Menú
De forma predeterminada está seleccionado el prompt que primero revisa el origen. Puedes cambiar a un comando directo o descargar una copia local.
Lee SKILL.md y los archivos complementarios que muestra SkillsMP antes de decidir si quieres instalarlo.
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Un comando directo omite el prompt de revisión. Revisa el origen antes de ejecutarlo.
npx skills add https://github.com/Supreme-Ultimate/novel-to-script-team --skill one-by-one-comparison-skillEl comando permanece en una sola línea. Desplázate horizontalmente para revisarlo antes de copiarlo.
¿Prefieres una copia local? Descarga los archivos que SkillsMP tiene disponibles ahora.
Basado en la clasificación ocupacional SOC
Mostrando SKILL.md
| name | one-by-one-comparison-skill |
| description | 逐一对比技能。将生成剧本与每个参考剧本逐一对比，按照剧本评价标准给出详细批判和改进建议。 |
../../references/00-first-principles.md../../references/03-script-writing-standard.md../../references/04-review-gates.md将生成剧本与检索到的Top 5参考剧本逐一对比，每次对比都按照统一的评价标准进行深度分析，给出具体的批判和改进建议。
评分细则：
对比方法：
# 统计生成剧本
gen_scenes = count_scenes(generated_script)
gen_conflicts = count_conflicts(generated_script)
gen_conflict_density = gen_conflicts / len(generated_script)
# 统计参考剧本
ref_scenes = count_scenes(reference_script)
ref_conflicts = count_conflicts(reference_script)
ref_conflict_density = ref_conflicts / len(reference_script)
# 评分
scene_score = 5 if abs(gen_scenes - ref_scenes) <= 2 else max(0, 5 - abs(gen_scenes - ref_scenes))
conflict_score = 5 if gen_conflict_density >= 0.03 else gen_conflict_density / 0.03 * 5
评分细则：
对比方法：
# 对话比例
gen_dialogue_ratio = calculate_dialogue_ratio(generated_script)
ref_dialogue_ratio = calculate_dialogue_ratio(reference_script)
dialogue_score = 10 if gen_dialogue_ratio >= 0.7 else gen_dialogue_ratio / 0.7 * 10
# 句长
gen_avg_length = calculate_avg_sentence_length(generated_script)
ref_avg_length = calculate_avg_sentence_length(reference_script)
if 10 <= gen_avg_length <= 14:
length_score = 8
else:
length_score = max(0, 8 - abs(gen_avg_length - 12) * 0.5)
评分细则：
对比方法：
visual_markers = ['冷笑', '嗤笑', '冷哼', '眼神一冷', '眸光一沉', '嘴角勾起', '挑眉', '转身']
gen_marker_density = count_markers(generated_script, visual_markers) / (len(generated_script) / 100)
ref_marker_density = count_markers(reference_script, visual_markers) / (len(reference_script) / 100)
if 3 <= gen_marker_density <= 5:
marker_score = 10
else:
marker_score = max(0, 10 - abs(gen_marker_density - 4) * 2)
评分细则：
对比方法：
wanwen_keywords = {
'情绪强化': ['冷笑', '嗤笑', '冷哼', '冷声', '冷冷地'],
