Menü
对比审核技能。对比生成剧本与爆款剧本的节奏、对话、情绪、框架，给出PASS/FAIL判断和改进建议。
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
完整的多Agent多Skill小说改编项目。开源版运行时依赖 agents/skills/references，原始 sources 不随仓库分发。
调用 nano banana API（gemini-3.1-flash-image-preview）生成图片。支持纯文本生图和参考图生图。
小说改编分析技能。完成文本清洗、类型判定、冲突建模、角色一致性建模。
动画师技能。将静态分镜转化为图生视频的动态提示词（Motion Prompt）。
服化道设计技能。将导演分析产出的人物清单和场景清单转化为可直接用于文生图工具的详细提示词。
服化道审核技能。用于审核阶段二服化道设计产出（人物设定提示词、场景环境提示词），通过逐项比对、脑内预演和评分制确保造型准确、风格一致、提示词可执行。
Basierend auf der SOC-Berufsklassifikation
| name | comparative-review-skill |
| description | 对比审核技能。对比生成剧本与爆款剧本的节奏、对话、情绪、框架，给出PASS/FAIL判断和改进建议。 |
../../references/00-first-principles.md — 第一性原则（可拍性、留存性、一致性、可验证性）../../references/03-script-writing-standard.md — 剧本写作标准（对话比、视觉标记、网文感、节奏控制）../../references/04-review-gates.md — 审核门槛（PASS/FAIL标准、回改流程）对比生成剧本与参考的爆款剧本，从多个维度进行分析，防止AI味，确保剧本质量。
统计指标：
对比方法：
# 统计生成剧本
generated = analyze_rhythm(generated_script)
# 统计参考剧本（5个的平均值）
reference = average([analyze_rhythm(ref) for ref in reference_scripts])
# 对比
rhythm_score = compare_metrics(generated, reference)
判断标准：
统计指标：
网文感关键词：
wanwen_keywords = [
'冷笑', '嗤笑', '冷哼', '冷声', '冷冷',
'眼神一冷', '眸光一沉', '嘴角勾起',
'不屑', '轻蔑', '讥讽', '嘲讽',
'霸气', '强势', '凌厉', '锐利'
]
判断标准：
统计指标：
情绪词汇：
emotion_words = {
'愤怒': ['愤怒', '暴怒', '怒火', '气愤', '恼怒'],
'悲伤': ['悲伤', '难过', '伤心', '痛苦', '绝望'],
'惊讶': ['惊讶', '震惊', '惊愕', '愕然', '惊呆'],
'恐惧': ['恐惧', '害怕', '惊恐', '畏惧', '胆寒'],
'喜悦': ['喜悦', '高兴', '欣喜', '愉悦', '兴奋']
}
判断标准：
结构要素：
判断标准：
检查对象：当前集与前一集的内容对比
检查项：
判断标准：
示例：
# 检查场景重复
ep01_scenes = extract_scenes(ep01_script)
ep02_scenes = extract_scenes(ep02_script)
duplicate_scenes = find_duplicates(ep01_scenes, ep02_scenes)
if duplicate_scenes:
feedback.append({
'dimension': '跨集内容重复',
'issue': '发现重复场景',
'location': f'第{N}集与第{N-1}集',
'duplicates': duplicate_scenes,
'suggestion': '删除重复场景，或改为新的场景'
})
检查对象：当前集的事件结构
检查项：
判断标准：
示例：
# 检查事件完整性
event_structure = analyze_event_structure(script)
if not event_structure['has_beginning']:
feedback.append({
'dimension': '事件完整性',
'issue': '事件缺少开始',
'suggestion': '添加事件的触发点'
})
if not event_structure['has_ending']:
feedback.append({
'dimension': '事件完整性',
'issue': '事件缺少结束',
'suggestion': '添加事件的结果或转折'
})
# 加载生成剧本
with open(generated_script_path, 'r') as f:
generated_script = f.read()
# 加载参考剧本（之前检索的Top 5）
reference_scripts = []
for ref_path in reference_paths:
with open(ref_path, 'r') as f:
reference_scripts.append(f.read())
# 生成剧本指标
gen_rhythm = analyze_rhythm(generated_script)
gen_style = analyze_style(generated_script)
gen_emotion = analyze_emotion(generated_script)
gen_structure = analyze_structure(generated_script)
# 参考剧本平均指标
ref_rhythm = average([analyze_rhythm(ref) for ref in reference_scripts])
