one-by-one-comparison-skill

Name: one-by-one-comparison-skill
Author: Supreme-Ultimate

115stars28forks

How to install one-by-one-comparison-skill?

supreme-ultimate/novel-to-script-team/one-by-one-comparison-skill

$npx -y skills add Supreme-Ultimate/novel-to-script-team --skill one-by-one-comparison-skill

Installs into the current project.

Summary

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。

Files · 1

View on GitHub

SKILL.md

1	# 逐一对比技能
2
3	## 必读
4	1. `../../references/00-first-principles.md`
5	2. `../../references/03-script-writing-standard.md`
6	3. `../../references/04-review-gates.md`
7
8	## 技能说明
9
10	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。
11
12	## 评价标准（100分制）
13
14	### 1. 节奏控制（20分）
15
16	评分细则：
17	- 场景数量（5分）：与参考剧本相差±2个场景内得满分
18	- 场景时长分配（5分）：时长分布合理，有快有慢
19	- 冲突密度（5分）：冲突次数/总字数 ≥ 0.03
20	- 节奏变化（5分）：有明显的节奏起伏
21
22	对比方法：
23	```python
24	# 统计生成剧本
25	gen_scenes = count_scenes(generated_script)
26	gen_conflicts = count_conflicts(generated_script)
27	gen_conflict_density = gen_conflicts / len(generated_script)
28
29	# 统计参考剧本
30	ref_scenes = count_scenes(reference_script)
31	ref_conflicts = count_conflicts(reference_script)
32	ref_conflict_density = ref_conflicts / len(reference_script)
33
34	# 评分
35	scene_score = 5 if abs(gen_scenes - ref_scenes) <= 2 else max(0, 5 - abs(gen_scenes - ref_scenes))
36	conflict_score = 5 if gen_conflict_density >= 0.03 else gen_conflict_density / 0.03 * 5
37	```
38
39	### 2. 对话风格（25分）
40
41	评分细则：
42	- 对话比例（10分）：70%+ 得满分，每低5%扣2分
43	- 句长控制（8分）：平均10-14字符得满分
44	- 短句比例（4分）：30-40%得满分
45	- 对话自然度（3分）：人物区分度、口语化程度
46
47	对比方法：
48	```python
49	# 对话比例
50	gen_dialogue_ratio = calculate_dialogue_ratio(generated_script)
51	ref_dialogue_ratio = calculate_dialogue_ratio(reference_script)
52
53	dialogue_score = 10 if gen_dialogue_ratio >= 0.7 else gen_dialogue_ratio / 0.7 * 10
54
55	# 句长
56	gen_avg_length = calculate_avg_sentence_length(generated_script)
57	ref_avg_length = calculate_avg_sentence_length(reference_script)
58
59	if 10 <= gen_avg_length <= 14:
60	length_score = 8
61	else:
62	length_score = max(0, 8 - abs(gen_avg_length - 12) * 0.5)
63	```
64
65	### 3. 视觉化表达（20分）
66
67	评分细则：
68	- 视觉标记密度（10分）：3-5个/100字得满分
69	- 表情描写（4分）：冷笑、嗤笑、冷哼等
70	- 眼神描写（3分）：眼神一冷、眸光一沉等
71	- 动作描写（3分）：嘴角勾起、挑眉、转身等
72
73	对比方法：
74	```python
75	visual_markers = ['冷笑', '嗤笑', '冷哼', '眼神一冷', '眸光一沉', '嘴角勾起', '挑眉', '转身']
76
77	gen_marker_density = count_markers(generated_script, visual_markers) / (len(generated_script) / 100)
78	ref_marker_density = count_markers(reference_script, visual_markers) / (len(reference_script) / 100)
79
80	if 3 <= gen_marker_density <= 5:
81	marker_score = 10
82	else:
83	marker_score = max(0, 10 - abs(gen_marker_density - 4) * 2)
84	```
85
86	### 4. 网文感（20分）
87
88	评分细则：
89	- 网文感关键词密度（10分）：1.5-2.5个/100字得满分
90	- 情绪强化词（4分）：冷笑、嗤笑、冷哼、冷声等
91	- 态度词（3分）：不屑、轻蔑、讥讽、嘲讽等
92	- 打脸节奏（3分）：打脸场景数量和质量
93
94	对比方法：
95	```python
96	wanwen_keywords = {
97	'情绪强化': ['冷笑', '嗤笑', '冷哼', '冷声', '冷冷地'],
98	'态度词': ['不屑', '轻蔑', '讥讽', '嘲讽', '鄙夷'],
99	'气场词': ['霸气', '强势', '凌厉', '锐利', '凛然'],
