以「发现」为核心乐趣的唐诗 AI 绘画产品设计研究

受众：产品所有者（vibe coder）。目的：把「古诗 × 绘画 × 生图模型 × MDA 游戏化」四件事揉成可落地的设计决策。 日期：2026-05-25 · 模式：deep（8 阶段）· 来源：112 条，覆盖游戏设计/美术史/HCI/产品复盘四类。

摘要（Executive Summary）

产品已用 MDA 框架锁定核心美学为发现（Discovery）——让普通人惊讶于「同一首诗竟能被画成这么多种样子、绘画原来有这么多门道」，而非自我表达（Expression）。本研究围绕这个已定前提，回答「怎么设计才能兑现发现」。

四条最尖锐的结论：

1. 你的产品形态本身就是一套被实证有效的视觉素养教学法。 美术教育界的 VTS（视觉思维策略）证明：让人学会「看画」最有效的方式不是讲术语，而是把同一对象的不同处理并排放出来，让对比把「作者的选择」逼现出来 [41][42][43][44]。中国画史早有同构传统——王维《辋川图》被历代反复重画、北斋《富岳三十六景》同一座山三十六种构图、塞尚同一座圣维克多山画了约 80 遍 [26][47][45]。「一诗多画」不是噱头，是千年范式 + 教育学正解。

2. 「哇」的强度由维度决定，且可排序。 最能让外行一眼震惊的是画种/媒材（工笔 vs 写意 vs 青绿 vs 油画，肉眼一秒可辨「换了物种」），其次是景别（贴脸特写 vs 天地间一小人）和色彩冷暖（暖橙夕照 vs 冷蓝月夜）；散点透视、留白属于「配一句话讲解就豁然开朗」的第二层惊喜 [28][29][32][36][30]。这告诉你：要制造发现，先变这三样。

3. 150–180 秒的慢渲染 + 不可重来，是资产不是成本——前提是被重新包装。 多巴胺在「期待时」达峰而非「获得时」；对相信结果是好的正面事件，人愿意「品味式地等」；峰终定律说人只记住「最强的一刻和结尾」[68][69][80]。把等待做成「显影/开盲盒」仪式，把揭晓做成产品的「峰」，慢就变成体验主线。而 Wordle 式不可重来恰好是对抗抽卡氪金暗黑模式的护城河，同时让每次揭晓成为真赌注 [11][82][112]。

4. 头号死法是变成另一个妙鸭相机。 妙鸭 2023 年爆火后一年下载量跌 98%、2025 年团队解散，死因是「低频工具 + 用完即走 + 审美疲劳 + 无社区」[106][108]。纯「输入诗→出一张好看图」必死。解药是研究反复指向的同一组东西：发现 + 收集 + 每日 + 做同款（社区）。

基于此，报告给出三个可分别做实验的设计方向（盲盒一笔定 / 一诗百象图鉴 / 视觉旋钮），以及六条贯穿所有方向的设计铁律。三个方向不互斥，可叠加；推荐先用「盲盒一笔定」做最快验证。

一、引言：范围、方法、假设

范围内：以发现为核心乐趣的交互设计、机制设计、等待与揭晓体验、绘画维度的选择、可借鉴的同类产品。

范围外（按已定前提，不在本研究内重新论证）：是否该选发现而非表达（已定）、是否保留慢渲染与不可重来（物理约束 + 已定）、具体技术栈与存储实现。

方法：deep 模式四领域并行检索——(1) MDA 与发现型游戏机制；(2) 绘画视觉语言与视觉素养教育；(3) 文生图模型能力边界与慢生成/揭晓 UX；(4) 同类产品复盘。共采集 112 条来源，跨领域三角验证。

关键假设（高材料性，显式声明）： - 假设产品仍使用类 gpt-image-2 的高质量慢模型（150–180s/张），未引入快预览模型。方向三对这条假设最敏感，下文专门标注。 - 假设目标用户是「对古典文学有兴趣的成年人」，非应试学生、非专业设计师（与 PRD 一致）。 - 假设产品保留「我要选/我要写」的有意义选择（与既有产品决策一致），不退化为用户纯旁观。

二、发现（Discovery）的机制学：怎么把它「调」出来

MDA 的铁律：设计师只能直接控制机制（Mechanics），乐趣（Aesthetics）是经由动态（Dynamics）间接涌现的——你写不出一行叫「发现感」的代码，只能造机制、跑出动态、让发现涌现 [1]。LeBlanc 的「八种乐趣」里，发现（Game as uncharted territory）与表达（Game as self-discovery）相邻但本质不同：表达是「通过创作认识自己」，发现是「探索外部未知疆域」[2]。这条区分直接决定产品叙事——不该说「画出你心里的诗」，该说「看看这首诗还能是什么样」。

