一、问题定义

用大模型写短剧，瓶颈不在"能不能写"，而在三个工程问题：

1. **长链一致性**：70-80 集长剧，第 60 集的角色声学参数和第 3 集是否一致？
2. **质量门控**：没有 lint 工具的代码不能上线，没有质检的剧本凭什么能投稿？
3. **去 AI 痕迹**：平台审稿对 AI 剧本的识别率越来越高，"微微一笑""淡淡地说"直接触发拒稿。

本文分享一套基于 Claude Skill 系统的解决方案——xingtu（星图）管线，5 个 Skill 模块化编排，已经跑过 31 部完整长剧、2,426 集的量产验证。

---

### 二、架构设计

```
                    ┌─────────────┐
  用户指令 ──────▶  │   Pipeline   │  入口·路由分发
                    └──────┬──────┘
           ┌───────────────┼───────────────┐
           ▼               ▼               ▼
    ┌──────────┐   ┌──────────────┐   ┌──────────┐
    │ Creator  │   │ Shot Standard│   │  其他模块  │
    │ 策划·角色 │   │  分镜台本 ★  │   │          │
    └──────────┘   └──────┬───────┘   └──────────┘
                          │
           ┌──────────────┼──────────────┐
           ▼              ▼              ▼
    ┌──────────┐   ┌──────────┐   ┌──────────┐
    │Validator │──▶│ Cleaner  │──▶│  导出投稿  │
    │ 12项检测  │   │ 去AI痕迹  │   │          │
    └──────────┘   └──────────┘   └──────────┘
```

五个 Skill 各司其职：

| 模块 | 职责 | 输入 | 输出 |
|------|------|------|------|
| `pipeline` | 路由分发 | 用户自然语言指令 | 派发到对应模块 |
| `creator` | 策划 | 一句话梗概 | 角色体系 + 70集叙事规划 + 声学参数 |
| `shot-standard` | 分镜台本 | episode大纲 | 逐镜脚本（时间码/机位/微表情/灯光/音效） |
| `validator` | 质检 | 分镜脚本 | 检测报告 + auto-fix |
| `cleaner` | 去AI痕迹 | 完整剧本 | 消除15类硬指标 + 8类定性指标的AI特征 |

---

### 三、核心模块详解

#### 3.1 shot-standard：为什么不是"写"而是"规格化生成"

普通 prompt 产出的是叙述性文本：

> 场景：办公室内 日
> Sofia 走到打印机旁，看到 Ethan 的邮件，若有所思。

shot-standard 产出的是一镜完整的规格表：

```
分镜38  4.2s-7.8s  中景·微俯角·跟拍
Sofia Rossetti  基频220Hz  音色柔和带颗粒  语速中偏快
  动作：从打印机旁转身 → 右手食指在太阳穴轻点两次
        （因果链：邮件触发 → 思考 → 动作）
  过渡态：左肩微沉3°（防御→打开）
  微表情：眉间微蹙(0-0.3s) → 瞳孔收缩(0.3-0.7s)
           → 下唇内收0.2mm(0.7-1.2s) → 放松(1.2-1.8s)
  灯光：右上方45° 暖白光 3200K  反差比1:1.3
  音效：打印机嗡鸣 → 纸页翻动 → 0.3s空白 → 吸气音(1.2s处)
```

每镜 9 个维度，全管线一致。核心是在 Skill 里内置了导演知识库（约 3000 行），让模型"知道"分镜台本的工业规格，而不是靠 prompt 反复描述。

#### 3.2 validator：12 项自动检测

`validate_script.py` 逐镜扫描：

```python
# 检测项摘录
CHECKS = {
    "timecode_continuity": "时间码是否断链",
    "lazy_omission": "是否有'子动作N''待定'等占位符",
    "acoustic_params": "每角色声学参数是否复用",
    "spatial_consistency": "同场景不同镜的进深/陈设是否矛盾",
    "micro_expression": "是否全是'微微一笑''眼神一暗'模板",
    "action_tri_state": "动作是否缺少过渡态",
    "narrative_substitution": "叙述性文字是否替代了动作描写",
    "long_chain_decay": "60镜后参数是否仍然一致",
    "dialogue_timecode": "对白是否挂了时间锚点",
    "monologue_timecode": "独白是否精确到秒",
    "shot_density": "单镜时长是否合理",
    "reference_image": "参考图索引是否完整",
}
```

量产最怕写到后面忘了前面。这套脚本在 2,400+ 集交付中跑了上百次，能检出人眼扫不出的长链衰减。

#### 3.3 cleaner：AI 痕迹的 15+8 检测体系

平台审稿人的 AI 识别清单：

**15 类硬指标**（可自动检测）：
- AI 招牌句式（"微微一笑""眼神中闪过一丝复杂""淡淡地说"）
- 对称角色设计（两个男主刚好互补 → 太工整）
- 模板化情绪（高兴=嘴角上扬，生气=拳头握紧）
- 完美对白（真实人类有停顿/改口/语序混乱）

**8 类定性指标**（需人工判定）：
- 角色成长曲线是否有机
- 冲突升级是否有递进逻辑
- 叙事节奏是否有呼吸感

---

### 四、三段式质量控制

从大量交付中总结出的方法论：

**写前：参数卡锁定**
每集动笔前写一致性基准卡（光线方向、音效基调、情绪转折点、角色声学参数）。不允许边写边想。2,426 集无一跳过。

**写中：分段卡关**
每 15 镜为一段，写完即停，对照参数卡自查。不合格不往下。最坏情况烂 15 镜，而不是写到结尾发现要重写 120 镜。

**写后：自动检测**
validate_script.py 全量扫描 → 归零后交付。

这套机制起源于一次事故：批处理脚本覆盖了约 46 集原文，全部替换为"子动作N"占位符。从那以后，"先备份 → 分段自检 → 脚本批跑"成了硬规则。

---

### 五、产出数据

| 项目 | 数量 |
|------|------|
| 完成长剧 | 31 部 |
| 总集数 | 2,426 集 |
| 已投稿 | 27 部 |
| 涵盖题材 | 12+ 大类 |
| 质检脚本运行次数 | 100+ 次 |

---

### 六、产品

全部 5 个 Skill 打包为一个 zip，直接加载到 Claude / Codebuddy / Cursor：

- `xingtu-pipeline` — 入口路由
- `xingtu-creator` — 策划与角色体系
- `xingtu-shot-standard` — 分镜台本（核心，含导演知识库）
- `xingtu-validator` — 质检 + validate_script.py
- `xingtu-cleaner` — 去 AI 痕迹

**$149 终身买断**：https://payhip.com/b/coi2B

兼容所有支持 Skill 系统的 AI 工具（Claude / Codebuddy / Cursor）。ChatGPT 不支持 Skill 格式。

---

有问题评论区交流。