/one-by-one-comparison-skill

name: one-by-one-comparison-skill
description: 逐一对比技能。将生成剧本与每个参考剧本逐一对比，按照剧本评价标准给出详细批判和改进建议。

逐一对比技能

必读

1. `../../references/00-first-principles.md` 2. `../../references/03-script-writing-standard.md` 3. `../../references/04-review-gates.md`

技能说明

将生成剧本与检索到的Top 5参考剧本逐一对比，每次对比都按照统一的评价标准进行深度分析，给出具体的批判和改进建议。

评价标准（100分制）

1. 节奏控制（20分）

**评分细则**：

• 场景数量（5分）：与参考剧本相差±2个场景内得满分
• 场景时长分配（5分）：时长分布合理，有快有慢
• 冲突密度（5分）：冲突次数/总字数 ≥ 0.03
• 节奏变化（5分）：有明显的节奏起伏

**对比方法**：

# 统计生成剧本
gen_scenes = count_scenes(generated_script)
gen_conflicts = count_conflicts(generated_script)
gen_conflict_density = gen_conflicts / len(generated_script)

# 统计参考剧本
ref_scenes = count_scenes(reference_script)
ref_conflicts = count_conflicts(reference_script)
ref_conflict_density = ref_conflicts / len(reference_script)

# 评分
scene_score = 5 if abs(gen_scenes - ref_scenes) <= 2 else max(0, 5 - abs(gen_scenes - ref_scenes))
conflict_score = 5 if gen_conflict_density >= 0.03 else gen_conflict_density / 0.03 * 5

2. 对话风格（25分）

**评分细则**：

• 对话比例（10分）：70%+ 得满分，每低5%扣2分
• 句长控制（8分）：平均10-14字符得满分
• 短句比例（4分）：30-40%得满分
• 对话自然度（3分）：人物区分度、口语化程度

**对比方法**：

# 对话比例
gen_dialogue_ratio = calculate_dialogue_ratio(generated_script)
ref_dialogue_ratio = calculate_dialogue_ratio(reference_script)

dialogue_score = 10 if gen_dialogue_ratio >= 0.7 else gen_dialogue_ratio / 0.7 * 10

# 句长
gen_avg_length = calculate_avg_sentence_length(generated_script)
ref_avg_length = calculate_avg_sentence_length(reference_script)

if 10 <= gen_avg_length <= 14:
    length_score = 8
else:
    length_score = max(0, 8 - abs(gen_avg_length - 12) * 0.5)

3. 视觉化表达（20分）

**评分细则**：

• 视觉标记密度（10分）：3-5个/100字得满分
• 表情描写（4分）：冷笑、嗤笑、冷哼等
• 眼神描写（3分）：眼神一冷、眸光一沉等
• 动作描写（3分）：嘴角勾起、挑眉、转身等

**对比方法**：

visual_markers = ['冷笑', '嗤笑', '冷哼', '眼神一冷', '眸光一沉', '嘴角勾起', '挑眉', '转身']

gen_marker_density = count_markers(generated_script, visual_markers) / (len(generated_script) / 100)
ref_marker_density = count_markers(reference_script, visual_markers) / (len(reference_script) / 100)

if 3 <= gen_marker_density <= 5:
    marker_score = 10
else:
    marker_score = max(0, 10 - abs(gen_marker_density - 4) * 2)

4. 网文感（20分）

**评分细则**：

• 网文感关键词密度（10分）：1.5-2.5个/100字得满分
• 情绪强化词（4分）：冷笑、嗤笑、冷哼、冷声等
• 态度词（3分）：不屑、轻蔑、讥讽、嘲讽等
• 打脸节奏（3分）：打脸场景数量和质量