底层只有两台心理引擎，其余机制都是它俩的变体：

• 信息缺口理论（Loewenstein）：好奇是「察觉到知识缺口而生的认知性匮乏」，像饥饿一样驱动行为。关键杠杆——少量信息是启动剂，会放大好奇；信息消费够了会饱和，好奇反而熄灭 [3]。神经层面，好奇激活的是「奖赏预期」脑区，好奇本身就是一种对奖赏的预期 [4]。
• 多巴胺奖励「搜寻」而非「满足」：多巴胺不是在你拿到时给满足，而是用一种半应激的「渴望」让你持续搜寻 [6]。Skinner 早证明随机奖励（有时有有时无）让人强迫性重复，固定奖励不会 [6]。

由此得出的可迁移机制清单（每条都附心理学出处，建议逐条当实验项）：

随机与控制怎么调（最关键的调参结论）：好的随机放在输入侧（在用户做选择「之前」改变局面，用户仍能基于新局面做有意义决策），坏的随机放在惩罚侧（你做对了却因 RNG 出烂图）[19]。保底/pity 机制给随机加「地板」，用完成主义对冲挫败 [21][10]。对你：同一首诗交给不同风格演绎使结果各异（输入侧随机，good），但要用策展过的风格库做质量地板，绝不让不可重来的一笔撞上一张明显跑偏/劣质的图——否则发现瞬间变惩罚。

三、绘画维度：变哪一样，外行才会瞪眼

把一首诗「画出来」，可换的视觉变量很多，但对非专业用户的冲击力天差地别。综合美术史、影视摄影语言、中国画论与视觉素养研究，按「一眼可感 + 落差大」排序：

1. 画种/媒材 —— 落差最暴力。 工笔像植物图鉴、写意三笔泼出去、青绿像彩色宝石、白描只剩线、油画厚重、版画硬朗、摄影写实逼真。同一棵树八个物种 [28][29]。直接打破外行「画＝一种样子」的预设。
2. 景别/构图 —— 戏剧性最强、零门槛。 同一句诗可以是怼脸特写（紧张、情绪），也可以是天地间一个小人（孤独、渺小、旁观）[32][33]。无需任何知识就能感到。
3. 色彩冷暖 —— 情绪一秒翻转，门槛最低。 暖橙 vs 冷蓝，人人能说出感受 [36][37]。
4. 视角/透视 —— 认知型惊喜。 仰视压迫、俯视渺小；尤其中国散点透视 vs 西方焦点透视——《清明上河图》那种「能一直往下看」的卷轴，是因为它根本不遵守照相机规则。属于「原来一直在我眼前却没注意」型发现 [30][31]。
5. 留白（计白当黑）—— 反直觉的「啊」。 「空」也是主动选择；带一句话引导就懂 [38][30]。
6. 光线（明暗对照、高低调）—— 能感受、说不清。 冲击较内隐 [34][35]。
7. 主体位置与动势 —— 改平衡与张力，单看不如前几项外显。
8. 笔触/质感 —— 进阶发现。 远看是山、近看全是色块和笔道，需凑近、需对比才显现 [46]。

产品启发：第一组对比就主打 画种 ×（景别 / 冷暖），落差最大、最不用解释；散点透视、留白留作「配一句话就豁然开朗」的第二层。

文化与教育学背书（这点决定产品合法性与方法）： - 「诗中有画，画中有诗」出自苏轼评王维，代表中国画从「模拟形似」转向「表达心意」——写意精神的源头 [22][23][25]。写景、有鲜明视觉意象的诗最可画；纯抒情说理的难画 [24]。 - VTS（视觉思维策略）：Housen 录下几千次观众看画反应，发现理解艺术按可预测的「阶段」推进，而绝大多数观众是「初学者观者」；传统讲解式导览对多数人无效。VTS 的做法是引导者不直接给答案，用固定几个问题引导观众探索，长期内化出独立「看」的能力，并被证明能提升审美思维与依证推理 [41][42][43]。你的产品天然就是一台 VTS 机器——不灌术语，靠并置同一首诗的 N 种画法，让「作者的选择」自己浮出来。这与你既定的产品内核「审美靠判断角度、不靠术语」完全同向。

四、生图模型：让「输入→产出落差」制造惊喜而非失望

模型能力的硬事实（落差的技术根源）：基准 GenEval 2（2025）显示，原子级（单物体/单属性）最强模型能到人类判分 85.3%，但整句提示级（多约束同时满足）最强模型只有 35.8%[55]。也就是提示越长、约束越多，模型同时全部命中的概率断崖下跌。多物体多属性时会张冠李戴、漏物体、搞错空间关系 [56]。

