/comparative-review-skill

name: comparative-review-skill
description: 对比审核技能。对比生成剧本与爆款剧本的节奏、对话、情绪、框架，给出PASS/FAIL判断和改进建议。

对比审核技能

必读

1. `../../references/00-first-principles.md` — 第一性原则（可拍性、留存性、一致性、可验证性） 2. `../../references/03-script-writing-standard.md` — 剧本写作标准（对话比、视觉标记、网文感、节奏控制） 3. `../../references/04-review-gates.md` — 审核门槛（PASS/FAIL标准、回改流程）

功能

对比生成剧本与参考的爆款剧本，从多个维度进行分析，防止AI味，确保剧本质量。

对比维度

1. 节奏对比

**统计指标**：

• 场景数（scene_count）
• 冲突密度（conflict_density）= 冲突次数 / 总字数
• 平均场景时长（avg_scene_duration）
• 时长方差（duration_variance）
• 情绪强度（emotion_intensity）

**对比方法**：

# 统计生成剧本
generated = analyze_rhythm(generated_script)

# 统计参考剧本（5个的平均值）
reference = average([analyze_rhythm(ref) for ref in reference_scripts])

# 对比
rhythm_score = compare_metrics(generated, reference)

**判断标准**：

• 场景数：±2个场景内为PASS
• 冲突密度：±0.01内为PASS
• 情绪强度：±0.01内为PASS

2. 对话风格对比

**统计指标**：

• 平均句长（avg_sentence_length）
• 对话比（dialogue_ratio）= 对话字数 / 总字数
• 视觉标记密度（visual_markers_per_100）
• 短句比例（short_sentence_ratio）< 10字符的句子占比
• 网文感关键词密度（wanwen_keywords_per_100）

**网文感关键词**：

wanwen_keywords = [
    '冷笑', '嗤笑', '冷哼', '冷声', '冷冷',
    '眼神一冷', '眸光一沉', '嘴角勾起',
    '不屑', '轻蔑', '讥讽', '嘲讽',
    '霸气', '强势', '凌厉', '锐利'
]

**判断标准**：

• 句长：12±3字符为PASS
• 对话比：70%±10%为PASS
• 视觉标记：3-5个/100字为PASS

3. 情绪冲击力对比

**统计指标**：

• 情绪词汇密度（emotion_word_density）
• 情感极性摆动（emotion_polarity_swing）
• 高潮点数量（climax_count）
• 悬念设置（suspense_count）

**情绪词汇**：

emotion_words = {
    '愤怒': ['愤怒', '暴怒', '怒火', '气愤', '恼怒'],
    '悲伤': ['悲伤', '难过', '伤心', '痛苦', '绝望'],
    '惊讶': ['惊讶', '震惊', '惊愕', '愕然', '惊呆'],
    '恐惧': ['恐惧', '害怕', '惊恐', '畏惧', '胆寒'],
    '喜悦': ['喜悦', '高兴', '欣喜', '愉悦', '兴奋']
}

**判断标准**：

• 情绪词汇：1.5-2.5个/100字为PASS
• 情感摆动：至少2次明显摆动为PASS
• 高潮点：至少1个为PASS

4. 框架结构对比

**结构要素**：

• 开局（hook）：前10%是否有强钩子
• 发展（development）：中间60%是否有持续冲突
• 高潮（climax）：是否有明显高潮点
• 反转（twist）：是否有意外反转
• 结局（ending）：是否有强悬念/钩子

**判断标准**：

• 5个要素至少满足4个为PASS

5. 跨集内容重复检查

**检查对象**：当前集与前一集的内容对比

**检查项**：

• 场景重复：当前集与前一集是否有相同的场景
• 剧情点重复：当前集与前一集是否有相同的剧情点
• 对话重复：当前集与前一集是否有相似的对话
• 事件重复：当前集与前一集是否是同一个事件

**判断标准**：

• 发现任何重复内容，必须 FAIL
• 必须指出具体的重复位置
• 必须要求删除或重写重复内容

**示例**：

# 检查场景重复
ep01_scenes = extract_scenes(ep01_script)
ep02_scenes = extract_scenes(ep02_script)
duplicate_scenes = find_duplicates(ep01_scenes, ep02_scenes)

if duplicate_scenes:
    feedback.append({
        'dimension': '跨集内容重复',
        'issue': '发现重复场景',
        'location': f'第{N}集与第{N-1}集',
        'duplicates': duplicate_scenes,
        'suggestion': '删除重复场景，或改为新的场景'
    })

