| name | create-operator |
| description | Distill an Arknights operator into an AI Skill. Generate Knowledge + Persona with 5-layer structure, evolution support. | 将明日方舟角色蒸馏成AI Skill，生成知识库+5层人格，支持持续进化。 |
| argument-hint | [operator-name-or-slug] |
| version | 3.5.1 |
| user-invocable | true |
| allowed-tools | Read, Write, Edit, Bash |
Language / 语言: 本 Skill 支持中英文。根据用户第一条消息的语言，全程使用同一语言回复。
明日方舟角色.skill 创建器
触发条件
当用户说以下任意内容时启动：
/create-operator- "帮我创建一个明日方舟角色skill"
- "我想蒸馏一个角色"
- "新建角色skill"
- "给我做一个XX的明日方舟角色skill"
当用户对已有角色 Skill 说以下内容时，进入进化模式：
- "我有新资料" / "追加"
- "这不对" / "她不会这样" / "她应该是"
/update-operator {slug}
当用户说 /list-operators 时列出所有已生成的角色。
工具使用规则
| 任务 | 使用工具 |
|---|
| 读取游戏文本/剧情文本 | Read 工具（原生支持） |
| 读取图片/立绘 | Read 工具（原生支持图片） |
| 读取 MD/TXT/JSON 文件 | Read 工具 |
| 解析游戏数据 / PRTS Wiki | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/game_data_parser.py --source prts --name {角色名} 或 --source local --file {文件路径} |
| 提取剧情对话 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/story_extractor.py --chapter {剧情章节名} --character {角色名} --output /tmp/story.json |
| 语境标注（构建 context.json） | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/context_annotator.py --operator-json {game_data_parser输出} --story-json {story_extractor输出} --knowledge-md {knowledge路径} --output operators/{slug}/context.json |
| 分析角色对话指纹 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/dialogue_fingerprint.py --input {对话文件} --format {plain|prts-json} 或 --context-json operators/{slug}/context.json（语境化模式） |
| 构建角色关系图谱 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/relationship_graph.py --input {知识库文件} --format {markdown|plain} 或 --context-json operators/{slug}/context.json（语境化模式） |
| 话语行为分析 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/speech_act_analyzer.py --context-json operators/{slug}/context.json [--output-profile profile.json] |
| 时序切片分析 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/temporal_slicer.py --context-json operators/{slug}/context.json [--output slices.json] |
| 验证 Persona 一致性 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/persona_validator.py --persona {persona路径} --dialogues {对话数据路径} --format {plain|prts-json|csv} |
| 交叉验证角色设定 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/canon_checker.py --sources {来源1} {来源2} ... [--misconceptions {自定义误解库}] |
| 写入/更新 Skill 文件 | Write / Edit 工具 |
| 注入量化数据到 Prompt | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/data_injector.py --fingerprint {fingerprint.json} --relationships {graph.json} --slices {slices.json} --output injected_prompts/ |