两类模型的分工：GPT-Image 类遵循度高、能把整段汉字写进画（约 98% 文字准确）；Midjourney 类「演绎多于执行」，像艺术总监用氛围光、电影感填补提示空白——这种「创造性漂移」正是惊喜的最佳引擎，但汉字必翻车 [52][54]。含义：要把诗句写进画面就用 GPT-Image 类，或把诗句作为界面排版叠在画外、不让模型画字。

「AI 味」平庸是惊喜的头号杀手：RLHF 对齐导致 mode collapse（模型收敛到少数安全典型答案），这是很多 AI 图「一眼 AI、毫无惊喜」的根因 [64]。对策 Verbalized Sampling 思路：内部多生成候选、挑「非典型但贴题」的那张揭晓，多样性可提升 1.6–2.1×[64][65]。

好惊喜 vs 坏落差的判据：好惊喜＝输出明显「是我要的那首诗」，但多给了我没想到的氛围/光/细节；坏落差＝丢了我明确点名的核心元素、出现诡异（uncanny）、或「输入变了输出没变」（系统没在听我说话）[60][61]。

等待与揭晓的体验模式（直接拿去用）： - 显影/宝丽来隐喻：把 150–180 秒做成「照片在显影」，模糊→清晰逐步浮现，而非转圈。Flashback app 故意让你等 24 小时看照片，证明「故意慢」能做成卖点 [71][72]。 - 把扩散去噪过程做成可看的演进：Midjourney 的 blurry→sharp 本就是去噪可视化，天然契合「显影」[59]。 - 骨架屏式预告：先把画框、诗句排版的位置占好，制造「这里即将出现画」的期待，实测比纯进度条更快更愉快 [73][74]。 - 分层揭晓：一次只露一层（先色调、再轮廓、再细节，或先画后诗），把单次揭晓拆成多次小奖赏 [79]。 - 把揭晓当峰终时刻重点投入：配庆祝动画/音效/微交互，资源优先级最高 [80][81]。 - 给等待赋予意义：等待时呈现这首诗的背景、为什么这样画的小线索，把空等变成「品味」[69][75]。

五、同类产品：抄谁、躲谁

你最像的三个产品的杂交体：Artle + Infinite Craft + DailyArt。

• Artle（华盛顿国家美术馆，「艺术界的 Wordle」）：每天一画、4 次猜画家，猜错就弹出同画家另一幅作品（冷门→名作递进）。「答错＝又看到一幅画」，把惩罚变奖励；游戏只是钩子，看懂藏品才是目的 [91][92]。这是把「看画」做成每日游戏最干净的范本，与你的发现内核完全一致。
• Infinite Craft：合成元素发现新元素，「First Discovery」标签让你成为「全球第一个造出它的人」。诗 × 风格 × AI 随机＝每次都不一样，「你是第一个把这首诗画成这样的人」可直接做成机制 [95][96]。
• DailyArt：每天一幅名作 + 一段背后小故事，「在毫无察觉中学了一堆艺术史」。标杆在剂量控制 + 不说教 [99][100]。
• 即梦 Dreamina 的「做同款」：一键套用别人画同一首诗的版本再生成自己的——把「别人的发现」变成「我的起点」，天然撞见多样性 [87][88]。
• Artbreeder：滑块「基因」（冷暖/光照/风格）+ 杂交两图出子代，常产出意外又惊艳的中间态 [17][103]。

必须躲开的坑： 1. 别做成另一个妙鸭/Lensa：纯工具＝低频、审美疲劳、用完即走 [106][108][110]。靠发现+收集+每日+做同款续命。 2. 别只给图不给「看的角度」：每日故宫被批「大量文物没介绍、核心体验没做细」[97]。判断角度要短、不像上课，但必须有。 3. 别把「再画一次」滑向抽卡赌博：可变奖励+付费重抽＝暗黑模式 [112]。Wordle 式低迭代约束反而是你的天然护城河，要守住。

六、综合：六条贯穿所有方向的设计铁律

无论选下面哪个方向做实验，这六条都成立——它们是研究收敛出的「不要踩」：

1. 一次只变一个维度做对比，先变画种。 同屏放「同一首诗的水墨 / 青绿 / 版画」，落差最大、最不用解释。不要一上来把所有维度全变（会糊成一锅，也丢了「是这一个选择造成的差别」的教学价值）。
2. 揭晓是产品的「峰」，资源砸这里。 用显影 + 分层揭晓把 150–180 秒变成蓄势，而不是要消除的成本。峰终定律说这一刻决定整段记忆 [80]。
3. 不可重来是护城河，保留；但必须有质量地板。 用策展风格库 + 内部多采样兜底，绝不让不可重来的一笔撞上烂图，否则发现变惩罚 [19][21]。
4. 区分「硬核心」与「软余地」，别堆约束。 用户点名的意象（圈的字、写的那句）当硬约束保证命中；构图/光/细节留给模型即兴。多约束命中率只有 35.8%，堆得越多丢得越多 [55]。管理预期：产品语言是「AI 来『画』这首诗」（演绎），不是「精确复现你脑中的画面」。
5. 守住「是我引发的」。 保留载荷选择（选诗、圈意象、选方向），否则发现退化成「旁观 AI 抽奖」，也会沦为妙鸭 [66][67]。
6. 每张配一句「看的角度」，短、不像上课。 这是你既定内核（判断角度不靠术语）的落地，也是 VTS 与 DailyArt 的共同做法 [43][99]。

