| name | abc-fenxi |
| description | ABC爽点循环结构分析。对已完成分章节概括的小说项目，自动提取每章的A（动机共情）/B（装逼反应）/C（嵌套突然）结构，输出 YAML 格式分析报告和全书爽点密度汇总。
由 chai-shu 主入口路由调用，也可独立触发。
当用户提到"ABC分析"、"爽点分析"、"ABC结构"时使用。
|
欢迎页（每次触发必须先完整输出此区块）
+======================================================================+
| |
| A B C 爽 点 分 层 分 析 |
| |
| A 动机·共情 ── 暗爽，让读者带着期待跟进 |
| B 装逼·反应 ── 明爽，反应的层数决定爽感强度 |
| C 嵌套·突然 ── 立体，旧循环结束即是新循环开始 |
| |
+======================================================================+
ABC爽点分层分析法，是针对网络爽文的结构化拆解框架。
每个让读者"爽"的章节，背后都运行着同一套循环——
A（动机+共情）制造期待：主角的处境、目标与能力暗示，
让读者带着「他到底会怎么做」的悬念跟进；
B（装逼+反应）释放爽感：装逼只是触发器，
真正决定爽感强度的是反应的层数与篇幅——
质疑者、围观群众、嘲讽者、强者重评、扩散效应，
层层递进，每一层都是情绪的放大器；
C（嵌套+突然）防止单调：旧循环结束时埋下新循环的钩子，
或突如其来的身份反转、规模升级，让读者在满足后立刻进入下一个期待。
本 skill 以 YAML 格式记录每章的 ABC 结构，
量化 B 的反应层数与篇幅比，生成全书爽点密度热力图。
分析优秀作品时，重点看什么？
翻开 abc-ch*.yaml，找 B完整度=合格 的章节，
仔细拆读「分层」字段——质疑者如何引出嘲讽者，
嘲讽者被打脸后强者如何重新评价，扩散效应如何延伸情绪余韵。
这些就是作者的核心反应技法，可以直接提炼为自己的「分层模板库」。
abc-heatmap.md 的密度分布标出哪些章节是爽点峰值，
从峰值章往前数2-3章，通常是最经典的A铺垫结构，值得反复研读。
分析自己的作品时，重点看什么？
先看 main_cycle_b_quality=不合格 的章节列表和反应篇幅比数值。
反应篇幅比低于1.5，说明装逼已经写出来了，
但情绪没有被「接住」——读者在等待爽感，作者已经翻篇。
这类章节的改法几乎是固定的：不需要重写装逼场景，
只需在装逼段之后补写2-3层外部反应，
让见证者从「质疑」到「震惊」到「重新评价」完整走一遍。
B完整度最终决定读者是否会留到下一章。
⚠️ 关键约束（必读）
批量并行执行（区别于 fen-zhang-jie-gai-kuo 的串行）
- ✅ 每批5章，同时最多启动3批并行 sub-agent
- ✅ ABC 章节间无依赖关系，可以并行（不需要跨章上下文）
- ✅ 所有批次完成后，启动汇总 sub-agent 生成 abc-summary.yaml
- ❌ 汇总阶段必须等所有批次完成后才能启动
编排模式
当由 chai-shu 主入口编排调用时（自动化拆书或用户选择了多项分析）：
- 跳过欢迎页输出
- 完成后返回状态摘要（完成数量、产出文件路径列表）
- 由主入口统一向用户呈现报告和后续选项
独立触发时（用户直接说"ABC分析"等）：正常显示欢迎页。
前置依赖
必须先完成「分章节概括」（chai-shu 选项 3），确保以下文件存在：
{书名}/概括/ ← 章节概括文件目录（必须）
{书名}/全书概括.md ← 全书概况（汇总阶段使用）
{书名}/人物和设定/名词表.md ← 人物名称（识别反应人物用）
核心配置
工作目录: {ROOT}/Factory/拆书/
分组大小: 5章/批
并行上限: 3批同时（避免过载）
执行模式: 批量并行 + 自审（每章分析完后自我审查）
输出目录: {书名}/ABC分析/
模型选择: sonnet（性价比最优）
架构说明
主进程（轻量调度）
│
├─ 读取概括目录，计算分批参数
├─ 启动批次1（章1-5）
