随机出的题，凭什么说答案唯一¶
算法实验室 TSP 复盘 · 第 3 篇。等高线反读这款游戏的题目没有题库：地形是程序生成的，题从地形上现采。这在体验上是个卖点（无限题量、3D 揭晓与出题同源），在正确性上是个坑：题是无限的，你没法人工审题。
现象¶
出题流程：seed 生成双层值噪声高度场 → 在场内随机选点 → 按题型出题（坡向 / 地貌 / 谁高）。三类题都可能采出"废题"：
- 坡向题采在近平台处——坡度小到"雨水往哪流"对人类判读没有意义。读图的人靠等高线疏密判断，疏密差异小于一根线宽时，这就是歧义题；
- 地貌题采在地貌过渡带——分类器在这一点判山脊，偏移半格就判坡面。人类按教材判读，答"错"不服；
- 谁高题采在高差不足一个等高距的两点——数线数不出确定答案。
题库模式不会有这个问题（人工审过），随机生成模式必须另想办法。
我一开始的错误判断¶
这一篇有一个记录完整的错误判断，链条是"验证 → 发现盲区 → 处置"：
以为"合成场验证通过"等于"验证完成"。 地貌分类器（山顶/洼地/山脊/谷地/鞍部/坡面六分）开发时是在合成场上验证的。引擎级试玩阶段跑真实噪声场才发现：鞍部（SADDLE）判定在自然场里罕见——合成场覆盖了它，自然噪声场几乎不产生符合条件的采样点。当时的处置原话写进了试玩报告：
classifyLandform 对真实噪声场的 SADDLE 判定偏少（合成场验证过、自然场罕见）——可接受
"可接受"是一个记录在案的赌注：赌玩家在这套地形参数下很少踩到鞍部盲区。这个赌注之所以敢下，是因为发现它的途径（固定 seed 的引擎级试玩）本身可复跑——盲区大小是可观测的，不是悬而未决。
补测实验：把"罕见"变成数字（成稿时补做，可复跑：npx vitest run src/evidence-sweep.test.ts）。 上面的"可接受"当时只有定性判断，成稿时补跑了量化：50 个自然场 seed、每场全网格采样（3249 点），逐项数据落盘 data/landform-stats-contour.json。鞍部在自然场的平均占比 1.57%，逐 seed 范围 0.52%–2.40%——"罕见"坐实，而且是在每个 seed 上都罕见。完整分布：坡面 52.3%、山脊 19.7%、谷地 19.6%、洼地 3.5%、山顶 3.4%、鞍部 1.6%。两个附带发现对出题器更有直接价值：邻域同判门槛会拦下约 26.6% 的原始采样点——重试机制不是摆设，是日常主力；坡度门槛拦下约 9.9%。三类门槛的日常负载，现在有数了。
另一个容易混淆的层次，值得单独说清：等值线画得准 ≠ 题出得对。 marching squares 是成熟算法，等高线位置精确。但命题正确性根本不在几何精度层——等高线画得再准，采点采在歧义位置上，题就是废的。几何精度是算法层的旧问题，命题唯一性是生成层的全新问题。
排查与关键证据¶
quiz.ts 的头注释把最终原则写死了：
生成器从真实高度场采样：坡向题要求坡度足够陡；地貌题要求分类稳定；答案选项由 seed 洗牌——所有题的答案在给定高度场上可严格验证。
落地是三类生成时门槛 + 重试 + 兜底：
- 坡向题：坡度 ≥ 0.12（米/米）。 用中心差分梯度算，低于门槛重选——对应人类判读规则"看等高线疏密"。
- 地貌题：邻域同判。 单点
classifyLandform之后，再判偏移半格的邻点，两处不同类就重选——"分类稳定"四个字对应人类判读规则"看弯曲方向"。 - 谁高题：高差 ≥ 等高距（默认 10 m）。 高差不足一格，"数等高线层数"没有确定答案。
- 每题最多尝试 60 个采样点；三类门槛全部失败退回坡向题兜底——坡向题一定可生成。原则：宁可出简单题，不出歧义题。
出题与验证同源是第二道保险。 3D 揭晓环节直接引用出题时的高度场（quizField 返回 state.heights），答案可由同一份数据严格复算——不存在"出题一套实现、判卷另一套实现"的打架空间。