七、三个可分别实验的设计方向

三者不互斥，可叠加。每个都按 MDA 三层 + 与慢渲染的契合度 + 与现有代码的距离来描述。

方向一 · 今日盲盒，一笔定（Wordle 式赌注）—— 推荐先做

• 乐趣（A）：发现「我没想到能成这样」的惊喜 + 每日仪式。
• 机制（M）：每日/限量一首诗。用户给一个轻而个人的读法（圈一个意象 / 选一个方向 / 写一句），押一笔——不能调、不能重来，结果以显影仪式揭晓。几笔＝对同一首诗的几种解读各押一次。结果进「我的揭晓」册，emoji 式不剧透分享。
• 动态（D）：可变奖赏、品味式等待、峰终、习惯养成。
• 慢渲染契合：极高——慢＝蓄势，不可重来＝真赌注，物理约束直接变成引擎 [11][82]。
• 与现有代码距离：最近。砍掉现在那套术语 chip 表单，把输入轻化成「一句话 + 圈意象」，把出图揭晓做成仪式即可。最快能验证「发现」假设成不成立。
• 风险：单看一张，「同一首诗能多样」的发现要靠多日/多笔累积才显现——所以必须配「我的揭晓」收藏来呈现跨次的多样性。

方向二 · 一诗百象图鉴（对比驱动）—— 发现内核的主干

• 乐趣（A）：发现「同一首诗能差这么多」+「绘画有这么多门道」——最大化兑现核心美学。
• 机制（M）：每首诗 ＝ 一面网格图鉴，每格是这首诗沿某一维度的一个变体（先主打画种：水墨/工笔/青绿/版画/油画/写实…）。用户每次落笔填一格，但落笔前做一个载荷选择（圈哪个意象/定个基调），所以每格是「我在风格 X 下的读法」，不是纯抽卡。格子填满＝集齐。并置即对比即教学（VTS）。
• 动态（D）：完成主义（看遍所有样子）、并置对比的 aha、每格揭晓的期待。
• 慢渲染契合：高——图鉴是异步的，不催你；每格一次揭晓仪式。
• 与现有代码距离：中。复用圈字+落笔+出图，新增「网格收藏视图」+「按维度生成变体」的 prompt 策略。
• 文化/教育学背书最强：直接对应辋川图/富岳三十六景/塞尚，以及 VTS 比较教学法 [26][47][45][41]。

一与二可叠加：图鉴的每一格，用「盲盒揭晓」的方式来填。这就是 Artle（每日揭晓）+ Pokédex（收集图鉴）的合体。

方向三 · 推一下看看，视觉旋钮（杂交/变异探索）—— 进阶，依赖前提

• 乐趣（A）：发现「每个视觉杠杆到底改变什么」——直接兑现「绘画有这么多门道」。
• 机制（M）：出第一张后，给极少数几个视觉旋钮（更冷/更空/更夜/换画种），每推一下＝沿一个维度生成一张新的，并排看前后差异；或把两张已出的杂交出第三张（Artbreeder 式）[17]。
• 动态（D）：连续微发现、因果学习（推这个→变那样）。
• 慢渲染冲突（诚实提示）：Artbreeder 好玩是因为秒出，而你 150 秒/张。所以旋钮要么稀缺/珍贵（每推一下都要扣笔、慎重），要么得引入一个快模型出低清预览、再用慢模型定稿——后者会偏离「慢渲染纯粹性」，是个明确 tradeoff，取决于你是否愿意为「可玩的探索」破例。
• 与现有代码距离：中—大。
• 建议：等方向一/二验证了「发现」确实成立，再考虑三；或先做「杂交两张已出图」的轻量版（不需要快模型）。

八、局限与注意

• 未做用户测试：以上是设计推理 + 跨域研究，不是 A/B 数据。三个方向都该用最小原型在 5–10 首诗上验证，先验证「盲盒一笔定」。
• 基准来源混杂：模型遵循度榜单（lmarena、Artificial Analysis）多为人类投票，方向性有用但非权威；Midjourney 从不公布基准 [50]。GenEval 2 的 35.8% 是当前可查的最硬数据点 [55]，但模型每季度在变，需复核。
• 中文一手史料：诗画传统部分较多依赖百度百科/媒体二手转述，王维《辋川图》摹本流变以北大人文社科院文章为相对可靠锚点 [26]，做正式文案前建议核对一手画论。
• 暗黑模式的边界：发现型设计离 gacha 剥削只有一线；本研究明确建议守住不可重来、不引入付费重抽 [112]。这既是伦理也是产品差异化。
• 「饱和」风险：信息缺口填满后好奇会熄灭 [3]。要让「可发现空间」显得近乎无限（同一首诗永远还有没见过的样子），并给渐进揭示以「小胜利」，别只吊着 [5]。

