站内《2026 游戏美术方向与风格圣经》 用 73 行口号式提纲把「治愈」「硬核」这类词铺开，读起来提气，但它不回答一个工程问题：评审会上，凭什么判定一个交付物到底是不是「治愈」？ 本节与 2.2、2.3 做的是另一件事——把形容词变成可测参数与可跑的风格距离：区间写进配置、判定用整数算、Python 与 TypeScript 两侧结果逐位一致。第 1 章已经把生产链路与 TA 的位置铺开了（1.3 技术美术的位置：桥接美术与程序（含 ART_SCOPE 分工表） ），从这一节起，我们开始把「视觉目标」落成数字。
形容词不是参数，是区间的名字
「治愈」「硬核」是形容词。它们进不了配置、写不进验收标准、也没法在 CI 里断言。要把它们变成工程语言，只有一条路：给每个形容词划一个可测参数的区间，形容词就成了区间的名字。
三类词要分开处理：
| 词 | 能否落成区间 | 处理方式 |
|---|---|---|
| 「治愈」「冷峻」 | 能 | 拆成明度、饱和度、色温、对比度四个可测维度 |
| 「高级感」「有氛围」 | 不能 | 退回更具体的词，否则只是把问题往后推 |
| 「像某某游戏」 | 部分能 | 先取色、量特征，再退化成上面的可测维度 |
一个反直觉但重要的事实：形容词不是互斥标签。一个调色板可以同时是「硬核」且「冷峻」——本文的 retro-cyber 就是。区间是可以嵌套的，不是分类器的互斥类别。把它当分类器用，评审会就会陷入「这套到底是治愈还是清新」的无意义争论。
四个可测维度
本节只取四个维度，全部是整数：
| 维度 | 定义 | 取值 | 类别 |
|---|---|---|---|
lumaMedian | 四色 Rec.709 整数亮度 (2126R+7152G+722B)//10000 的中位数 | 0–255 | 整数类，逐位一致 |
satMeanPermille | 四色 HSV 饱和度 (max-min)*1000//max 的整数均值 | 0–1000 | 整数类，逐位一致 |
contrast10 | 最亮/最暗两色的 WCAG 对比度 ×10 | 10–210 | 整数类，逐位一致 |
warmthPermille | 四色 (R-B)*1000//255 的整数均值 | −1000–1000 | 整数类，逐位一致 |
四个都是整数，所以跨语言是逐位一致，没有容差。这是本节与 2.2 的关键差别：2.2 会引入 OKLab 浮点派生量，那里才需要容差口径。contrast10 直接复用第 3、4 章的同一套公式，不另起炉灶。
S 层：把六个主题包算成向量
下面这段是 S 层脚本 sim/sp02_adjective_params.py。它读 config/sp02_adjectives.json，把六个主题包的四色 sRGB 真源算成四维整数向量，再用形容词区间判定命中集合，落盘 out/sp02_adjectives.json 供 P 层对照。
#!/usr/bin/env python3
# file: sim/sp02_adjective_params.py
# tier: S
# verify: /opt/homebrew/bin/python3 sim/sp02_adjective_params.py
"""形容词 → 可测参数（S 层，全整数，跨语言逐位一致）。
四维：lumaMedian=Rec.709 整数亮度中位数(0-255)；satMeanPermille=HSV 饱和度均值千分比；
contrast10=最亮/最暗 WCAG 对比度×10；warmthPermille=(R-B)*1000//255 均值（可负）。
产出 out/sp02_adjectives.json（P 层读它对照）+ out/sp02_adjectives.csv。
"""
import csv
import hashlib
import json
import os
import sys
HERE = os.path.dirname(os.path.abspath(__file__))
ROOT = os.path.dirname(HERE)
SPEC = os.path.join(ROOT, "config/sp02_adjectives.json")
OUT = os.path.join(ROOT, "out")
DIMS = ("lumaMedian", "satMeanPermille", "contrast10", "warmthPermille")
def srgb_to_linear(c):
s = c / 255
return s / 12.92 if s <= 0.04045 else ((s + 0.055) / 1.055) ** 2.4
def contrast10(a, b):
"""WCAG 对比度 ×10 取整 → 整数类。与 sp00 同口径。"""
la = 0.2126 * srgb_to_linear(a[0]) + 0.7152 * srgb_to_linear(a[1]) + 0.0722 * srgb_to_linear(a[2])
lb = 0.2126 * srgb_to_linear(b[0]) + 0.7152 * srgb_to_linear(b[1]) + 0.0722 * srgb_to_linear(b[2])
hi, lo = max(la, lb), min(la, lb)
return round(((hi + 0.05) / (lo + 0.05)) * 10)
def luma709(c):
return (2126 * c[0] + 7152 * c[1] + 722 * c[2]) // 10000
def median_int(xs):
s = sorted(xs)
n = len(s)
return s[n // 2] if n % 2 else (s[n // 2 - 1] + s[n // 2]) // 2
def sat_permille(c):
mx, mn = max(c), min(c)
return 0 if mx == 0 else (mx - mn) * 1000 // mx
def mean_int(xs):
return sum(xs) // len(xs)
def warmth_permille(c):
return (c[0] - c[2]) * 1000 // 255
def vector(pal):