| 版本管理 | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/version_manager.py |
| 列出已有 Skill | Bash → python3 ${OPERATOR_SKILL_DIR}/tools/skill_writer.py --action list |
基础目录：Skill 文件写入 ./operators/{slug}/（相对于本项目目录）。
工具详情
dialogue_fingerprint.py — 对话指纹分析器
从角色语音/对话文本中自动提取 8 个维度的量化语言特征：
- 句式长度分布 — 统计分布分析（百分位数 + 变异系数 + 节奏稳定性判断）
- 停顿标记 — 省略号、破折号的使用频率与模式
- 自称模式 — "我"/"吾"/省略自称的频率
- 情感词汇 — 12 类情感（含嘲讽/绝望/好奇/戏谑）的加权词汇密度（权重 0.5-1.5）
- 修辞模式 — 反问、排比、明喻、暗喻、设问的使用频率（支持暗喻检测如"你是光"）
- 称呼模式 — 对不同人的差异化称呼
- 自然意象偏好 — 花朵/星空/大地等意象的出现频率
- 口头禅/标志性短语 — n-gram 频率分析，自动发现角色特有的高频短语
支持语境化模式（--context-json）：按场景/对象/时期分片分析，输出各分片指纹及与全局的差异（shifts），直接写入 Persona Layer 2-4。
relationship_graph.py — 关系图谱构建器
从角色资料/剧情文本中自动提取角色关系网络：
- 自动识别文本中的角色名（内置明日方舟角色名库，支持
--operator-db 加载自定义名库）
- 检测 12 种关系类型（亲属/战友/对抗/信任/背叛/师徒/情感等）
- 改进的方向判断（语法模式 + 关键词距离 + 语序综合判断）
- 计算关系可信度（基于出现频率和多来源交叉）
- 关系强度量化（0.0-1.0）：综合共现频率、情感词密度、直接对话次数
- 关系演变追踪：检测跨时期关系强度变化（加深/疏远），输出演变轨迹
- 支持语境化模式（
--context-json）：按时期分片提取关系，计算跨时期关系演变轨迹（trajectories），结果回写 context.json 的 annotated_relations
speech_act_analyzer.py — 话语行为分析器
从角色对话中分类话语行为（邀请/回避/质问/承诺/宽慰/克制/存在确认等）：
- 基于规则的话语行为分类（7 种核心类型）
- 上下文感知分类：考虑前后文调整分类置信度（如质问后的省略号更可能是回避）
- 行为链检测：识别角色的典型行为序列（如 question→evade→comfort 接纳仪式）
- 按场景/对象/时期的行为分布统计
- 自动检测行为模式并生成可执行规则（如"高回避倾向""选择性邀请""克制型情感表达"）
- 输出 speech_act_profile.json，回写 context.json 的 speech_acts 字段
temporal_slicer.py — 时序切片器
按 timeline 的 period 切片分析角色语言，检测跨期演变：
- 按 period 分组计算切片级指标（句式长度/省略号/否定句/话语行为/自称等）
- 统计显著性检验：小样本警告（<5 条时标记为不可靠）+ 效应量计算
- 情感弧线检测：识别跨时期情感趋势（U型/下降/平稳/波动）
- 相邻时期比较，检测显著偏移
- 对象维度：同一时期内对不同人的表达差异
- 生成可写入 Persona Layer 2/4 的时序演变规则
context_annotator.py — 语境标注器
将所有原始数据统一标注为语境化数据模型：
- 合并 game_data_parser、story_extractor、语音数据
- 多信号场景分类：标题关键词 + 内容情感 + 对话对象 + 时间段综合判断
- 对话对象内容推断：从对话内容中识别称呼模式（如"博士，你来了"→对象是博士）
- 自动推断场景类型、对话对象、时期
- 输出 context.json（统一数据中间层，下游所有工具的消费源）
story_extractor.py — 剧情对话提取器
从 PRTS Wiki 剧情页面提取角色对话：
- 自动识别目标角色的台词
- 说话者名称标准化：处理括号注释（如"特蕾西娅(幼年)"→"特蕾西娅"）和别名映射
- 舞台指示情感标注：从括号内描述提取情感（如"目光柔和"→温柔）
- 推断场景和时期
- 提取旁白/舞台指示
- 输出结构化 JSON
persona_validator.py — Persona 一致性验证器
用角色已知对话验证生成的 Persona 是否准确：
- Layer 0 验证：检测对话是否违反核心性格规则（如"从不用感叹号"→检测感叹号）
- Layer 2 验证：检查口头禅出现频率、高频词是否确实高频、自称模式是否一致
- Layer 5 验证：检测对话是否触碰禁忌
- 风格一致性验证：对比 Persona 描述与 fingerprint 量化数据（句式/停顿/情感/修辞）
- 综合评分 A-D 等级，标注具体违反示例
canon_checker.py — 设定交叉验证器
从多个来源交叉验证角色设定，标注矛盾和可信度：
- 自动提取设定声明（种族、阵营、身份、MBTI）
- 多来源一致性比对（一致→confirmed / 不一致→conflicted / 单一来源→unverified）
- 外置误解库：从
data/misconceptions.json 加载，支持按角色扩展
- 通用模式检测：阵营混淆、关系误判、时间线错乱等通用误解模式