九、建议（下一步）

1. 先做方向一的最小原型：每日一首 → 轻输入（圈意象+一句话）→ 押一笔 → 显影揭晓 → 进「我的揭晓」。砍掉现有术语 chip 表单。这是离现状最近、最契合慢渲染、最快能验证「发现假设」的实验。
2. 揭晓动画是这一版的重点工程，不是附属——它是产品的峰终。优先把「显影 + 分层揭晓」做到位。
3. 同步埋下方向二的图鉴骨架：哪怕先只做「同一首诗的画种维度」一行格子，让用户第一次撞见「同一首诗，水墨和青绿是两个世界」。
4. prompt 策略立刻调整：硬约束＝用户圈的意象+写的句；软余地＝构图/光/细节交给模型；内部多采样挑「非典型但贴题」的揭晓，对抗 AI 味。
5. 方向三延后，或先做不依赖快模型的「杂交两张已出图」轻量版。

参考文献（Bibliography）

游戏设计 / MDA / 发现心理学 1. MDA framework — Wikipedia — https://en.wikipedia.org/wiki/MDA_framework 2. The 8 Kinds of Fun — Skeleton Code Machine — https://www.skeletoncodemachine.com/p/the-8-kinds-of-fun 3. Curiosity, Information Gaps, and the Utility of Knowledge — Golman & Loewenstein, CMU — https://www.cmu.edu/dietrich/sds/docs/golman/golman_loewenstein_curiosity.pdf 4. The psychology and neuroscience of curiosity — PMC — https://pmc.ncbi.nlm.nih.gov/articles/PMC4635443/ 5. (Don’t) mind the gap? Information gaps compound curiosity yet feed frustration — ScienceDirect — https://www.sciencedirect.com/science/article/abs/pii/S0749597823000523 6. Variable Rewards: Want To Hook Users? — Nir Eyal — https://www.nirandfar.com/want-to-hook-your-users-drive-them-crazy/ 7. 3 Types of Variable Rewards — Nir Eyal (LinkedIn) — https://www.linkedin.com/pulse/3-types-variable-rewards-hook-your-users-nir-eyal 8. The Compulsive Nature of Gacha Games — Medium — https://medium.com/@kedas_38457/the-compulsive-nature-of-gacha-games-55016c7b54da 9. Loot Boxes, Gacha, And The “Near-Miss” Effect — GeekVibesNation — https://geekvibesnation.com/loot-boxes-gacha/ 10. The Science of Gacha: Drop Rates and Fairness — https://loot-box-probability-mechanics.pages.dev/blog/the-science-of-gacha-understanding-drop-rates-and-fairness 11. The Psychology of Wordle — Psych News Daily — https://psychnewsdaily.com/the-psychology-of-wordle/ 12. Roguelike Level Design Addendum — Grid Sage Games — https://www.gridsagegames.com/blog/2019/03/roguelike-level-design-addendum-static-procedural/ 13. Why Are Roguelike Games So Engaging — RetroStyle Games — https://retrostylegames.com/blog/why-are-roguelike-games-so-engaging/ 14. Creating the Craving: Why is There a Pokedex? — Treasure Savvy — https://treasuresavvy.wordpress.com/2016/04/10/creating-the-craving-or-why-is-there-a-pokedex/ 15. Townscaper — Wikipedia — https://en.wikipedia.org/wiki/Townscaper 16. How Townscaper Works — Game Developer — https://www.gamedeveloper.com/game-platforms/how-townscaper-works-a-story-four-games-in-the-making 17. Artbreeder — Wikipedia — https://en.wikipedia.org/wiki/Artbreeder 18. Exploring Latent Dimensions of Crowd-sourced Creativity — arXiv — https://arxiv.org/pdf/2112.06978 19. Randomness and Game Design — Game Developer — https://www.gamedeveloper.com/design/randomness-and-game-design 20. When Randomize Game Design Goes Too Far — Game Wisdom — https://game-wisdom.com/critical/randomness-game-design 21. How to Fight RNG in Game Design — Game Developer — https://www.gamedeveloper.com/design/how-to-fight-rng-in-game-design