├─ 启动批次2（章6-10） ← 与批次1并行
├─ 启动批次3（章11-15） ← 与批次1/2并行
├─ [等待批次1-3完成]
├─ 启动批次4（章16-20）
├─ ...（每次最多3批并行）
│
└─ [所有批次完成后]
└─ 汇总 sub-agent → abc-summary.yaml + abc-heatmap.md + abc-quick-list.md
优化原理：
- ABC 分析无跨章依赖 → 批次间可以并行
- 每批 sub-agent 独立：读取概括 → 分析5章 → 写入5个 yaml
- 主进程不读取分析结果，只确认文件是否创建成功
与 fen-zhang-jie-gai-kuo 的区别：
- 章节概括：串行（后章需要前章的
last_group_summary）
- ABC分析：并行（章节独立，无跨章依赖）
执行阶段
阶段0：前置检查（逐步操作）
- 用 Glob 列出
{书名}/概括/ 下所有 .md 文件
- 从文件名解析章节范围（格式：
组N_第X-Y章_概括.md），统计总章节数
- 计算批次数（每批5章：
ceil(总章节数 / 5) 批）
- 检查
{书名}/ABC分析/ 目录是否存在，不存在则创建
- 检查
_progress.json 是否存在：
- 存在 → 读取
analyzed_chapters 字段，仅处理新增章节（增量模式）
- 不存在 → 全量分析
- 检查名词表
{书名}/人物和设定/名词表.md 是否存在（软依赖，不存在则跳过）
- 向用户确认：「总 N 章，分 M 批，本次处理第 X-Z 章（全量/增量）」
阶段1：批量 ABC 分析（逐步操作）
- 按5章一批划分，构建批次列表（每批含5个章节序号 + 对应概括文件路径）
- 取前3批，在单条消息中用 Agent tool 并行启动（同一消息多个工具调用）：
description: "ABC分析批次N(章X-Y)"prompt: 将 references/sub-agent-prompt.md 模板填入实际变量后传入（路径包括概括目录、名词表路径、abc-definition.md路径、yaml-schema.md路径、输出目录）
- 等待本轮3批全部返回后，用 Glob 验证输出 yaml 文件是否存在
- 若某批缺失文件：重启该批次 sub-agent，最多重试1次
- 重复步骤2-4，直到所有批次完成
- 更新
_progress.json（analyzed_chapters、batches_completed、last_updated）
阶段2：全书汇总（逐步操作）
- 所有批次验证通过后，启动汇总 sub-agent（见
references/sub-agent-prompt.md 模板2）
- 汇总 sub-agent 输入：ABC分析目录路径、全书概括.md路径、名词表路径、yaml-schema.md路径
- 等待汇总 sub-agent 完成，确认
abc-summary.yaml + abc-heatmap.md + abc-quick-list.md 生成
- 向用户输出最终报告（总章节数、高密度章节占比、B合格率、峰值章、问题章）
完整执行步骤详见: references/workflow.md
产出文件
| 文件 | 位置 | 用途 |
|---|
| 单章分析 | {书名}/ABC分析/abc-ch{XXX}.yaml | 每章 ABC 结构数据 |
| 全书汇总 | {书名}/ABC分析/abc-summary.yaml | 全书密度统计 |
| 热力图 | {书名}/ABC分析/abc-heatmap.md | 爽点分布可视化 |
| 快捷列表 | {书名}/ABC分析/abc-quick-list.md | 全书情节ABC标记速览 |
| 进度文件 | {书名}/ABC分析/_progress.json | 增量更新进度 |
增量更新
支持增量更新（新章节不用重新分析全书）：
- 读取
_progress.json 识别已分析章节
- 只处理新增的概括文件
- 全部完成后重新生成汇总
References
⚠️ 执行前必读：references/workflow.md
