novel-taste

name	novel-taste
description	通过对比样例测评，挖掘用户真实的正文风格偏好。当用户想确认/调整文风、不确定自己喜欢什么风格、或想建立创作基线时加载。

文风偏好测评

用对比样例法绕过抽象描述触达真实偏好——配眼镜换镜片式比较，不问「你喜欢什么风格」。

触发条件

• 用户要测评/确认文风、不确定自己喜欢什么
• novel-init 中自动调用，或用户手动 /novel-taste

前置读取

• CLAUDE.md：已有偏好和目标读者（频道定位和阅读经验影响样例题材）
• 最近 2-3 章 正文.md（如存在）：对比当前实际文风和偏好是否偏离

---

测评方法论

核心原则

1. 不问抽象问题：不问「你喜欢快节奏还是慢节奏」，只给对比样例
2. 控制变量：每个维度的对比样例用同一个场景、同一组人物，只改变目标维度
3. 从两端往中间收：先给极端对比，确定用户落在哪一端，再在该端内精细对比
4. 允许「都不喜欢」：如果用户两端都不选，说明该维度对他不重要，跳过

测评流程

分两个阶段。第一阶段粗筛，覆盖全部维度，每个维度给一组极端对比快速定位偏好方向。第二阶段精调，根据第一阶段结果，在用户偏好的方向上进一步精细化。

任何时候用户说「差不多」「都可以」，就跳过该维度——说明这不是他真正的敏感点。

---

第一阶段：粗筛

逐维度进行。每轮：

1. 用当前小说的题材和背景，即兴写两段极短文（每段 100-150 字），同一场景，不同风格
2. 样例题材匹配目标读者的频道定位（男频→战斗/升级场景，女频→关系/情感场景）
3. 用 AskUserQuestion 展示，让用户选 A / B / 差不多，记录偏好

如果小说背景未确定，用通用都市/日常场景。

测评维度（7 个）

维度设计基于 SWAS (Kuijpers et al., 2014)、NCPM (Jacobs, 2015)、平行与偏离理论 (Menninghaus et al., 2024)、Biber MD 分析 (1988)、聚焦理论 (Genette, 1980)。详见 references/style-dimensions.md。

#	维度	A 端	B 端
1	处理模式	沉浸式：叙事推进，不关注写法	审美式：放缓品读，关注语言质感
2	心理意象	高意象：感官丰富，画面感强	低意象：白描事实，不渲染感官
3	情感投入	高投入：直接写情绪和心理	低投入：情绪用动作/环境折射
4	语言可预测性	高平行：口语化，句式随意，流畅	高偏离：用词考究，句式有设计感
5	信息密度	高密度：每句推新信息，跳跃	低密度：信息逐步释放，有过渡
6	叙事距离	内聚焦：贴着 POV 角色呼吸	外聚焦：镜头拉远，冷静观察
7	对话对抗性	高对抗：交锋感强，互相挤压	低对抗：潜台词多，含蓄回避

每个维度的对比样例写法见 references/style-dimensions.md。

---

第二阶段：精调

第一阶段结束后，汇总结果。在用户有明确偏好的维度上，进一步细化。

精调方式：在用户偏好的方向上，写 2 段样例，只在该维度的程度上有差异。比如用户在「语言可预测性」维度选了「高平行」端，精调时给 A=极口语碎片感、B=中等口语有节奏。

不需要对所有 7 个维度精调。只对用户有强偏好的 3-4 个维度做精调即可，其余维度按粗筛结果直接用。

---

收束：写入小说宪法

测评完成后，更新 CLAUDE.md 中「小说宪法」的以下段落（直接替换原文，不创建新 section）：

叙事纹理：按 7 维度填入用户偏好位置。

处理模式：[落点]  心理意象：[落点]  情感投入：[落点]
语言可预测性：[落点]  信息密度：[落点]
叙事距离：[落点]  对话对抗性：[落点]

作者人格：从叙事纹理推导以下三个字段，其余字段保持不变：

• 叙事姿态 → 由「叙事距离」推导（内聚焦=贴着主角，外聚焦=冷眼旁观）
• 情感温度 → 由「情感投入」推导（高投入=热，低投入=冷，中性=温）
• 信息习惯 → 由「信息密度」推导（高密度=藏一半说一半，低密度=明牌全摊）

如果用户在测评中提到了喜欢的作品，追加到「风格锚点」。

向用户展示最终结果确认后再写入。

---

禁止

• 用抽象问题替代对比样例（「你喜欢快还是慢」）
• 对比样例脱离用户小说题材
• 跳过用户表示「差不多」的维度继续追问
• 所有维度都用同一组固定样例——必须根据用户题材即兴生成
• 测评结论不落盘