泡泡抽盒机概率推测

问题从哪里来

买盲盒或玩抽盒游戏时，你通常只拿到一张线索图：每个盒子上标着两个"一定不是"的品种。仅凭这些排除信息，很难直接判断某个款式最可能藏在哪号盒里，更难回答"先买哪个才最划算"。泡泡抽盒机概率推测 要解决的就是这类问题：把排除法线索转换成可读的概率统计表，并进一步给出自适应的抽盒策略。

核心能力与工作步骤

技能分为两条工作流。

Workflow A：概率分布计算

1. 解析线索：从图片或文字中提取品种名、盒子编号，以及每个盒子的两个排除项。识别完成后先用表格复述，让用户确认没有认错标记。
2. 构建约束规格：按固定格式写出 exclusions（每个盒子不含的品种）与可选的 fixed（用户已确定的分配）。
3. 运行计算引擎：将规格传给 scripts/blindbox.py，引擎穷举全部满足约束的合法排列，输出合法排列总数、每个盒子可能的品种清单，以及 Markdown 概率表。
4. 呈现结果：直接展示统计表，并标注"某品种最可能出现的盒子及概率"。如果合法排列数大于 1，说明线索不足以唯一确定；如果等于 0，则说明线索自相矛盾。

Workflow B：最优抽盒顺序

在概率表确认无误后，技能会根据你的购买目标（任一模式、集齐无序、集齐有序、避开某款）运行抽盒顺序引擎。引擎在全部合法排列上做 expectimax，每步选择期望代价最低的未开盒；代价由本次抽取加避开惩罚构成。抽盒是不放回的，策略会根据已开出的款式动态更新后验，给出第一抽建议和首抽应对表。有序模式下还会对比反向顺序的期望次数，说明购买顺序本身就会影响期望。

适用边界

• 穷举复杂度是 N!，日常盲盒的 N 通常不超过 8，可以直接用；规模过大时会变慢。
• 同一品种既被排除又被固定会触发合法性报错，引擎拒绝执行。
• 概率表每一行之和应为 100%，可用它校验是否漏看了图中的排除项。