100	'打脸词': ['啪啪打脸', '狠狠打脸', '当场打脸', '脸色一变']
101	}
102
103	gen_keyword_density = count_all_keywords(generated_script, wanwen_keywords) / (len(generated_script) / 100)
104	ref_keyword_density = count_all_keywords(reference_script, wanwen_keywords) / (len(reference_script) / 100)
105
106	if 1.5 <= gen_keyword_density <= 2.5:
107	keyword_score = 10
108	else:
109	keyword_score = max(0, 10 - abs(gen_keyword_density - 2) * 3)
110	```
111
112	### 5. 结构完整性（15分）
113
114	评分细则：
115	- 开局钩子（3分）：前10%是否有强冲突
116	- 中段冲突（4分）：中间60%是否持续有冲突
117	- 高潮设计（3分）：是否有明显高潮点
118	- 反转设置（3分）：是否有意外反转
119	- 结尾悬念（2分）：是否有强钩子
120
121	对比方法：
122	```python
123	structure_elements = {
124	'hook': check_opening_hook(script), # True/False
125	'development': check_continuous_conflict(script),
126	'climax': check_climax(script),
127	'twist': check_twist(script),
128	'ending': check_ending_hook(script)
129	}
130
131	structure_score = sum([
132	3 if structure_elements['hook'] else 0,
133	4 if structure_elements['development'] else 0,
134	3 if structure_elements['climax'] else 0,
135	3 if structure_elements['twist'] else 0,
136	2 if structure_elements['ending'] else 0
137	])
138	```
139
140	## 执行流程
141
142	### Step 1: 加载剧本
143
144	```python
145	# 加载生成剧本
146	with open(f'outputs/{剧本名}/scripts/ep{N}.md', 'r') as f:
147	generated_script = f.read()
148
149	# 加载参考剧本列表（从检索结果或style-analysis报告中获取）
150	reference_files = [
151	'knowledge/hit-scripts-md/参考剧本1.md',
152	'knowledge/hit-scripts-md/参考剧本2.md',
153	'knowledge/hit-scripts-md/参考剧本3.md',
154	'knowledge/hit-scripts-md/参考剧本4.md',
155	'knowledge/hit-scripts-md/参考剧本5.md'
156	]
157
158	reference_scripts = []
159	for ref_file in reference_files:
160	with open(ref_file, 'r') as f:
161	reference_scripts.append({
162	'filename': os.path.basename(ref_file),
163	'content': f.read()
164	})
165	```
166
167	### Step 2: 逐个对比
168
169	```python
170	comparison_results = []
171
172	for i, ref in enumerate(reference_scripts, 1):
173	print(f"\n{'='*80}")
174	print(f"对比 {i}/5: 生成剧本 vs {ref['filename']}")
175	print(f"{'='*80}\n")
176
177	# 五大维度评分
178	rhythm_score = compare_rhythm(generated_script, ref['content'])
179	dialogue_score = compare_dialogue(generated_script, ref['content'])
180	visual_score = compare_visual(generated_script, ref['content'])
181	wanwen_score = compare_wanwen(generated_script, ref['content'])
182	structure_score = compare_structure(generated_script, ref['content'])
183
184	total_score = rhythm_score + dialogue_score + visual_score + wanwen_score + structure_score
185
186	# 识别具体问题
187	issues = identify_issues(generated_script, ref['content'])
188
189	# 提取参考示例
190	examples = extract_examples(ref['content'], issues)
191
192	# 生

People who liked this also viewed

6 picks

Type

one-by-one-comparison-skill

115stars28forks

View on GitHub

How to install one-by-one-comparison-skill?

supreme-ultimate/novel-to-script-team/one-by-one-comparison-skill

$npx -y skills add Supreme-Ultimate/novel-to-script-team --skill one-by-one-comparison-skill

Installs into the current project.

