长篇小说一致性审计

解决 AI 长篇小说的连贯性失控问题

在 AI 辅助长篇写作中，数百章文本和庞大的设定库（KB）往往通过多次会话或断点续写拼接而成。这不可避免地带来隐性的结构缺陷：角色在某章“阵亡”后却奇迹复活、登基称帝前便自称“朕”、章节年代倒挂，或是因设定文件分散导致的称谓与辈分混乱。小说一致性审计 专为这类长文本工程化场景设计，通过非侵入式审计，在不修改原文的前提下定位这些逻辑与衔接硬伤。

核心技术能力与工作流

该技能采用严谨的“盘点与扫描 + 上下文精读”机制，将模糊的阅读印象转化为可复现的脚本化证据：

• 结构化盘点与基准校验：自动识别正文目录结构并跳过临时文件。读取 KB 设定库（人物表、年谱、伏笔）建立权威基准，同时优先识别KB 内部的自相矛盾。
• 脚本化全量扫描：利用 scan_template.py 对全章节执行正则与模式匹配。自动输出关键人物的出场分布、死亡节点矛盾（死后仍被对话）、中英文混排脏数据（如 王 Duarte）、姓名异体字及禁用词红线违规。
• 卷接缝与时间线监测：提取每卷首末章节的上下文，排查跨卷年代倒挂、伪“全书完”标记，以及验证章首年代是否符合“CE年-章节”映射字典。
• 疑点上下文精读复核：先排除误报再下结论。针对扫描出的异常，提取前后 100 字符上下文，精确区分追述、情报转述或 AI 视角输出造成的假阳性。

适用边界与工程建议

• 非侵入式只读审计：本技能仅用于诊断和产出修复建议，不会直接改写原始章节内容。
• 适用于结构化文件树：针对纯文本逻辑处理，作者需以标准化的方式管理章节文件（如 第XXX章.md 或 正文/ 目录），而不适用于高度碎片化或非结构化的单次对话生成。