- 角色一致性检查：基于 persona.md 的 Layer 0 规则和 Layer 5 禁忌验证文本
- 支持
--misconceptions 加载自定义误解库 JSON
- 来源可信度评级（官方/Wiki > 社区考据 > 同人）
data_injector.py — 数据注入器
将工具链的量化分析结果注入到 Prompt 模板的占位符中：
- 格式化对话指纹数据（句式/停顿/情感/修辞/口头禅）
- 格式化关系图谱数据（关系类型 + 强度 + 演变）
- 格式化时序切片数据（弧线 + 偏移）
- 输出注入后的 Prompt 模板，确保 LLM 生成时参考真实数据而非空白模板
主流程：创建新角色 Skill
Step 1：基础信息录入（3 个问题）
参考 ${OPERATOR_SKILL_DIR}/prompts/intake.md 的问题序列，只问 3 个问题：
- 角色名称/代号（必填）
- 基本信息（一句话：阵营、身份、身份特征、关系网络）
- 性格画像（一句话：MBTI/性格类型、核心特质、领导风格、行为标签）
除名称外均可跳过。收集完后汇总确认再进入下一步。
Step 2：资料导入
询问用户提供资料来源，展示多种方式供选择：
资料怎么提供？
[A] 游戏剧情文本
导入角色剧情、活动关卡文案、语音档案
[B] 角色档案/资料
游戏内的角色资料、立绘描述、天赋与技能描述
[C] 游戏数据 JSON
提供从 PRTS Wiki 或游戏数据中导出的 JSON
[D] 同人创作/二创
优秀的同人作品（文章、图片说明）
[E] 上传其他文件
PDF / 图片 / 任意文本
[F] 直接粘贴内容
把文字复制进来
可以混用，也可以跳过（仅凭手动信息生成）。
方式 C：PRTS Wiki 直接获取 / 游戏数据 JSON
方式 C-1：从 PRTS Wiki 直接获取并解析（推荐）
python3 ${OPERATOR_SKILL_DIR}/tools/game_data_parser.py \
--source prts \
--name {角色名} \
--output /tmp/operator_data_out.txt
然后 Read /tmp/operator_data_out.txt
自动从 PRTS Wiki API 获取角色页面 wikitext，提取基本信息、档案、语音记录等结构化数据。
支持干员页面和敌人/NPC 页面，自动识别页面类型。
方式 C-2：解析本地文件
python3 ${OPERATOR_SKILL_DIR}/tools/game_data_parser.py \
--source local \
--file {文件路径} \
--output /tmp/operator_data_out.txt
支持格式：游戏解包数据 JSON、自定义格式的角色资料、已保存的 PRTS 页面 wikitext。
提示：部分角色在 PRTS 上可能使用不同名称（如特蕾西娅的干员版为「魔王」）。若 --source prts 提示页面未找到，可尝试使用该角色的其他名称。网络不可用时会自动降级为元数据模式（仅输出 slug + URL）。
如果用户说"没有文件"或"跳过"，仅凭 Step 1 的手动信息生成 Skill。
Step 3：分析资料
将收集到的所有资料和用户填写的基础信息汇总，按以下两条线分析：
线路 A（Knowledge Skill）：
- 参考
${OPERATOR_SKILL_DIR}/prompts/knowledge_analyzer.md 中的提取维度
- 运行
relationship_graph.py 自动提取关系网络（如有剧情文本）
- 运行
canon_checker.py 交叉验证设定一致性（如有多个来源）
线路 B（Persona）：
- 参考
${OPERATOR_SKILL_DIR}/prompts/persona_analyzer.md 中的提取维度
- 运行
dialogue_fingerprint.py 提取语言指纹（如有语音/对话数据）
- 语言指纹结果直接用于支撑 Layer 2 表达风格的量化描述
语境化管线（推荐，当有 PRTS 数据时执行）：
当 game_data_parser 成功获取数据后，自动执行以下管线：
-
构建 context.json（数据中间层）：
python3 ${OPERATOR_SKILL_DIR}/tools/context_annotator.py \
--operator-json /tmp/operator_data.json \
--story-json /tmp/story_*.json \
--knowledge-md operators/{slug}/knowledge.md \
--output operators/{slug}/context.json
-
话语行为分析：
python3 ${OPERATOR_SKILL_DIR}/tools/speech_act_analyzer.py \
--context-json operators/{slug}/context.json \
--output-profile operators/{slug}/speech_act_profile.json
-
语境化指纹分析：
python3 ${OPERATOR_SKILL_DIR}/tools/dialogue_fingerprint.py \
--context-json operators/{slug}/context.json \
--output operators/{slug}/fingerprint.json
-
语境化关系图谱：
python3 ${OPERATOR_SKILL_DIR}/tools/relationship_graph.py \
--context-json operators/{slug}/context.json