绘画语言 / 诗画传统 / 视觉素养 22. 诗中有画画中有诗 — 百度百科 — https://baike.baidu.com/item/诗中有画画中有诗/201242 23. 诗中有画，画中有诗 — 百度百科 — https://baike.baidu.com/item/诗中有画，画中有诗/8621409 24. 王维经典诗八首 — 澎湃新闻 — https://www.thepaper.cn/newsDetail_forward_12709488 25. 诗歌与绘画——从王维看中国古代的诗画论 — 新浪博客 — https://blog.sina.com.cn/s/blog_1989145ad0102ynki.html 26. 宁晓萌：辋川图现象 — 北京大学人文社会科学研究院 — http://www.ihss.pku.edu.cn/templates/zs_mt/index.aspx?nodeid=152&page=ContentPage&contentid=2544 27. 王维与辋川别业 — 上海老年报 — https://mzj.sh.gov.cn/lnb-wsws/20220208/b797a141b97e486dacb33313c4ec6144.html 28. 国画中的34种技法 — 网易 — https://www.163.com/dy/article/GCN3ND8A0521BOGU.html 29. 长安雅士浅论工笔画与写意画的区别 — 知乎 — https://zhuanlan.zhihu.com/p/441276229 30. 浅析中国山水画中的散点透视和意境美 — 中国收藏网 — http://news.socang.com/2019/08/20/1712352402.html 31. 中国画散点透视和油画焦点透视有何不同 — 百度百科TA说 — https://wapbaike.baidu.com/tashuo/browse/content?id=2792313e21aaa0fb6810e8cc 32. Guide to Camera Shots: Every Shot Size Explained — StudioBinder — https://www.studiobinder.com/blog/types-of-camera-shots-sizes-in-film/ 33. 16 Types of Camera Shots & Angles — Boords — https://boords.com/blog/16-types-of-camera-shots-and-angles-with-gifs 34. Chiaroscuro — Wikipedia — https://en.wikipedia.org/wiki/Chiaroscuro 35. How to Use Chiaroscuro — MasterClass — https://www.masterclass.com/articles/how-to-use-chiaroscuro-to-add-dimension-to-your-film 36. Creating Mood in Art with Color Temperature — Nuart Planet — https://nuartplanet.com/creating-mood-in-art-with-color-temperature-warm-cool-explained/ 37. The Power of Color: Art’s Emotional Palette — WikiArt — https://www.wikiart.org/news/exploring-the-role-of-color-in-art-and-emotion/ 38. What Is Negative Space? — Skillshare — https://www.skillshare.com/en/blog/what-is-negative-space-design-psychology/ 39. Negative Space in Art — Zephyeer — https://zephyeer.com/blogs/art-education/negative-space-in-art 40. How to Build Visual Literacy — Serenade Magazine — https://serenademagazine.art/how-to-build-visual-literacy-a-beginners-guide-to-looking-at-art/ 41. What is VTS? — The Thinking Eye — https://www.thinkingeye.org/what-is-vts 42. Overview of Aesthetic Development — VTS Home — https://vtshome.org/aesthetic-development/ 43. Theory into Practice: Visual Thinking Strategies — Philip Yenawine — https://www.philipyenawine.com/vts/2020/8/23/theory-into-practice-visual-thinking-strategies 44. Art Pedagogy — Jerwood Visual Arts Glossary — https://jerwoodvisualarts.org/art-education-and-methodologies-glossary/art-pedagogy/ 45. Cézanne Painted Mont Sainte-Victoire Dozens of Times — Artnet — https://news.artnet.com/art-world/cezanne-mont-sainte-victoire-1937995 46. A Closer Look at the Mont Sainte-Victoire Series — Draw Paint Academy — https://drawpaintacademy.com/mont-sainte-victoire/ 47. Thirty-six Views of Mount Fuji — Wikipedia — https://en.wikipedia.org/wiki/Thirty-six_Views_of_Mount_Fuji 48. Hokusai’s 36 Views & Japonisme — GalleryThane — https://gallerythane.com/en-us/blogs/news/hokusais-36-views-of-mount-fuji-its-influence-on-western-art-and-japonisme 49. 36 Views of the Golden Gate Bridge — Arthur Drooker — https://www.arthurdrooker.com/the-bridge/