Summary

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。

Files · 1

View on GitHub

SKILL.md

1	# 逐一对比技能
2
3	## 必读
4	1. `../../references/00-first-principles.md`
5	2. `../../references/03-script-writing-standard.md`
6	3. `../../references/04-review-gates.md`
7
8	## 技能说明
9
10	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。
11
12	## 评价标准（100分制）
13
14	### 1. 节奏控制（20分）
15
16	评分细则：
17	- 场景数量（5分）：与参考剧本相差±2个场景内得满分
18	- 场景时长分配（5分）：时长分布合理，有快有慢
19	- 冲突密度（5分）：冲突次数/总字数 ≥ 0.03
20	- 节奏变化（5分）：有明显的节奏起伏
21
22	对比方法：
23	```python
24	# 统计生成剧本
25	gen_scenes = count_scenes(generated_script)
26	gen_conflicts = count_conflicts(generated_script)
27	gen_conflict_density = gen_conflicts / len(generated_script)
28
29	# 统计参考剧本
30	ref_scenes = count_scenes(reference_script)
31	ref_conflicts = count_conflicts(reference_script)
32	ref_conflict_density = ref_conflicts / len(reference_script)
33
34	# 评分
35	scene_score = 5 if abs(gen_scenes - ref_scenes) <= 2 else max(0, 5 - abs(gen_scenes - ref_scenes))
36	conflict_score = 5 if gen_conflict_density >= 0.03 else gen_conflict_density / 0.03 * 5
37	```
38
39	### 2. 对话风格（25分）
40
41	评分细则：
42	- 对话比例（10分）：70%+ 得满分，每低5%扣2分
43	- 句长控制（8分）：平均10-14字符得满分
44	- 短句比例（4分）：30-40%得满分
45	- 对话自然度（3分）：人物区分度、口语化程度
46
47	对比方法：
48	```python
49	# 对话比例
50	gen_dialogue_ratio = calculate_dialogue_ratio(generated_script)
51	ref_dialogue_ratio = calculate_dialogue_ratio(reference_script)
52
53	dialogue_score = 10 if gen_dialogue_ratio >= 0.7 else gen_dialogue_ratio / 0.7 * 10
54
55	# 句长
56	gen_avg_length = calculate_avg_sentence_length(generated_script)
57	ref_avg_length = calculate_avg_sentence_length(reference_script)
58
59	if 10 <= gen_avg_length <= 14:
60	length_score = 8
61	else:
62	length_score = max(0, 8 - abs(gen_avg_length - 12) * 0.5)
63	```
64
65	### 3. 视觉化表达（20分）
66
67	评分细则：
68	- 视觉标记密度（10分）：3-5个/100字得满分
69	- 表情描写（4分）：冷笑、嗤笑、冷哼等
70	- 眼神描写（3分）：眼神一冷、眸光一沉等
71	- 动作描写（3分）：嘴角勾起、挑眉、转身等
72
73	对比方法：
74	```python
75	visual_markers = ['冷笑', '嗤笑', '冷哼', '眼神一冷', '眸光一沉', '嘴角勾起', '挑眉', '转身']
76
77	gen_marker_density = count_markers(generated_script, visual_markers) / (len(generated_script) / 100)
78	ref_marker_density = count_markers(reference_script, visual_markers) / (len(reference_script) / 100)
79
80	if 3 <= gen_marker_density <= 5:
81	marker_score = 10
82	else:
83	marker_score = max(0, 10 - abs(gen_marker_density - 4) * 2)
84	```
85
86	### 4. 网文感（20分）
87
88	评分细则：
89	- 网文感关键词密度（10分）：1.5-2.5个/100字得满分
90	- 情绪强化词（4分）：冷笑、嗤笑、冷哼、冷声等
91	- 态度词（3分）：不屑、轻蔑、讥讽、嘲讽等
92	- 打脸节奏（3分）：打脸场景数量和质量
93
94	对比方法：
95	```python
96	wanwen_keywords = {
97	'情绪强化': ['冷笑', '嗤笑', '冷哼', '冷声', '冷冷地'],
98	'态度词': ['不屑', '轻蔑', '讥讽', '嘲讽', '鄙夷'],
99	'气场词': ['霸气', '强势', '凌厉', '锐利', '凛然'],