'态度词': ['不屑', '轻蔑', '讥讽', '嘲讽', '鄙夷'],
'气场词': ['霸气', '强势', '凌厉', '锐利', '凛然'],
'打脸词': ['啪啪打脸', '狠狠打脸', '当场打脸', '脸色一变']
}
gen_keyword_density = count_all_keywords(generated_script, wanwen_keywords) / (len(generated_script) / 100)
ref_keyword_density = count_all_keywords(reference_script, wanwen_keywords) / (len(reference_script) / 100)
if 1.5 <= gen_keyword_density <= 2.5:
keyword_score = 10
else:
keyword_score = max(0, 10 - abs(gen_keyword_density - 2) * 3)
评分细则：
对比方法：
structure_elements = {
'hook': check_opening_hook(script), # True/False
'development': check_continuous_conflict(script),
'climax': check_climax(script),
'twist': check_twist(script),
'ending': check_ending_hook(script)
}
structure_score = sum([
3 if structure_elements['hook'] else 0,
4 if structure_elements['development'] else 0,
3 if structure_elements['climax'] else 0,
3 if structure_elements['twist'] else 0,
2 if structure_elements['ending'] else 0
])
# 加载生成剧本
with open(f'outputs/{剧本名}/scripts/ep{N}.md', 'r') as f:
generated_script = f.read()
# 加载参考剧本列表（从检索结果或style-analysis报告中获取）
reference_files = [
'knowledge/hit-scripts-md/参考剧本1.md',
'knowledge/hit-scripts-md/参考剧本2.md',
'knowledge/hit-scripts-md/参考剧本3.md',
'knowledge/hit-scripts-md/参考剧本4.md',
'knowledge/hit-scripts-md/参考剧本5.md'
]
reference_scripts = []
for ref_file in reference_files:
with open(ref_file, 'r') as f:
reference_scripts.append({
'filename': os.path.basename(ref_file),
'content': f.read()
})
comparison_results = []
for i, ref in enumerate(reference_scripts, 1):
print(f"\n{'='*80}")
print(f"对比 {i}/5: 生成剧本 vs {ref['filename']}")
print(f"{'='*80}\n")
# 五大维度评分
rhythm_score = compare_rhythm(generated_script, ref['content'])
dialogue_score = compare_dialogue(generated_script, ref['content'])
visual_score = compare_visual(generated_script, ref['content'])
wanwen_score = compare_wanwen(generated_script, ref['content'])
structure_score = compare_structure(generated_script, ref['content'])
total_score = rhythm_score + dialogue_score + visual_score + wanwen_score + structure_score
# 识别具体问题
issues = identify_issues(generated_script, ref['content'])
# 提取参考示例
examples = extract_examples(ref['content'], issues)
# 生成改进建议
suggestions = generate_suggestions(issues, examples)
comparison_results.append({
'reference': ref['filename'],
'scores': {
'rhythm': rhythm_score,
'dialogue': dialogue_score,
'visual': visual_score,
'wanwen': wanwen_score,
'structure': structure_score,
'total': total_score
},
'issues': issues,
'examples': examples,
: suggestions
})
# 汇总共同问题
common_issues = find_common_issues(comparison_results)