cols = [pal[k] for k in sorted(pal)]
by = sorted(cols, key=luma709)
return {
"lumaMedian": median_int([luma709(c) for c in cols]),
"satMeanPermille": mean_int([sat_permille(c) for c in cols]),
"contrast10": contrast10(by[0], by[-1]),
"warmthPermille": mean_int([warmth_permille(c) for c in cols]),
}
def classify(v, adjectives):
"""闭区间；形容词只约束它写出的维度，未写出的维度不参与判定。"""
return [name for name in sorted(adjectives)
if all(lo <= v[d] <= hi for d, (lo, hi) in adjectives[name].items())]
def digest(rows):
parts = [f"{n}:{','.join(str(rows[n]['vector'][d]) for d in DIMS)}:{'+'.join(rows[n]['adjectives'])}"
for n in sorted(rows)]
return hashlib.sha256(";".join(parts).encode("utf-8")).hexdigest()[:16]
def main():
spec = json.load(open(SPEC, encoding="utf-8"))
os.makedirs(OUT, exist_ok=True)
rows = {}
for name, pal in spec["themes"].items():
v = vector(pal)
rows[name] = {"vector": v, "adjectives": classify(v, spec["adjectives"])}
coverage = {a: sorted(n for n in rows if a in rows[n]["adjectives"]) for a in spec["adjectives"]}
summary = {"game": spec["game"], "specVersion": spec["version"], "dims": spec["dims"],
"adjectives": spec["adjectives"], "vectors": {n: rows[n]["vector"] for n in sorted(rows)},
"classification": {n: rows[n]["adjectives"] for n in sorted(rows)}, "coverage": coverage,
"uncovered": sorted(n for n in rows if not rows[n]["adjectives"]), "digest": digest(rows)}
with open(os.path.join(OUT, "sp02_adjectives.json"), "w", encoding="utf-8") as f:
json.dump(summary, f, ensure_ascii=False, indent=2, sort_keys=True)
f.write("\n")
with open(os.path.join(OUT, "sp02_adjectives.csv"), "w", encoding="utf-8", newline="") as f:
w = csv.writer(f)
w.writerow(["theme", *DIMS, "adjectives"])
for n in sorted(rows):
w.writerow([n, *[rows[n]["vector"][d] for d in DIMS], "+".join(rows[n]["adjectives"]) or "-"])
for n in sorted(rows):
v = rows[n]["vector"]
print(f"{n:12s} lumaMed={v['lumaMedian']:3d} satMean={v['satMeanPermille']:4d} "
f"cr10={v['contrast10']:3d} warmth={v['warmthPermille']:5d} -> {'+'.join(rows[n]['adjectives']) or '-'}")
print(f"coverage={json.dumps(coverage, ensure_ascii=False, sort_keys=True)}")
print(f"uncovered={summary['uncovered']} digest={summary['digest']}")
print("wrote out/sp02_adjectives.json out/sp02_adjectives.csv")
if __name__ == "__main__":
sys.exit(main())
参数放在 config/sp02_adjectives.json：themes 是六套四色真源，adjectives 是四个形容词的闭区间——只约束它写出的维度，没写出的维度不参与判定。
{
"version": 1,
"game": "stardust-inn",
"observedAt": "2026-10",
"note": "形容词→可测参数。四个维度全是整数：lumaMedian=四色 Rec.709 整数亮度 (2126R+7152G+722B)//10000 的中位数(0-255)；satMeanPermille=四色 HSV 饱和度 (max-min)*1000//max 的整数均值(0-1000)；contrast10=最亮/最暗两色的 WCAG 对比度×10；warmthPermille=四色 (R-B)*1000//255 的整数均值(可负)。themes=6 个主题包的四色 sRGB 8-bit 真源；adjectives=形容词的参数区间(闭区间、整数、只约束写出的维度)。区间是设计决策，向量是实测。",
