口播脚本生成

解决什么问题

在多智能体协同的视频创作链路中，大模型生成脚本时常面临“背公式不灵”的痛点：前期分析出的选题角度与正推六步（痛点、原因、老办法、方案）往往被模型抛在脑后，转而开始“盲写新闻稿”或凭空现编内容，导致前期画像和推演结论完全脱节。

核心工作流

这个 Skill 充当创作链路的第 3 关，通过一套强约束的生成协议，将“上游推演结论”和“最终口播文案”牢牢绑定：

• Step 1 双读校验与提取：读取 creation-state.json 时采用双读防错位策略，严格校验 status == "angle_complete"。不仅提取结构化定义，还会提取 forward_deduction 中的正推六步与钩子候选池。
• Step 2 按需加载：通过 grep 精准加载所选结构的段落定义（如 K·避坑清单），而非盲目读取上千行的参考文件；声音规范文件缺失时也会安全降级。
• Step 3 强制注入正推六步：在撰写脚本台词时建立强制溯源映射——痛点段写 pain，原因段写 cause，方案段写 solution。所有数据句必须标注 ✅Excel 或 ⚠️migration 等来源标记。
• Step 3.5 物理自检门：在写入文件前，强制输出结构合规自检表与三维自检（逻辑衔接、信息密度、口播流畅度），未全部通过 ✅ 则无法进入下一步。

适用边界与注意事项

• 绝对禁止“脑补”：脚本生成必须 100% 复用上游字段。若遇到上游 structure_definition 或正推六步字段缺失，必须立刻终止并报错，绝不能凭模型自身的知识去填补空白。
• 降级机制：在数据有限的情况下会自动降级，例如检测到 [模式C·有限数据] 时会在开头加入免责声明，遇到无信号源时会自动切换至以粉丝提问为核心的 N/D 结构。
• 紧凑模式：针对 K 或 N 型短脚本，若 60% 的画面为正面近景，允许省略画面列，使用 4 列紧凑格式输出，以提升可读性。