4.2 首包加载与冷启动约束
首包体积定下来之后，真正决定流失的是它要加载多久。本节用整数递推把体积折算成下载耗时，再叠一个随体积增长的冷启动初始化开销，套进一个带下限的线性进入率模型，产出三条带宽档位的曲线；B 层反过来算，给出目标进入率下各档位允许的首包上限与带宽敏感性告警。
category
Minigame
共 250 篇文章。
4.1 主包与分包体积预算
包体上限是小游戏最硬的一条平台约束，也是立项阶段就必须定下的裁剪依据。本节先把主包、单分包、总包、分包数量四条限额写成一份可校验的配置表，再用一段 S 层脚本把资产清单折算成各包体积、逐条比对限额，并对超限的主包算出最小迁出集合，让分包方案由约束反推出来。
3.3 品类选择加权评分与敏感度分析
给 8 条商业特征维度配上可调权重，把 8 个品类算成加权总分并排名，再做单权重 ±20% 敏感度分析与排名稳定性基准，回答哪些品类的名次对权重最敏感、哪些结论可以放心采信，是本章核心一节，也是卷一里第一个把 S 层仿真与 B 层基准并排给出的地方。
3.2 品类的商业特征矩阵
给 8 个小游戏品类在开发成本、变现效率、留存天花板等 8 条商业特征维度上打分，做成一张 8×8 矩阵，并用 S 层脚本把矩阵算成可横向比较的分数：综合强度分与偏科极差，并指出均值能排序但不能替代决策，为下一节可调权重的加权评分与敏感度分析打底。
3.1 品类分类体系
把 8 个小游戏品类按玩法核心、变现模式、单局时长、内容量级整理成一张可被程序消费的分类表，并给出读表统计的 S 层脚本：IAA 与混合各占一半、纯内购为零、单局时长中位数 85 秒，为后续商业特征矩阵与加权评分统一口径，是第 3 章品类选型模型的第一块基石。
2.3 从竞品到差异化机会
拆完竞品，下一步是找位置。本篇把「空白度 × 竞争度 × 变现力」做成可加权的机会矩阵，用整数算术给每个候选机会打分排序，再用 B 基准遍历权重网格，把机会分成「稳健」与「权重敏感」，产出可重跑的 JSON、CSV 与 SVG，全程不碰任何真实市场调研数据。
2.2 竞品拆解方法
竞品拆解不是抄，是建坐标系。本篇给一套只依赖公开可观察机制与示例数据的拆解方法：把每个竞品在「核心循环 / 变现 / 素材」三维度上按准则打 1~5 分，聚成 0~100 的维度分与加权总分，产出可重跑的 CSV 与 SVG，全程不碰任何真实竞品后台数据。
2.1 榜单结构与品类分布
榜单不是一张排名表，而是一组可切分的结构切片。本篇给一套只依赖公开可观察机制与示例数据的榜单结构分析方法：把榜单聚合成品类分布，用 Top-N 占比与 HHI 衡量集中度，产出可重跑的 JSON、CSV 与纯 Python SVG 条形图与饼图，全程不碰任何真实平台后台数据。
15.3 交付物验收与下一卷衔接
交付不是把文档发出去，而是逐项核对能不能被接住。本节把评审、装配、交付三份配置串成一次总验收，覆盖结构验收与内容验收两条线，用一段 S 层脚本产出可读的验收报告，并断言卷一五十篇的文件名与 slug 白名单一致，最后把五个衔接点登记好，把接力棒递给卷二。
15.2 设计案装配
把前十四章的产出订成一本不是设计案，装配的关键在「产出物到去向」的映射。本节用一份装配清单逐章登记每章的产出物与归属位置，并给出六个部分的骨架，再用一段 S 层脚本断言十五章各三节、四十五个节 slug 的命名与章号一致，让设计案的结构可被机器核对。
15.1 立项评审材料与流程
立项评审不该是一次汇报，而应是一道可判定的闸门。本节把前十四章的产出登记成一份评审材料清单，给每项材料配上负责人、交付时点与通过判据三件套，再用一段 S 层脚本逐项断言缺项即失败，并给出 go / conditional-go / no-go 三档结论的触发条件，让评审有据可依、可被复核。
14.3 里程碑与风险缓冲
把静态的工时与成本排成一条带缓冲的时间线：给每个里程碑一个乐观/悲观人天区间，用可播种的整数 LCG 抽样算出各里程碑最晚完成时间与缓冲耗尽概率，再用 B 层扫描缓冲比例做敏感性分析，讲清 20% 缓冲为什么不够、以及该配多少才压得住超期风险。
14.2 外包与素材成本
把素材账分成两条腿：外包的计现金、内制的计人天，用一份素材成本表按「数量 × 单价」汇总出《合成小岛》的现金成本与内制工时，全程整数、金额用分记账，产 CSV 与 SVG 条形图，并讲清为什么「看外包成本不能只看现金」，以及外包单价、授权边界与交付验收三条纪律。
14.1 人力与工时估算
把一款小游戏的人拆成人天：用一份角色配置表，把每个角色的投入人天乘上日单价，汇总出总工时、折合人月、并行工期与人力成本结构，全程整数、金额用分记账，产 CSV 与 SVG 条形图，并讲清「排期」和「估算」这两个词为什么不能混着用，以及为什么并行工期只是个下界。
13.3 收入预测与情景分析
把收入模型从单点变成区间：用悲观 / 基准 / 乐观三档整数假设参数跑出月收入对照表与区间比，再用 B 层敏感性基准把六个输入参数按「对结论的影响」排序，回答哪个数错了最致命、哪个数可以放心估，并说明排名要结合扰动口径一起读，给收入预测一个可决策的区间。
13.2 混合变现的收入结构
把 ARPDAU 拆成 IAA : IAP 的整数千分比，用广告负载与 ARPPU 两个整数百分比改写基准口径，跑出广告主导、均衡混合、内购主导三种结构的收入构成，产出 CSV 与堆叠 SVG，并说清「结构」到底改变了什么、为什么几乎不改变总收入。
13.1 收入拆解：DAU × ARPDAU
把日收入拆成 DAU × ARPDAU 的乘法链：IAA 用「人均广告请求次数 × 填充率 × eCPM」、IAP 用「付费率 × ARPPU」，一份整数 config 驱动，产出 JSON、CSV 与 SVG 收入阶梯，并说清每个因子各自的口径与边界。
12.3 原型迭代与决策
把可玩性观测翻译成继续、调整、砍掉三个决策：用 P 层 TypeScript 内核按北极星达成率与止损线判定，用 node --test 锁死四个构建的结论，再打包成单文件 HTML 交互原型，用 Playwright 无头采样状态、断言 canvas、验证确定性并截图。
12.2 可玩性指标与测试方法
可玩性指标怎么测、测出来的数字有多大把握：用 S 层脚本对首局完成率、单局时长、重玩率做整数递推采样并配 Agresti–Coull 置信区间，再用 B 层脚本看半宽随样本量如何按 1/sqrt(n) 收缩，最后讲清模拟样本与真实测试的差距。
12.1 原型范围与验证目标
把玩法原型从「做一个演示」拉回「验证假设」：用 D 层配置声明原型范围、验证目标与指标注册表，用 S 层门禁脚本断言每个验证目标都绑定可测指标、北极星恰好一个、区间型目标上下界有序，让做什么、不做什么、拿什么指标验收都在动手写代码前先固化下来。