让AI看懂画：第七周AI识别与心理报告联调实战

这周我们进入了项目最核心的技术环节——AI识别与心理报告系统的联调。经过前几周的努力，游戏的实时通信和房间管理已经稳定运行，现在终于到了让“AI看懂画”并生成心理分析报告的关键时刻。

AI调用链路测试

我们构建了一条完整的AI调用链路，从前端用户画画到后端AI识别，整个流程经过了严格的测试。

完整调用链路
前端画图 → Canvas转Base64 → WebSocket发送 → 后端接收 → 调用AI API → 解析返回 → 存储数据库 → 广播结果

前端编码阶段
用户在Canvas上完成绘画后，前端会将画布内容转换为Base64编码的PNG图片，并连同行为数据一起发送：

const imageBase64 = this.board.toBase64();
const behaviorData = this.board.getBehaviorData();

this.socket.emit('drawing_complete', {
    room_id: this.roomId,
    user_id: this.user.user_id,
    image_base64: imageBase64,
    drawing_time_ms: behaviorData.drawing_duration_ms,
    behavior_data: behavior_data,
});

后端接收阶段
后端通过WebSocket事件drawing_complete接收绘画数据，保存原始数据后启动异步AI识别：

@socketio.on('drawing_complete')
def handle_drawing_complete(data):
    # 保存绘画数据与行为数据
    models.save_drawing(round_id, image_base64, drawing_time_ms)
    if behavior_data:
        models.save_drawing_behavior(round_id, user_id, behavior_data)
    # 启动异步AI识别
    _ai_guess_async(room_id, round_id, image_base64, round_info)

AI API调用阶段
我们的AI模块支持三种模式，通过配置灵活切换：

• zhipu：智谱GLM-4V，免费版可用，适合学生项目
• dashscope：通义千问VL，性能强大
• mock：模拟模式，无需API Key，开发测试用

响应解析阶段
AI返回的结果往往带有Markdown标记或其他格式干扰，我们编写了专门的解析器来兼容各种“不听话”的输出格式，确保能提取出标准的JSON结果。

结果存储与广播
解析完成后，结果会保存到数据库，并广播ai_guess_ready事件通知前端AI已完成猜测。

AI响应时间测量

我们对AI响应时间进行了详细测量，结果如下：

提供商	网络传输	模型推理	总耗时
智谱 GLM-4V	100-200ms	800-1500ms	900-1700ms
通义千问 VL	150-300ms	600-1200ms	750-1500ms
Mock 模式	0ms	1-5ms	1-5ms

为了减少用户等待时间，我们采取了异步调用和超时等待（最多等3秒）的策略，确保游戏不会因AI超时而卡住。

心理报告生成测试

心理报告系统基于用户的绘画行为数据，通过规则匹配生成个性化的心理分析报告。

数据采集
前端在用户绘画过程中收集了丰富的行为数据，包括笔触数量、平均绘画速度、拐点密度（线条犹豫程度）、绘画时长、撤销次数、橡皮擦使用次数、画布覆盖率、对称性分数以及使用颜色数量等。

规则匹配引擎
我们构建了包含18条心理学规则的规则库，涵盖情绪状态、压力水平、专注度等多个维度。例如，当检测到“绘画速度快，笔触急促”时，系统会判定用户情绪较为激动或兴奋，并相应调整情绪维度的分数。

报告生成流程
系统将所有维度的基础分数设为50分，遍历规则库进行匹配并应用分数增减（限制在0-100分之间），最后结合命中的规则生成文字总结，如“你当前的情绪状态比较积极活跃，展现出较强的创造力”。

雷达图渲染验证

心理报告页面使用雷达图展示用户在各个维度的得分。我们验证了雷达图的7个维度是否能清晰展示、分数标签是否正确显示、颜色区分是否明显，以及页面在不同屏幕尺寸下的响应式布局，所有测试均顺利通过。

Mock模式与真实API模式的切换测试

为了方便开发和测试，我们在config.py中实现了灵活的模式切换机制。Mock模式可以根据难度等级返回不同置信度范围的随机猜测，在无需API Key的情况下也能完整模拟游戏流程。

测试用例表格

测试用例ID	输入	预期结果	实际结果	测试状态
TC001	画一个简单的太阳	AI正确识别为“太阳”	符合预期	通过
TC002	画一个房子	AI识别为“房子”或“建筑”	符合预期	通过
TC003	快速绘画（情绪激动）	心理报告显示情绪分数偏高	符合预期	通过
TC004	频繁撤销（高压力）	心理报告显示压力分数偏高	符合预期	通过
TC005	使用多种颜色	创造力分数提升	符合预期	通过
TC006	Mock模式测试	无需API Key正常运行	符合预期	通过
TC007	API超时测试	自动降级到mock模式	符合预期	通过
TC008	多回合心理分析	生成综合报告	符合预期	通过
TC009	雷达图渲染	7个维度正确显示	符合预期	通过
TC010	响应时间测量	在预期范围内	符合预期	通过

总结

经过一周的联调测试，我们成功实现了从前端绘画到后端AI识别的完整流程，搭建了基于18条心理学规则的行为分析引擎，并完成了雷达图可视化与响应时间优化。现在游戏的核心功能已经全部实现，用户可以创建房间邀请好友，轮流画画和猜词，与AI进行绘画猜词对决，并获得个性化的心理分析报告。项目已经进入收尾阶段，下周我们将进行最终测试和部署准备！