门槛与人类判读规则一一对应是这套设计里最值得学的部分：每一条生成门槛都不是"数值洁癖"，而是某条人类判读规则的机器化翻译——疏密（坡度门槛）、弯曲（邻域同判）、数线（高差门槛）。玩家答错时，复盘路径就是"你没用对那条判读规则"，而不是"出题器抽风"。
根因¶
出题正确性不在算法层，在命题层。 机器判据（中心差分梯度、邻域分类、高差阈值）和人类判读规则（看疏密、看弯曲、数线）是两套体系；歧义题就是两套体系覆盖范围不一致处的边缘样本。生成时门槛的本质，是把人类判读规则翻译成机器可执行的可计算条件。
质量必须前移成生成时约束。 题是无限的，人工审题审不过来；审过的题也会因为地形参数变化失效。唯一可扩展的位置，是把"这题有唯一答案"变成生成路径上的可计算门槛。
合成场验证只覆盖"判据实现"，不覆盖"判据与数据的联合分布"。 鞍部盲区不是分类器写错了，是自然噪声场里满足"两两对反"的采样点本来就稀少——验证集（合成场）和部署分布（自然场）不一致，是程序化生成特有的坑：你既造了数据，又消费了数据，两边的错位只有真实分布能暴露。
约束与取舍¶
- 放弃人工题库。 换来无限题量、出题与 3D 揭晓同源（题库做不到后者）；代价是永远存在漏网边缘题，且要接受分类器盲区（SADDLE 在自然场罕见——已记录在案、判定可接受）。
- 放弃更精细的地貌分类器。 换来判据可解释——"看疏密与弯曲方向"是可教的规则，玩家答错能复盘；代价是自然场覆盖不全。
- 接受题池偏科。 兜底是坡向题，门槛最严的地貌题产量最低——试玩报告里记录了实际构成（一卷 8 题：3 地貌 + 3 坡向 + 2 谁高，山脊出现略多）。这是"宁可简单不可歧义"的直接代价。
可复用检查清单¶
- 每种题型先写"该题在给定数据上唯一可验证"的判据，再写生成器——顺序不能反。
- 质量门槛用"邻域样本同判"类稳定性条件，不只看单点。
- 重试上限 + 兜底路径必须同时存在：宁可出简单题，不出歧义题，更不出死循环。
- 出题、揭晓、判卷必须同一数据源，禁止两套实现。
- 程序化生成同时扮演"数据生产者"和"数据消费者"——验证必须跑在真实参数分布上，合成场/合成用例只证明判据实现正确。
记录核对情况（发布前删除本节）¶
已按仓库记录落实：
- 鞍部盲区的发现与"可接受"处置：
docs/playtest-report.md#10 原话。 - 门槛数值与兜底逻辑：
src/algorithms/contour-reading/engine/quiz.ts（坡度 0.12、60 次尝试、高差 ≥ contourInterval）、docs/tuning-guide.md（等高距默认值）。 - 一卷 8 题的实际构成：
docs/playtest-report.md#10。
仍属重建、无记录支撑（发布前请按真实经历改写或删除）：
- "以为等值线画得准 = 题出得对"这一层在仓库里没有对应记录，现按设计分析表述（几何精度与命题唯一性是两层问题），未声称是个人经历。
- 人工题库方案是否被真实评估过：评审文档只有结论性表述；若当时有成本估算，请补一句，没有可删去。
引用出处¶
src/algorithms/contour-reading/engine/quiz.ts（头注释、makeQuestion 三类门槛与兜底）src/algorithms/contour-reading/engine/heightfield.ts（classifyLandform、gradientAt）docs/playtest-report.md（#10）docs/tuning-guide.md（#10 行）src/evidence-sweep.test.ts（补测实验 C：50 seed 自然场地貌统计）docs/articles/data/landform-stats-contour.json（分布数据 + 复现命令）