文生图模型 / 期待落差 / 等待与揭晓 UX 50. What is the Best AI Image Generator — CometAPI — https://www.cometapi.com/what-is-the-best-ai-image-generator/ 51. What Is FLUX 1.1 Pro — MindStudio — https://www.mindstudio.ai/blog/what-is-flux-1-1-pro 52. GPT Image 2 vs Midjourney v7 (2026) — AI.cc — https://www.ai.cc/blogs/gpt-image-2-vs-midjourney-v7-comparison-2026/ 53. GPT Image 2 vs Midjourney — Skywork — https://skywork.ai/skypage/en/gpt-image-2-vs-midjourney/2047148805738819585 54. Midjourney Complete Guide 2026 — AI Video Bootcamp — https://aivideobootcamp.com/blog/midjourney-complete-guide-2026/ 55. GenEval 2 — arXiv 2512.16853 — https://arxiv.org/html/2512.16853v1 56. Investigating Prompt Engineering in Diffusion Models — arXiv 2211.15462 — https://arxiv.org/abs/2211.15462 57. Harnessing Seeds for Variations in Stable Diffusion — https://aiimagegenerator.is/blog-Harnessing-the-Power-of-Seeds-for-Variations-in-Stable-Diffusion-Images-1357 58. What is CFG Scale (Stable Diffusion) — AI Photo Generator — https://www.aiphotogenerator.net/blog/2026/02/what-is-cfg-scale-stable-diffusion 59. Quality — Midjourney Docs — https://docs.midjourney.com/hc/en-us/articles/32176522101773-Quality 60. UX of AI Art Generators: Magical, Mystifying, Macabre — UserTesting — https://www.usertesting.com/blog/ux-ai-art-generators-magical-mystifying-and-macabre 61. Default Images in Text-to-Image — arXiv 2505.09166 — https://arxiv.org/html/2505.09166v5 62. Agency in Human-AI Collaboration — Taylor & Francis 2025 — https://www.tandfonline.com/doi/full/10.1080/10400419.2025.2587803 63. Prompt Engineering for Stable Diffusion — Portkey — https://portkey.ai/blog/prompt-engineering-for-stable-diffusion/ 64. Verbalized Sampling — arXiv 2510.01171 — https://arxiv.org/abs/2510.01171 65. Verbalized Sampling explainer — DataSci Ocean — https://datasciocean.com/en/paper-intro/verbalized-sampling/ 66. User-centered Co-creativity Framework — ACM CHI — https://dl.acm.org/doi/fullHtml/10.1145/3613905.3650929 67. Agency-First Framework for Generative AI — MDPI Electronics — https://www.mdpi.com/2079-9292/15/4/877 68. Anticipation: The Psychology of Waiting in Line — psychologicalscience.org — https://www.psychologicalscience.org/news/were-only-human/anticipation-the-psychology-of-waiting-in-line.html 69. Impatience, Savoring vs Dread (Hardisty 2020) — J. Consumer Psychology — https://myscp.onlinelibrary.wiley.com/doi/abs/10.1002/jcpy.1169 70. The Science of Anticipation — Medium — https://medium.com/@kp_80900/the-science-of-anticipation-why-looking-forward-to-something-might-be-better-than-the-thing-itself-31fb53dc92ee 71. Polaroids, Delayed Gratification & the Dopamine Problem — Very Big Brain — https://verybigbrain.com/psychology-thinking/polaroids-delayed-gratification-and-the-modern-brains-dopamine-problem/ 72. Flashback (instant-film app) — https://joinflashback.co/en-us 73. How to Speed Up Your UX with Skeleton Screens — SitePoint — https://www.sitepoint.com/how-to-speed-up-your-ux-with-skeleton-screens/ 74. Skeleton loading screen design — LogRocket — https://blog.logrocket.com/ux-design/past-present-skeleton-screen/ 75. Designing Better Loading & Progress UX — Smart Interface Design Patterns — https://smart-interface-design-patterns.com/articles/designing-better-loading-progress-ux/ 76. The Psychology of Waiting in UX — Design Bootcamp — https://medium.com/design-bootcamp/the-psychology-of-waiting-in-ux-0f0b24cdeb8f 77. Unboxing the User Experience — Medium (Aditii) — https://medium.com/@aditis.singh99/unboxing-the-user-experience-why-that-pretty-box-matters-more-than-you-think-fde4c92bb82e 78. Designing the Unboxing Experience — The Good — https://thegood.com/insights/unboxing-experience/ 79. 5 Rules for the Unboxing Experience — crowdspring — https://www.crowdspring.com/blog/packaging-unboxing-experience/ 80. The Peak-End Rule — Nielsen Norman Group — https://www.nngroup.com/articles/peak-end-rule/ 81. Peak-End Rule — Laws of UX — https://lawsofux.com/peak-end-rule/ 82. Operant Conditioning in UI/UX — Design Bootcamp — https://medium.com/design-bootcamp/designing-user-delight-leveraging-operant-conditioning-in-ui-ux-for-engaging-experiences-4c3bb7d3b374