"dims": ["lumaMedian", "satMeanPermille", "contrast10", "warmthPermille"],
"themes": {
"pixel": { "bg": [26, 28, 44], "mid": [64, 80, 120], "ink": [240, 240, 232], "accent": [255, 209, 102] },
"lowpoly": { "bg": [140, 180, 210], "mid": [90, 140, 110], "ink": [245, 245, 240], "accent": [230, 140, 90] },
"handdrawn": { "bg": [250, 246, 238], "mid": [232, 220, 200], "ink": [70, 60, 52], "accent": [220, 140, 110] },
"voxel": { "bg": [40, 34, 52], "mid": [88, 72, 110], "ink": [230, 220, 240], "accent": [90, 200, 180] },
"retro-cyber": { "bg": [12, 14, 24], "mid": [40, 30, 70], "ink": [120, 255, 240], "accent": [255, 60, 140] },
"cozy-clean": { "bg": [245, 240, 230], "mid": [224, 214, 199], "ink": [92, 80, 66], "accent": [240, 168, 120] }
},
"adjectives": {
"治愈": { "lumaMedian": [180, 255], "satMeanPermille": [0, 300] },
"明快": { "lumaMedian": [140, 255], "satMeanPermille": [320, 1000] },
"硬核": { "lumaMedian": [0, 140], "contrast10": [110, 210] },
"冷峻": { "lumaMedian": [0, 100], "warmthPermille": [-1000, 0] }
}
}
实测输出
/opt/homebrew/bin/python3 sim/sp02_adjective_params.py 在本机的输出（同机相对量级，绝对数值不可移植）：
cozy-clean lumaMed=197 satMean= 238 cr10= 69 warmth= 181 -> 治愈
handdrawn lumaMed=187 satMean= 235 cr10=100 warmth= 168 -> 治愈
lowpoly lumaMed=164 satMean= 329 cr10= 35 warmth= 53 -> 明快
pixel lumaMed=145 satMean= 377 cr10=147 warmth= 85 -> 明快
retro-cyber lumaMed= 71 satMean= 591 cr10=159 warmth= -47 -> 冷峻+硬核
voxel lumaMed=126 satMean= 331 cr10=116 warmth= -132 -> 硬核
coverage={"冷峻": ["retro-cyber"], "明快": ["lowpoly", "pixel"], "治愈": ["cozy-clean", "handdrawn"], "硬核": ["retro-cyber", "voxel"]}
uncovered=[] digest=512bc2e8b0a8c999
三点值得看：
- 覆盖完整：
uncovered=[]，六个主题包每个都至少命中一个形容词，四个形容词每个都至少有两个主题包。这说明区间不是为某一套主题量身定做的，否则换一套主题就会大面积落空。 - 嵌套真实存在：
retro-cyber同时命中「冷峻」与「硬核」，因为「冷峻」（明度 ≤ 100 且色温 ≤ 0）是「硬核」（明度 ≤ 140 且对比度 ≥ 110）的真子集。这就是上一节说「形容词不是互斥标签」的可复算证据。 - 区间是设计决策，向量是实测：
197/238/69/181这串数字是从[245,240,230]这些 sRGB 整数算出来的，不是我写死的；而[180,255]这样的区间才是我定的。两者在正文里必须分清，否则「量化」就退化成了「拍脑袋填数」。
P 层：同一套区间在 TS 里复算
P 层内核 core/src/sp02/params.ts 用同一套整数公式复算，并从 sp00/spec.ts 复用 contrast10，保证对比度口径与全书同源：
// file: core/src/sp02/params.ts
// tier: P
// verify: node --test 'core/test/sp02_params.test.ts'
// 形容词 → 可测参数的 TS 侧内核，与 sim/sp02_adjective_params.py 逐位对齐：四维全是整数，
// 没有容差。contrast10 从 sp00 复用，保证对比度口径与全书同源。
// 只允许可擦除 TS 语法（禁 enum / namespace / 参数属性 / 装饰器）。
import { createHash } from "node:crypto";
import { contrast10 } from "../sp00/spec.ts";
export type RGB = number[];
export type Palette = Record<string, RGB>;
export type Vector = Record<string, number>;
export type Ranges = Record<string, Record<string, number[]>>;
export const DIMS = ["lumaMedian", "satMeanPermille", "contrast10", "warmthPermille"];
/** Rec.709 整数亮度，地板除 —— 不经过浮点。 */
export function luma709(c: RGB): number {