6. 事件完整性检查

**检查对象**：当前集的事件结构

**检查项**：

• 事件完整性：当前集是否是一个完整的事件（有开始、发展、结束）
• 剧情线完整性：当前集是否有未完成的剧情线
• 逻辑连贯性：当前集与下一集的规划是否有逻辑断层

**判断标准**：

• 事件不完整（如只有开始没有结束），必须 FAIL
• 有未完成的剧情线，必须 FAIL
• 与下一集的规划有逻辑断层，必须 FAIL

**示例**：

# 检查事件完整性
event_structure = analyze_event_structure(script)

if not event_structure['has_beginning']:
    feedback.append({
        'dimension': '事件完整性',
        'issue': '事件缺少开始',
        'suggestion': '添加事件的触发点'
    })

if not event_structure['has_ending']:
    feedback.append({
        'dimension': '事件完整性',
        'issue': '事件缺少结束',
        'suggestion': '添加事件的结果或转折'
    })

执行流程

Step 1: 加载剧本

# 加载生成剧本
with open(generated_script_path, 'r') as f:
    generated_script = f.read()

# 加载参考剧本（之前检索的Top 5）
reference_scripts = []
for ref_path in reference_paths:
    with open(ref_path, 'r') as f:
        reference_scripts.append(f.read())

Step 2: 统计指标

# 生成剧本指标
gen_rhythm = analyze_rhythm(generated_script)
gen_style = analyze_style(generated_script)
gen_emotion = analyze_emotion(generated_script)
gen_structure = analyze_structure(generated_script)

# 参考剧本平均指标
ref_rhythm = average([analyze_rhythm(ref) for ref in reference_scripts])
ref_style = average([analyze_style(ref) for ref in reference_scripts])
ref_emotion = average([analyze_emotion(ref) for ref in reference_scripts])
ref_structure = average([analyze_structure(ref) for ref in reference_scripts])

Step 3: 对比分析

feedback = []

# 节奏对比
if abs(gen_rhythm['scene_count'] - ref_rhythm['scene_count']) > 2:
    feedback.append({
        'dimension': '节奏',
        'issue': f"场景数偏{'少' if gen_rhythm['scene_count'] < ref_rhythm['scene_count'] else '多'}",
        'generated': gen_rhythm['scene_count'],
        'reference': ref_rhythm['scene_count'],
        'suggestion': f"建议调整为{ref_rhythm['scene_count']}个场景"
    })

# 对话风格对比
if gen_style['dialogue_ratio'] < 0.6:
    feedback.append({
        'dimension': '对话风格',
        'issue': '对话比偏低',
        'generated': f"{gen_style['dialogue_ratio']:.1%}",
        'reference': f"{ref_style['dialogue_ratio']:.1%}",
        'suggestion': '增加对话，减少叙述性文字'
    })

# 跨集内容重复检查
if previous_script:
    duplicate_scenes = find_duplicate_scenes(generated_script, previous_script)
    if duplicate_scenes:
        feedback.append({
            'dimension': '跨集内容重复',
            'issue': '发现重复场景',
            'location': f'第{N}集与第{N-1}集',
            'duplicates': duplicate_scenes,
            'suggestion': '删除重复场景，或改为新的场景',
            'severity': 'CRITICAL'  # 必须修复
        })

# 事件完整性检查
event_structure = analyze_event_structure(generated_script)
if not event_structure['is_complete']:
    feedback.append({
        'dimension': '事件完整性',
        'issue': event_structure['issue'],
        'suggestion': event_structure['suggestion'],
        'severity': 'CRITICAL'  # 必须修复
    })

# ... 其他维度对比

Step 4: 生成审核报告

report = {
    'verdict': 'PASS' if len(feedback) == 0 else 'FAIL',
    'overall_score': calculate_overall_score(gen, ref),
    'dimensions': {
        'rhythm': rhythm_score,
        'style': style_score,
        'emotion': emotion_score,
        'structure': structure_score
    },
    'feedback': feedback,
    'reference_examples': find_best_examples(feedback, reference_scripts)
}

输出格式

【综合审核报告】

判定：FAIL
综合得分：72/100

## 维度得分
- 节奏：65/100 ⚠️
- 对话风格：70/100 ⚠️
- 情绪冲击力：80/100 ✓
- 框架结构：85/100 ✓
- 跨集内容重复：FAIL ❌
- 事件完整性：FAIL ❌

## 详细反馈