ref_style = average([analyze_style(ref) for ref in reference_scripts])
ref_emotion = average([analyze_emotion(ref) for ref in reference_scripts])
ref_structure = average([analyze_structure(ref) for ref in reference_scripts])
feedback = []
# 节奏对比
if abs(gen_rhythm['scene_count'] - ref_rhythm['scene_count']) > 2:
feedback.append({
'dimension': '节奏',
'issue': f"场景数偏{'少' if gen_rhythm['scene_count'] < ref_rhythm['scene_count'] else '多'}",
'generated': gen_rhythm['scene_count'],
'reference': ref_rhythm['scene_count'],
'suggestion': f"建议调整为{ref_rhythm['scene_count']}个场景"
})
# 对话风格对比
if gen_style['dialogue_ratio'] < 0.6:
feedback.append({
'dimension': '对话风格',
'issue': '对话比偏低',
'generated': f"{gen_style['dialogue_ratio']:.1%}",
'reference': f"{ref_style['dialogue_ratio']:.1%}",
'suggestion': '增加对话，减少叙述性文字'
})
# 跨集内容重复检查
if previous_script:
duplicate_scenes = find_duplicate_scenes(generated_script, previous_script)
if duplicate_scenes:
feedback.append({
'dimension': '跨集内容重复',
'issue': '发现重复场景',
'location': f'第{N}集与第{N-1}集',
'duplicates': duplicate_scenes,
'suggestion': '删除重复场景，或改为新的场景',
'severity': 'CRITICAL' # 必须修复
})
# 事件完整性检查
event_structure = analyze_event_structure(generated_script)
if not event_structure['is_complete']:
feedback.append({
'dimension': '事件完整性',
'issue': event_structure['issue'],
'suggestion': event_structure['suggestion'],
'severity': 'CRITICAL' # 必须修复
})
# ... 其他维度对比
report = {
'verdict': 'PASS' if len(feedback) == 0 else 'FAIL',
'overall_score': calculate_overall_score(gen, ref),
'dimensions': {
'rhythm': rhythm_score,
'style': style_score,
'emotion': emotion_score,
'structure': structure_score
},
'feedback': feedback,
'reference_examples': find_best_examples(feedback, reference_scripts)
}
【综合审核报告】
判定：FAIL
综合得分：72/100
## 维度得分
- 节奏：65/100 ⚠️
- 对话风格：70/100 ⚠️
- 情绪冲击力：80/100 ✓
- 框架结构：85/100 ✓
- 跨集内容重复：FAIL ❌
- 事件完整性：FAIL ❌
## 详细反馈
### 跨集内容重复问题（CRITICAL）
1. 发现重复场景
- 位置：第2集与第1集
- 重复内容：搜身 + 签字 + 离开
- 建议：删除第2集的重复内容，改为新的场景（如拍卖会、修炼等）
### 事件完整性问题（CRITICAL）
1. 事件不完整
- 位置：第2集
- 问题：第2集重复了第1集的事件，没有新的完整事件
- 建议：第2集应该是一个新的完整事件，如"拍卖会展示实力"（入场 → 竞拍 → 展示 → 震惊）
### 节奏问题
1. 场景数偏少
- 生成剧本：6个场景
- 参考平均：8.5个场景
- 建议：增加2个过渡场景，建议在第3场景后和第5场景后各增加一个
2. 冲突密度偏低
- 生成剧本：0.015
- 参考平均：0.035
- 建议：在第3、5场景增加对抗情节
### 对话风格问题
1. 对话比偏低
- 生成剧本：45%
- 参考平均：72%
- 建议：增加对话，减少叙述。将叙述性文字改为对话形式
2. 句长偏长
- 生成剧本：18字符
- 参考平均：12字符
- 建议：拆分长句，增加短句比例
3. 视觉标记不足
- 生成剧本：1个/100字
- 参考平均：4个/100字
- 建议：增加视觉标记（冷笑、嗤笑、冷哼等）
## 参考示例
请参考以下爆款剧本的处理方式：
1. 《封总的复仇娇妻》第15集
- 对抗场景结构：先铺垫→冲突爆发→反转→钩子
- 对话节奏：短句+高密度+情绪化
2. 《霸总的替身新娘》第8集
- 打脸场景：层层递进，每次打脸都有新信息
- 视觉标记：冷笑、嗤笑、眼神一冷等高频使用
## 修改建议
优先级1（必须修改 - CRITICAL）：
- **删除第2集的重复内容，改为新的完整事件**
- **确保每集是一个独立的故事单元**
优先级2（必须修改）：
- 增加2个过渡场景
- 提高对话比到70%以上
优先级3（建议修改）：
- 拆分长句
- 增加视觉标记
优先级4（可选优化）：
- 增强情绪词汇密度
- 优化悬念设置