同类产品 / 复盘 83. Poem Postcards — Google Arts & Culture — https://artsandculture.google.com/experiment/poem-postcards/ZgG5_uTbBgTpIQ 84. Google’s Redesigned Arts & Culture App — TechCrunch — https://techcrunch.com/2023/08/09/googles-redesigned-arts-culture-app-ai-generated-postcards-feature-play-tab/ 85. 国产AI作画神器文心一格 — 量子位 — https://www.qbitai.com/2022/08/37097.html 86. AI绘画6大工具对比 — 优设网 — https://www.uisdc.com/6-ai-draw-tools 87. 即梦AI 官网 — https://jimeng.jianying.com/ 88. 即梦 Dreamina 介绍 — AI工具网 — https://www.ai138.com/link/1489.html 89. 数字故宫 — 故宫博物院 — https://www.dpm.org.cn/bottom/friend.html 90. 数字故宫/畅游多宝阁 — 数英 — https://www.digitaling.com/projects/152887.html 91. Artle — National Gallery of Art — https://www.nga.gov/artle 92. New Daily Game Like Wordle for Art — Smithsonian Magazine — https://www.smithsonianmag.com/smart-news/new-daily-game-like-wordle-for-art-180980083/ 93. Artle — The Art Newspaper — https://www.theartnewspaper.com/2022/05/26/artle 94. NYT Connections — Tom’s Guide — https://www.tomsguide.com/news/todays-connections-answer 95. Infinite Craft — Wikipedia — https://en.wikipedia.org/wiki/Infinite_Craft 96. Infinite Craft addictive loop — Oreate AI — https://www.oreateai.com/blog/infinite-craft-the-endlessly-addictive-game-that-lets-you-build-worlds-and-sometimes-wild-stories/d0f6a49afa549036abc158a8914f05c9 97. 每日故宫设计点评 — 少数派 — https://sspai.com/post/28953 98. 如何评价每日故宫 — 知乎 — https://www.zhihu.com/question/28174414 99. DailyArt — My Modern Met — https://mymodernmet.com/dailyart-app-zuzanna-stanska/ 100. DailyArt 官网 — https://www.getdailyart.com/ 101. Play with Google Arts & Culture — https://artsandculture.google.com/play 102. 4 New Games from Google Arts & Culture — Google Blog — https://blog.google/outreach-initiatives/arts-culture/4-new-games-and-experiments-from-google-arts-culture-to-inspire-your-summer/ 103. Artbreeder features — aitoolscoop — https://aitoolscoop.com/tool/artbreeder/ 104. Generative Art in NFT Minting — Block3 Finance — https://www.block3finance.com/the-role-of-generative-art-in-the-future-of-nft-minting 105. Cautionary Tales From Hyped NFTs — nftnow — https://nftnow.com/features/cautionary-tales-from-hyped-nfts-pixelmon-hape-prime-and-more/ 106. 妙鸭相机一年后复盘 — 知乎 — https://zhuanlan.zhihu.com/p/710339081 107. 妙鸭相机现状 — 澎湃新闻 — https://www.thepaper.cn/newsDetail_forward_28151694 108. 妙鸭团队解散 — 网易 — https://www.163.com/dy/article/KTFFCSPP0511U82T.html 109. Why Is AI Art So Cringe — Vice — https://www.vice.com/en/article/why-is-ai-art-so-bad/ 110. After the Hype: Why AI Art Will Fade — Craig Boehman — https://craigboehman.com/blog/after-the-hype-why-ai-art-will-fade-to-a-commercial-niche 111. Loot box — Wikipedia — https://en.wikipedia.org/wiki/Loot_box 112. Gambling Mechanics in Gacha Games — Uniwriter — https://www.uniwriter.ai/psychology/gambling-mechanics-in-gacha-games-their-detrimental-effects-and-potential-mitigation-measures/

方法论附录

• 流程：deep 模式 8 阶段。SCOPE 由产品所有者锁定前提（发现为核心、慢渲染、不可重来）；RETRIEVE 用 4 个并行 general-purpose 子代理分管四领域，各返回结构化带引用的 digest；TRIANGULATE 跨子代理交叉验证（如 Artbreeder、Wordle、并置教学法在多领域被独立提及，互为印证）；SYNTHESIZE 由主代理整合并生成三方向 + 六铁律。
• 检索工具：本地 search CLI 仅配 stealth provider，子代理改用 WebSearch + WebFetch 完成。MDA 原始 PDF 抓取为二进制乱码，发现的定义以 Wikipedia + Skeleton Code Machine 二手交叉确认（两者一致：「Game as uncharted territory」）。
• 来源构成：112 条，含学术论文（arXiv/PMC/ACM/Wiley）、美术史与教育机构（NGA/VTS/Yenawine）、产品官方与媒体复盘（含中文一手产品复盘）、UX 专业写作（NN/G、Laws of UX）。
• 置信度：游戏心理学与等待/揭晓 UX 部分置信度高（多源、含经典文献）；模型基准部分置信度中（榜单易变、Midjourney 不公开数据）；中文诗画史部分置信度中（较依赖二手转述，建议正式文案前核对一手画论）。