**对比方法**：

wanwen_keywords = {
    '情绪强化': ['冷笑', '嗤笑', '冷哼', '冷声', '冷冷地'],
    '态度词': ['不屑', '轻蔑', '讥讽', '嘲讽', '鄙夷'],
    '气场词': ['霸气', '强势', '凌厉', '锐利', '凛然'],
    '打脸词': ['啪啪打脸', '狠狠打脸', '当场打脸', '脸色一变']
}

gen_keyword_density = count_all_keywords(generated_script, wanwen_keywords) / (len(generated_script) / 100)
ref_keyword_density = count_all_keywords(reference_script, wanwen_keywords) / (len(reference_script) / 100)

if 1.5 <= gen_keyword_density <= 2.5:
    keyword_score = 10
else:
    keyword_score = max(0, 10 - abs(gen_keyword_density - 2) * 3)

5. 结构完整性（15分）

**评分细则**：

• 开局钩子（3分）：前10%是否有强冲突
• 中段冲突（4分）：中间60%是否持续有冲突
• 高潮设计（3分）：是否有明显高潮点
• 反转设置（3分）：是否有意外反转
• 结尾悬念（2分）：是否有强钩子

**对比方法**：

structure_elements = {
    'hook': check_opening_hook(script),  # True/False
    'development': check_continuous_conflict(script),
    'climax': check_climax(script),
    'twist': check_twist(script),
    'ending': check_ending_hook(script)
}

structure_score = sum([
    3 if structure_elements['hook'] else 0,
    4 if structure_elements['development'] else 0,
    3 if structure_elements['climax'] else 0,
    3 if structure_elements['twist'] else 0,
    2 if structure_elements['ending'] else 0
])

执行流程

Step 1: 加载剧本

# 加载生成剧本
with open(f'outputs/{剧本名}/scripts/ep{N}.md', 'r') as f:
    generated_script = f.read()

# 加载参考剧本列表（从检索结果或style-analysis报告中获取）
reference_files = [
    'knowledge/hit-scripts-md/参考剧本1.md',
    'knowledge/hit-scripts-md/参考剧本2.md',
    'knowledge/hit-scripts-md/参考剧本3.md',
    'knowledge/hit-scripts-md/参考剧本4.md',
    'knowledge/hit-scripts-md/参考剧本5.md'
]

reference_scripts = []
for ref_file in reference_files:
    with open(ref_file, 'r') as f:
        reference_scripts.append({
            'filename': os.path.basename(ref_file),
            'content': f.read()
        })

Step 2: 逐个对比

comparison_results = []

for i, ref in enumerate(reference_scripts, 1):
    print(f"\n{'='*80}")
    print(f"对比 {i}/5: 生成剧本 vs {ref['filename']}")
    print(f"{'='*80}\n")

    # 五大维度评分
    rhythm_score = compare_rhythm(generated_script, ref['content'])
    dialogue_score = compare_dialogue(generated_script, ref['content'])
    visual_score = compare_visual(generated_script, ref['content'])
    wanwen_score = compare_wanwen(generated_script, ref['content'])
    structure_score = compare_structure(generated_script, ref['content'])

    total_score = rhythm_score + dialogue_score + visual_score + wanwen_score + structure_score

    # 识别具体问题
    issues = identify_issues(generated_script, ref['content'])

    # 提取参考示例
    examples = extract_examples(ref['content'], issues)

    # 生成改进建议
    suggestions = generate_suggestions(issues, examples)

    comparison_results.append({
        'reference': ref['filename'],
        'scores': {
            'rhythm': rhythm_score,
            'dialogue': dialogue_score,
            'visual': visual_score,
            'wanwen': wanwen_score,
            'structure': structure_score,
            'total': total_score
        },
        'issues': issues,
        'examples': examples,
        'suggestions': suggestions
    })

Step 3: 综合分析

# 汇总共同问题
common_issues = find_common_issues(comparison_results)

# 计算平均得分
avg_scores = calculate_average_scores(comparison_results)

# 识别最弱维度
weakest_dimensions = identify_weakest_dimensions(avg_scores)

# 生成优先级建议
priority_suggestions = prioritize_suggestions(common_issues, weakest_dimensions)

Step 4: 生成报告

# 第{N}集逐一对比分析报告

## 一、综合评分

| 维度 | 平均得分 | 评级 |
|------|---------|------|
| 节奏控制 | 15/20 | B |
| 对话风格 | 18/25 | B+ |
| 视觉化表达 | 12/20 | C+ |
| 网文感 | 10/2