# 计算平均得分
avg_scores = calculate_average_scores(comparison_results)
# 识别最弱维度
weakest_dimensions = identify_weakest_dimensions(avg_scores)
# 生成优先级建议
priority_suggestions = prioritize_suggestions(common_issues, weakest_dimensions)
# 第{N}集逐一对比分析报告
## 一、综合评分
| 维度 | 平均得分 | 评级 |
|------|---------|------|
| 节奏控制 | 15/20 | B |
| 对话风格 | 18/25 | B+ |
| 视觉化表达 | 12/20 | C+ |
| 网文感 | 10/20 | C |
| 结构完整性 | 13/15 | A- |
| **总分** | **68/100** | **C+** |
**判定**：❌ FAIL（需达到80分以上）
---
## 二、逐一对比详情
### 对比1：生成剧本 vs 《天降多宝后，渣过妈咪的人都后悔了》第1集
#### 评分详情
- 节奏控制：14/20 ⚠️
- 对话风格：16/25 ⚠️
- 视觉化表达：10/20 ⚠️
- 网文感：8/20 ⚠️
- 结构完整性：12/15 ✓
- **小计：60/100**
#### 具体问题
**1. 对话比偏低（优先级：高）**
- **生成剧本**：对话比45%
- **参考剧本**：对话比75%
- **差距**：-30%
- **位置**：场景2（萧家客厅）叙述过多
**参考示例**（《天降多宝后》第1集，场景2）：
【参考剧本片段】 萧万擎冷笑："你以为你是谁？我萧家的养子？" 沈倾城咬牙："我为这个家付出了十年！" "付出？"萧万擎嗤笑，"你配吗？" 林秀雪冷冷道："搜她的包。"
**改进建议**：
- 将叙述改为对话
- 原文："她很生气，觉得他们太过分了。"
- 改为："你们太过分了！"她愤怒地说。
---
**2. 视觉标记不足（优先级：高）**
- **生成剧本**：1.2个/100字
- **参考剧本**：4.5个/100字
- **差距**：-3.3个/100字
- **位置**：全文缺乏表情和眼神描写
**参考示例**（《天降多宝后》第1集）：
【参考剧本片段】 萧万擎冷笑一声，眼神一冷："把她的东西都搜出来。" 林秀雪嘴角勾起一抹讥讽："还装什么清高？" 沈倾城眸光一沉，冷冷地看着他们。
**改进建议**：
- 在对话后增加表情描写（冷笑、嗤笑、冷哼）
- 在冲突场景增加眼神描写（眼神一冷、眸光一沉）
- 在转折处增加动作描写（嘴角勾起、转身离开）
---
**3. 网文感关键词缺失（优先级：中）**
- **生成剧本**：0.8个/100字
- **参考剧本**：2.3个/100字
- **差距**：-1.5个/100字
- **位置**：缺乏情绪强化词和态度词
**参考示例**（《天降多宝后》第1集）：
【参考剧本片段】 "不屑"、"轻蔑"、"讥讽"、"冷笑"、"嗤笑"、"冷哼" 这些词汇高频出现，营造强烈的情绪冲击
**改进建议**：
- 增加情绪强化词：冷笑、嗤笑、冷哼、冷声
- 增加态度词：不屑、轻蔑、讥讽、嘲讽
- 增加气场词：霸气、强势、凌厉
---
### 对比2：生成剧本 vs 《豪门弃女逆袭记》第1集
#### 评分详情
- 节奏控制：16/20 ✓
- 对话风格：18/25 ⚠️
- 视觉化表达：12/20 ⚠️
- 网文感：10/20 ⚠️
- 结构完整性：14/15 ✓
- **小计：70/100**
#### 具体问题
**1. 句长偏长（优先级：中）**
- **生成剧本**：平均18字符
- **参考剧本**：平均11字符
- **差距**：+7字符
- **位置**：场景1和场景3的对话
**参考示例**（《豪门弃女逆袭记》第1集）：
【参考剧本片段】 "你算什么东西？"（7字） "滚出去。"（4字） "我不走。"（4字） "那就别怪我不客气。"（9字）
**改进建议**：
- 将长句拆分为2-3个短句
- 原文："她看着他，心中涌起一股复杂的情绪，既有愤怒也有不甘。"（26字）
- 改为："她看着他。心中涌起复杂情绪。既愤怒，也不甘。"（3句，平均8字）
---
**2. 打脸节奏不够密集（优先级：中）**
- **生成剧本**：3次打脸/1集
- **参考剧本**：5次打脸/1集
- **差距**：-2次
- **位置**：场景2和场景3可增加打脸
**参考示例**（《豪门弃女逆袭记》第1集）：
【参考剧本片段】 打脸1：搜身无果 打脸2：项链在别人身上 打脸3：揭露真相 打脸4：反击成功 打脸5：预言应验
**改进建议**：
- 在场景2增加一次小打脸（如：萧家人的谎言被揭穿）
- 在场景3增加一次打脸（如：张家人的能力展示）
---
### 对比3：生成剧本 vs 《爱在焚心成焰时》第1集
（类似格式，继续对比...）
---
### 对比4：生成剧本 vs 《顾总千金有点毒》第1集
（类似格式，继续对比...）
---
### 对比5：生成剧本 vs 《锦衣卫的第二人生》第1集
（类似格式，继续对比...）
---
## 三、共同问题汇总
### 问题1：对话比偏低（出现频率：5/5）
**5个参考剧本的对话比**：
1. 《天降多宝后》：75%
2. 《豪门弃女逆袭记》：72%
3. 《爱在焚心成焰时》：78%
4. 《顾总千金有点毒》：70%
5. 《锦衣卫的第二人生》：73%
**平均**：73.6%
**生成剧本的对话比**：45%
**差距**：-28.6%
**影响**：严重影响节奏感和可读性，AI味较重
**改进建议**：
1. 将所有叙述性文字改为对话形式
2. 增加人物互动和对话场景