return Math.floor((2126 * c[0] + 7152 * c[1] + 722 * c[2]) / 10000);
}
/** 整数中位数：偶数个取中间两个的地板平均。 */
export function medianInt(xs: number[]): number {
const s = [...xs].sort((a, b) => a - b);
const n = s.length;
return n % 2 === 1 ? s[(n - 1) / 2] : Math.floor((s[n / 2 - 1] + s[n / 2]) / 2);
}
/** HSV 饱和度千分比，整数地板除。纯黑返回 0。 */
export function satPermille(c: RGB): number {
const mx = Math.max(...c);
const mn = Math.min(...c);
return mx === 0 ? 0 : Math.floor(((mx - mn) * 1000) / mx);
}
export function meanInt(xs: number[]): number {
return Math.floor(xs.reduce((a, b) => a + b, 0) / xs.length);
}
/** 色温代理：(R - B) / 255 × 1000，整数地板除，可负。 */
export function warmthPermille(c: RGB): number {
return Math.floor(((c[0] - c[2]) * 1000) / 255);
}
/** 调色板（任意色数）→ 四维整数向量。 */
export function vector(pal: Palette): Vector {
const cols = Object.keys(pal).sort().map((k) => pal[k]);
const by = [...cols].sort((a, b) => luma709(a) - luma709(b));
return {
lumaMedian: medianInt(cols.map(luma709)),
satMeanPermille: meanInt(cols.map(satPermille)),
contrast10: contrast10(by[0], by[by.length - 1]),
warmthPermille: meanInt(cols.map(warmthPermille)),
};
}
/** 闭区间判定：形容词只约束它写出的维度，未写出的维度不参与。 */
export function classify(v: Vector, adjectives: Ranges): string[] {
return Object.keys(adjectives).sort().filter((name) =>
Object.keys(adjectives[name]).every((d) => {
const [lo, hi] = adjectives[name][d];
return lo <= v[d] && v[d] <= hi;
}));
}
/** 跨语言指纹：与 Python 侧同格式，sha256 前 16 位。 */
export function digest(rows: Record<string, { vector: Vector; adjectives: string[] }>): string {
const parts = Object.keys(rows).sort().map((n) =>
`${n}:${DIMS.map((d) => String(rows[n].vector[d])).join(",")}:${rows[n].adjectives.join("+")}`);
return createHash("sha256").update(parts.join(";"), "utf8").digest("hex").slice(0, 16);
}
测试读的是 Python 落盘的 out/sp02_adjectives.json（不是同一份源码），做跨语言对照：
$ node --test 'core/test/sp02_params.test.ts'
✔ 向量：四维整数与 Python 逐位一致
✔ 分类：命中集合与 Python 逐项一致
✔ 覆盖：每个形容词都有主题、每个主题都被覆盖
✔ sha256 指纹跨语言一致
✔ 负例：区间必须真的能拒绝越界调色板
✔ 整数性：三个原始度量都是整数（无浮点泄漏）
ℹ tests 6 ℹ pass 6 ℹ fail 0
digest=512bc2e8b0a8c999 是两侧各自对「主题名 + 四维整数 + 命中形容词」算的 sha256 前 16 位。它相等，说明六个向量与六条命中集合逐位一致。本节的量全是整数，所以这里可以放心写「逐位一致」；2.2 引入 OKLab 之后就只能写「容差内一致，实测最大偏差 4.99e-13」。
边界与反例
- 区间不能凭空定。上面的区间是按六个主题包的设计意图划的；换一批主题包，区间要重划。区间是团队共识的载体，不是客观真理，更不是从数据里「学」出来的。
- 四个维度不够。它们只覆盖色彩。剪影、细节密度、描边要到 2.2 才进来；等距投影的几何约束要到第 9 章。
- X 层：「高级感」「有氛围」这类词，以及画师对具体笔触的审美判断，需真实画师与真实评审环境，命令行不可复现，本节不做任何数值化，只把它们退回更具体的词。
自检表
| 检查项 | 合格标准 |
|---|---|
| 形容词有区间 | 每个进评审表的形容词在 config 里都有闭区间 |
| 区间可复算 | 向量四维全部整数，无浮点、无 Math.random |
| 跨语言一致 | Python 与 TS 的向量、命中集合、digest 逐位一致 |
| 有负例 | 越界调色板必须被判「无命中」，不能静默通过 |
| 边界诚实 | 不可测形容词明确标 X，不硬凑数字 |
阅读导航：上一节：1.3 技术美术的位置：桥接美术与程序（含 ART_SCOPE 分工表） · 下一节：2.2 风格向量与风格距离 。
继续阅读
探索更多技术文章
浏览归档，发现更多关于系统设计、工具链和工程实践的内容。