 时优先解决生存，爆率问题靠后。
3. 搜刮：场均带出价值（满分线 150 万/局）。
4. 爆率：加权掉落分/局（金局 1 分、红局 3 分、曼德尔 10 分，满分 0.30/局）。
5. 稳定：最长连败与收益波动的合成惩罚。

Step 3：黑屋判定

1. 黑屋指数 = 掉落缺口 35% + 当前干旱 25% + 趋势下滑 20% + 曼德尔干旱 20%（信号口径见 references/blackroom-signals.md）。
2. 档位：< 25 正常；25–50 轻度压制；50–75 中度黑屋；≥ 75 深度黑屋。
3. 逐条解读信号得分，指出是哪一条把指数拉高的。
4. 必须声明：黑屋/补偿为社区理论，官方未公开 RNG 机制，本判定是统计推断而非实锤。

Step 4：补偿局分析

1. 高峰局定义：带出 ≥ 2 倍场均，或出红/曼德尔。
2. 解读：高峰局平均间隔、高峰前平均低谷长度、当前连续无高峰局数、补偿窗口进度（当前低谷/平均间隔）。
3. 窗口状态：≥ 1.0 已开、0.6–1.0 临近、< 0.6 尚早；高峰局 < 3 个则如实说明规律不可识别。
4. 结合黑屋档位给建议：深度黑屋 + 窗口已开 = 补偿迟迟未到，反而是压制佐证，勿上高投入。

Step 5：行动建议与报告输出

1. 用 --json 重新运行脚本：

   python scripts/analyze_account.py <path.csv> --json > result.json
   

2. 复制 assets/report_template.html，把其中 const DATA = {...} 整体替换为脚本输出的 JSON 内容。
3. 在 CUSTOM 对象中填写 AI 判断的文案：
   • headline：一句话判定结论（如「深度黑屋：连续 15 局无红金，掉落缺口 83%」）。
   • sub：局数/时间范围/KD/总资产背景。
   • actions：3 条行动建议，每条 {title, body}，必须基于数据。
4. 保存为新文件（如 <账号名>_体检报告.html），用 present_files 展示。HTML 为纯内联 CSS/JS，双击即可离线打开。

视觉规范

• 深色背景 + 金色强调；爆率高/健康用绿色，压制/干旱用红色。
• 报告顶部放判定结论（黑屋指数 + 档位），结论先行。
• 图表标题用带判断的结论（如「促销正在亏钱」式），不用中性描述。

重要口径（诚实性要求）

• 基线掉落率（金局 25%、红局 10%、曼德尔 1% 局占比）为社区经验估计值，非官方数据，写在脚本顶部 BASELINE 常量中。用户提供对照数据（如「我朋友 50 局出了 8 个红」）时，按其数据调整基线后重跑。
• 局数 < 10 不做黑屋判定；10–20 局标注「低置信度」。
• 不编造未证实的游戏机制；建议措辞用「社区经验/统计推断」，不用「官方机制」。
• 曼德尔砖期望间隔约 100 局是按 1% 基线推算，仅作参考刻度。

Resources

• scripts/analyze_account.py — 分析脚本（仅依赖标准库），输出文本报告或 JSON。
• references/radar-metrics.md — 五维图评分口径与解读技巧。
• references/blackroom-signals.md — 黑屋信号定义、档位判定与补偿局口径。
• templates/match_log_template.csv — 对局台账模板（含示例行）。
• assets/report_template.html — 账号体检报告模板（数据驱动渲染，AI 只填结论与建议）。

字段识别

脚本按「英文标准名 + 中文别名」自动识别列（日期/地图/难度/击杀/死亡/撤离/带出价值/红/金/曼德尔砖/备注）。缺失的维度自动跳过对应分析；value 列中位数 > 10000 时视为原始哈夫币并自动换算为万。识别规则见 scripts/analyze_account.py 顶部 ALIASES，必要时按用户实际表头补充别名。