3. 目标：将对话比提升到70%以上
---
### 问题2：视觉标记不足（出现频率：5/5）
**5个参考剧本的视觉标记密度**：
1. 《天降多宝后》：4.5个/100字
2. 《豪门弃女逆袭记》：4.2个/100字
3. 《爱在焚心成焰时》：5.1个/100字
4. 《顾总千金有点毒》：3.8个/100字
5. 《锦衣卫的第二人生》：4.0个/100字
**平均**：4.3个/100字
**生成剧本的视觉标记密度**：1.2个/100字
**差距**：-3.1个/100字
**影响**：画面感不足，情绪表达不够强烈
**改进建议**：
1. 在每句对话后增加表情描写（冷笑、嗤笑、冷哼）
2. 在冲突场景增加眼神描写（眼神一冷、眸光一沉）
3. 在转折处增加动作描写（嘴角勾起、转身离开）
4. 目标：将视觉标记密度提升到4个/100字以上
---
### 问题3：网文感关键词缺失（出现频率：5/5）
**5个参考剧本的网文感关键词密度**：
1. 《天降多宝后》：2.3个/100字
2. 《豪门弃女逆袭记》：2.0个/100字
3. 《爱在焚心成焰时》：2.5个/100字
4. 《顾总千金有点毒》：1.8个/100字
5. 《锦衣卫的第二人生》：2.1个/100字
**平均**：2.1个/100字
**生成剧本的网文感关键词密度**：0.8个/100字
**差距**：-1.3个/100字
**影响**：网文感不足，AI味较重
**改进建议**：
1. 增加情绪强化词：冷笑、嗤笑、冷哼、冷声、冷冷地
2. 增加态度词：不屑、轻蔑、讥讽、嘲讽、鄙夷
3. 增加气场词：霸气、强势、凌厉、锐利、凛然
4. 目标：将网文感关键词密度提升到2个/100字以上
---
## 四、优先级改进建议
### 优先级1（必须立即修改）
1. **提高对话比（45% → 70%+）**
- 影响：最严重，直接影响可读性和节奏感
- 工作量：大（需要重写大部分叙述）
- 预期效果：+15分
2. **增加视觉标记（1.2 → 4个/100字）**
- 影响：严重，影响画面感和情绪表达
- 工作量：中（在现有对话后增加描写）
- 预期效果：+8分
### 优先级2（强烈建议修改）
3. **增加网文感关键词（0.8 → 2个/100字）**
- 影响：中等，影响网文感和爽点
- 工作量：中（替换部分词汇）
- 预期效果：+10分
4. **拆分长句（18字符 → 11字符）**
- 影响：中等，影响节奏感
- 工作量：中（拆分长句）
- 预期效果：+7分
### 优先级3（建议优化）
5. **增加打脸密度（3次 → 5次）**
- 影响：较小，影响爽点密度
- 工作量：小（增加2个打脸场景）
- 预期效果：+3分
---
## 五、修改后预期得分
**当前得分**：68/100（C+）
**修改后预期得分**：
- 完成优先级1：68 + 15 + 8 = 91/100（A）
- 完成优先级1+2：91 + 10 + 7 = 108/100（满分100，实际95+）
- 完成全部：95+ /100（A+）
**建议**：
- 至少完成优先级1，确保达到80分以上（PASS标准）
- 建议完成优先级1+2，确保达到90分以上（优秀标准）
---
## 六、具体修改示例
### 示例1：提高对话比
**原文**（场景2，叙述过多）：
张逸臣看着萧家人，心中涌起一股复杂的情绪。他想起了过去十年的种种委屈和不公，觉得这些人太过分了。他决定不再忍受，要离开这个冷漠的家。
**修改后**（改为对话）：
张逸臣看着萧家人，眼神一冷。
"十年了。"他冷冷地说。
"十年的委屈，十年的不公。"
萧万擎冷笑："你还想怎样？"
"我不想怎样。"张逸臣转身，"我只想离开这个冷漠的家。"
**改进效果**：
- 对话比：从0%提升到80%
- 增加了视觉标记（眼神一冷、冷冷地、冷笑、转身）
- 增加了网文感关键词（冷冷地、冷笑、冷漠）
- 句长更短，节奏更快
---
### 示例2：增加视觉标记
**原文**（场景1，缺乏视觉标记）：
"把车钥匙交出来。"萧万擎说。 "我从来没有车。"张逸臣说。 "搜他的包。"林秀雪说。
**修改后**（增加视觉标记）：
"把车钥匙交出来。"萧万擎冷声道，眼神凌厉。 "我从来没有车。"张逸臣冷笑一声，眸光一沉。 "搜他的包。"林秀雪嘴角勾起一抹讥讽，不屑地挥手。
**改进效果**：
- 视觉标记：从0个增加到6个（冷声、眼神凌厉、冷笑、眸光一沉、嘴角勾起、不屑）
- 增加了网文感关键词（冷声、冷笑、讥讽、不屑）
- 画面感更强，情绪表达更充分
---
### 示例3：增加网文感关键词
**原文**（场景3，网文感不足）：
"你们会后悔的。"张逸臣说完，转身离开。
**修改后**（增加网文感关键词）：
"你们会后悔的。"张逸臣冷笑一声，眼神一冷，霸气地转身离开。
萧万擎嗤笑："狂妄。"
林秀雪不屑："不过是个养子。"
但他们没想到，这个被他们轻蔑的养子，竟然会成为他们的噩梦。
**改进效果**：
- 网文感关键词：从0个增加到7个（冷笑、眼神一冷、霸气、嗤笑、不屑、轻蔑、竟然）
- 增加了反转预告（没想到、竟然）
- 增加了悬念（噩梦）
---
## 七、总结
**核心问题**：
1. 对话比严重偏低（-28.6%）
2. 视觉标记严重不足（-3.1个/100字）
3. 网文感关键词缺失（-1.3个/100字）
**改进方向**：
1. 将叙述改为对话，提高对话比到70%+
2. 在对话后增加视觉标记，提升到4个/100字
3. 增加网文感关键词，提升到2个/100字
**预期效果**：
- 完成优先级1修改后，得分可从68分提升到91分
- 完成优先级1+2修改后，得分可达到95分以上
**下一步**：
1. 按照优先级1的建议修改剧本
2. 重新提交审核
3. 如果仍未达标，继续按照优先级2的建议修改
输出到 outputs/{剧本名}/review/one-by-one-comparison-ep<N>.md