真人出牌延迟为什么是多峰分布：节奏拟人化的数学基础

玩家判断同桌是不是人，最先用的不是牌力而是节奏：秒出的跟牌、不合时宜的长考、整局像节拍器的间隔，三局之内足以形成判断。出牌延迟因此是拟人化工程的第一优先级——它比决策质量更容易被玩家感知，也更容易被数学描述和验收。

把真人房的对局日志按延迟画直方图，看到的不是单峰而是三个明显的峰：跟牌、接炸这类近乎无决策的动作集中在0.5-1秒；普通选择集中在2-4秒；真正的长考拖到8秒以上且右偏很长。三个峰的混合比例大致是6:3:1——多数动作落在快峰，长考是少数但不可缺少的第三峰，缺了它节奏就假。

延迟分布是场景的函数而不是常数：炸弹落地后所有人的延迟右移，对手报牌后同理，关键局比垃圾局整体慢三成以上。只学全局分布、不看场景的机器人会“该快的局面慢、该慢的局面快”，节奏与局面脱钩是比延迟数值本身更强的机器信号。

• 牌局压力：炸弹后、报牌后、决胜局，延迟中位数上移30%-60%
• 动作信息量：可选项越多延迟越长，唯一合法动作接近快峰下限
• 连续动作：真人长考后常连出快牌，节奏呈“停顿-爆发”结构而非独立同分布

同一段全局分布套所有人，结果是一桌四个“同款节奏”的复制人。真人的节奏是个体属性：急性子快峰占比高、长考短；慢性子基线整体上移、长考频繁。给每个AI身份配一组分布参数（峰位、峰宽、混合比例、爆发倾向），同桌四人的节奏互不重合——这一步的实现成本极低，盲测收益极高。

固定sleep是最差的方案：间隔完全一致等于自报身份。均匀随机看似自然，实则同样露馅——真人延迟高度集中在快峰，均匀随机会稳定产生真人几乎不会出现的“平庸延迟”，直方图一拉是一条平线，而真人是一条尖峰长尾。分布形状对不上，均值调得再准也没用。

// 表演延迟采样：按场景选峰，按身份取参数
peak = classify(action, context)          // trivial / normal / hard
p    = persona.rhythm_params[peak]        // 个体峰位与峰宽
t    = lognormal_sample(p.mu, p.sigma)    // 峰内对数正态，右偏
t    = t * context_factor(context)        // 炸弹后/报牌后整体右移
t    = burst_adjust(t, persona)           // 长考后连发快牌
think_ms = clamp(t, 400, 12000)           // 物理上下限