100	'打脸词': ['啪啪打脸', '狠狠打脸', '当场打脸', '脸色一变']
101	}
102
103	gen_keyword_density = count_all_keywords(generated_script, wanwen_keywords) / (len(generated_script) / 100)
104	ref_keyword_density = count_all_keywords(reference_script, wanwen_keywords) / (len(reference_script) / 100)
105
106	if 1.5 <= gen_keyword_density <= 2.5:
107	keyword_score = 10
108	else:
109	keyword_score = max(0, 10 - abs(gen_keyword_density - 2) * 3)
110	```
111
112	### 5. 结构完整性（15分）
113
114	评分细则：
115	- 开局钩子（3分）：前10%是否有强冲突
116	- 中段冲突（4分）：中间60%是否持续有冲突
117	- 高潮设计（3分）：是否有明显高潮点
118	- 反转设置（3分）：是否有意外反转
119	- 结尾悬念（2分）：是否有强钩子
120
121	对比方法：
122	```python
123	structure_elements = {
124	'hook': check_opening_hook(script), # True/False
125	'development': check_continuous_conflict(script),
126	'climax': check_climax(script),
127	'twist': check_twist(script),
128	'ending': check_ending_hook(script)
129	}
130
131	structure_score = sum([
132	3 if structure_elements['hook'] else 0,
133	4 if structure_elements['development'] else 0,
134	3 if structure_elements['climax'] else 0,
135	3 if structure_elements['twist'] else 0,
136	2 if structure_elements['ending'] else 0
137	])
138	```
139
140	## 执行流程
141
142	### Step 1: 加载剧本
143
144	```python
145	# 加载生成剧本
146	with open(f'outputs/{剧本名}/scripts/ep{N}.md', 'r') as f:
147	generated_script = f.read()
148
149	# 加载参考剧本列表（从检索结果或style-analysis报告中获取）
150	reference_files = [
151	'knowledge/hit-scripts-md/参考剧本1.md',
152	'knowledge/hit-scripts-md/参考剧本2.md',
153	'knowledge/hit-scripts-md/参考剧本3.md',
154	'knowledge/hit-scripts-md/参考剧本4.md',
155	'knowledge/hit-scripts-md/参考剧本5.md'
156	]
157
158	reference_scripts = []
159	for ref_file in reference_files:
160	with open(ref_file, 'r') as f:
161	reference_scripts.append({
162	'filename': os.path.basename(ref_file),
163	'content': f.read()
164	})
165	```
166
167	### Step 2: 逐个对比
168
169	```python
170	comparison_results = []
171
172	for i, ref in enumerate(reference_scripts, 1):
173	print(f"\n{'='*80}")
174	print(f"对比 {i}/5: 生成剧本 vs {ref['filename']}")
175	print(f"{'='*80}\n")
176
177	# 五大维度评分
178	rhythm_score = compare_rhythm(generated_script, ref['content'])
179	dialogue_score = compare_dialogue(generated_script, ref['content'])
180	visual_score = compare_visual(generated_script, ref['content'])
181	wanwen_score = compare_wanwen(generated_script, ref['content'])
182	structure_score = compare_structure(generated_script, ref['content'])
183
184	total_score = rhythm_score + dialogue_score + visual_score + wanwen_score + structure_score
185
186	# 识别具体问题
187	issues = identify_issues(generated_script, ref['content'])
188
189	# 提取参考示例
190	examples = extract_examples(ref['content'], issues)
191
192	# 生

People who liked this also viewed

6 picks

Type