推荐用 std::random_device 初始化 std::mt19937，因其平衡速度与质量；注意分布区间为左闭右闭，多线程应使用 thread_local 隔离实例，MinGW 下需检查 entropy 防伪随机降级。
std::random_device 和 std::mt19937 怎么配对用
直接用 rand() 不安全，种子容易重复，生成序列可预测。现代 C++ 推荐用 std::random_device 当熵源，再喂给 std::mt19937（梅森旋转算法），这是目前最常用、平衡了速度和质量的组合。
-
std::random_device不保证每次都返回真随机数（某些平台可能退化为伪随机），但它是唯一标准库中设计用来“初始化种子”的工具，别手写time(nullptr)塞给mt19937 -
std::mt19937是 32 位版本；需要 64 位请用std::mt19937_64，两者接口一致，但分布范围和周期不同 - 不要每次生成一个数都 new 一个
mt19937对象——构造开销小，但反复初始化会浪费熵、还可能让random_device耗尽资源（尤其在嵌入式或容器环境）
示例：
std::random_device rd; std::mt19937 gen(rd()); // 一次初始化就够了 std::uniform_int_distribution<int> dist(1, 6); int roll = dist(gen); // 多次调用复用 gen
uniform_int_distribution 和 uniform_real_distribution 参数陷阱
这两个分布类控制输出范围，但闭合/开放区间容易搞反：它们都是左闭右闭（inclusive），即 dist(a, b) 可能返回 a 和 b 本身。这点和 Python 的 random.randint 一致，但和 random.uniform 不同。
- 整数场景：想要 [1, 6] 的骰子，写
uniform_int_distribution<int>(1, 6)</int>正确；若误写成(0, 5)，结果就偏移了 - 浮点场景：想要 [0.0, 1.0) 半开区间（比如模拟概率阈值），不能用
uniform_real_distribution直接写(0.0, 1.0)——它会包含 1.0；得手动处理：double x = dist(gen); if (x == 1.0) x = 0.0;，或者改用std::generate_canonical - 类型必须匹配：传
int给uniform_real_distribution<double></double>会编译失败，错误信息通常是no matching function for call to ...
多线程下 rand() 和 std::mt19937 谁更危险
rand() 全局状态，多线程不加锁直接调用会导致数据竞争，结果不可预测，甚至 crash；std::mt19937 是对象实例，天然线程安全——只要每个线程用各自的 gen 对象。
- 千万别在多个线程里共享同一个
std::mt19937实例并并发调用；虽然不会崩溃，但会破坏随机性（内部状态被交叉修改） - 如果必须全局访问，用 thread_local 存储：
thread_local std::mt19937 gen(std::random_device{}());，这样每个线程有独立副本，且只初始化一次 - 注意
std::random_device本身不是线程安全的，所以不要在多线程里反复用它构造新gen
Windows 下 MinGW 和 MSVC 的 random_device 行为差异
MSVC 的 std::random_device 在较新版本（VS 2019+）已对接 Windows CryptGenRandom（即 BCryptGenRandom），是真随机；但 MinGW-w64 默认仍回退到伪随机（基于时间+PID），导致 rd() 每次返回相同种子。
立即学习“C++免费学习笔记（深入）”；
- 验证方法：打印几次
rd()值，若全一样，说明被降级了 - 临时绕过：用
rd.entropy() == 0.0判断是否可用，不行就 fallback 到std::chrono::steady_clock::now().time_since_epoch().count()加上线程 ID 混淆 - 长期建议：升级 MinGW-w64 到 11.0+ 并启用
-D_GLIBCXX_USE_CXX11_ABI=1，部分构建已支持硬件随机数
真随机源不可靠时，种子质量决定一切；别假设 random_device 在所有平台都“够用”。