-
时序切片分析：
python3 ${OPERATOR_SKILL_DIR}/tools/temporal_slicer.py \
--context-json operators/{slug}/context.json \
--output operators/{slug}/temporal_slices.json
-
数据注入到 Prompt：
python3 ${OPERATOR_SKILL_DIR}/tools/data_injector.py \
--slug {slug} \
--base-dir operators \
--output operators/{slug}/data_context.md
data_injector 会自动读取 operators/{slug}/ 下的 fingerprint.json、
speech_act_profile.json、context.json、temporal_slices.json，
汇总为可直接嵌入 persona_builder.md / knowledge_builder.md 的 Markdown 数据上下文。
-
注入 Persona/Knowledge：
- 按照
persona_builder.md 的"数据驱动约束"规则，将分析结果注入 Persona 各层
- 按照
knowledge_builder.md 的"数据驱动约束"规则，将时间线/关系注入 Knowledge
Step 4：生成并预览
参考 ${OPERATOR_SKILL_DIR}/prompts/knowledge_builder.md 生成 Knowledge Skill 内容。
参考 ${OPERATOR_SKILL_DIR}/prompts/persona_builder.md 生成 Persona 内容（5 层结构）。
自动验证（如有对话数据）：
- 运行
persona_validator.py 验证生成的 Persona 与角色实际对话的一致性
- 如果评分低于 B（75分），根据违反示例调整 Layer 0 规则或补充 Correction
- 将验证结果展示给用户
向用户展示摘要，询问确认。
Step 5：写入文件
用户确认后，创建目录并写入：
operators/{slug}/knowledge.mdoperators/{slug}/persona.mdoperators/{slug}/meta.jsonoperators/{slug}/SKILL.mdoperators/{slug}/context.json（语境化数据中间层）operators/{slug}/speech_act_profile.json（话语行为画像）operators/{slug}/fingerprint.json（对话指纹）operators/{slug}/temporal_slices.json（时序切片）
Correction 优先级规则
当用户纠正与现有规则冲突时：
- Correction 修正 Layer 1-5：直接生效，无需额外确认
- Correction 涉及 Layer 0：必须经用户显式确认后才修改 Layer 0 本身，而非在 Correction 中覆盖
- 优先级：
Layer 0 > Correction > Layer 1-5
- Correction 内部：序号越大越新，越新越优先
进化模式
追加资料：用户提供新文件时自动分析增量并合并。
对话纠正：用户表达"不对"时写入 Correction 层。
管理命令
| 命令 | 说明 |
|---|
/list-operators | 列出所有角色 Skill |
/operator-rollback {slug} {version} | 回滚到历史版本 |
/delete-operator {slug} | 删除 |
特蕾西娅角色预设
如果你想创建的是**特蕾西娅（Theresa）**本人，以下是经过剧情考证的预设信息：
基础信息
- 种族：萨卡兹（混血）
- 阵营：巴别塔（创始人）/ 卡兹戴尔（前萨卡兹魔王）
- 身份：卡兹戴尔正统萨卡兹魔王，巴别塔组织创立者，罗德岛创始人
- MBTI：INFJ
- 生日：7月11日
- 身高：165cm
- 年龄：约200岁
核心特质
- 善良、博爱、亲民的慈悲君主
- 专注于基础设施建设、教育与医疗进步
- 致力于为萨卡兹缓解无知和矿石病的苦痛
- 即使通过读心术知晓自己的死亡，也依然选择相信和宽恕
关键关系
- 特雷西斯（Theresis）：胞兄，摄政王。理念分歧导致内战，但兄妹之间有深厚的感情
- 阿米娅（Amiya）：她如母亲般呵护与教导的卡特斯女孩，临终将王冠传给她
- 博士（Doctor）：巴别塔的核心策略家，与她的死亡有复杂关系
- 凯尔希（Kal'tsit）：巴别塔核心成员，医疗项目主管
- 可露希尔（Closure）：工程主管，巴别塔元老
- W（维什戴尔/Wiš'adel）：她救下的雇佣兵，对她有复杂的忠诚
核心事件
- 泰拉历893年：六英雄之一，抵御三国联军
- 泰拉历898年：成为萨卡兹魔王正统继承人
- 泰拉历1031年：启动巴别塔计划，军事委员会成立
- 泰拉历1086年：内战爆发，率巴别塔离开卡兹戴尔
- 泰拉历1090年：在雷姆必拓发现罗德岛舰船，找到博士
- 泰拉历1094年：遇刺身亡，将王冠传给阿米娅，清除博士记忆
- 第10章：被赦罪师以巫术复活
- 第14章「慈悲灯塔」：最终选择灵魂消逝，将力量留给阿米娅
能力
- 改变源石形态
- 操纵空间
- 通晓他人思维（读心术）
- 萨卡兹魔王之力（王冠的力量）
- 以源石创造花朵
哲学理念
- 感染者与外族应当和平共存
- 萨卡兹应摆脱仇恨循环，以和平方式重建家园
- 慈悲不是软弱——是在看清世界的残酷后依然选择温柔
- 即使知晓自己会被背叛，也选择相信他人内心的善良
