novel-weaver

结构化小说写作辅助技能。场景配置→大纲生成→因果链双重验证→pipeline 流程门禁→子结构先行规划→情绪混合系统→文风约束→人格驱动→分段写作→连通性补充→风格校验+逻辑检查(含实体状态+关系链)+大纲忠实度+结尾收束验证+实体关系追踪+角色别名识别+跨章行为摘要。全流程硬约束+门禁跟踪。

Lighthexuish@ldxs001

Install

openclaw skills install @ldxs001/novel-weaver

novel-weaver — 结构化小说写作辅助技能

本文档由 skill-standardization 自动化审计与维护。

约束

[强制] 新会话第一步：查看项目 — 不要猜路径，先运行以下命令查看已有的项目：
bash
```
python scripts/novel_workflow_engine.py list-projects
```
如果无项目则创建新项目，有项目则记录 state_path 供后续命令使用。
[强制] 流程门禁系统 — 在阶段转换时自动 require 前置门禁：→writing 检查 outline_causality + sub_causality；→stage3_ready 检查 fidelity + ending_verify。门禁状态查看：python novel_pipeline_gate.py status <state_path>
[强制] 核心规划字段保护 + 串行阻断 — novel_state_manager.py 对核心字段做 MD5 指纹校验，LLM 不可更新。context_loader 检测上一子结构是否为 completed，否则 HOOK-BLOCK 阻断。串行写入，一次只改一个子结构
[强制] 串行阻断 — context_loader 加载子结构上下文时检测上一子结构 state 是否为 completed。若为 pending 则输出 HOOK-BLOCK 并给出 write-sub 修复命令，强制走管道完成标记后才能继续。子结构写作必须串行
[必须] 先确认+规划再写作 — 场景配置和大纲必须经用户确认，每章先 plan-chapter（含必填 writing_prompt + 情绪 tone + 可选 emotions）→ 因果链验证 → 通过串行阻断检查，才可开始写作
[必须] 写作规范 — 每段 ≤200行（自然段落结束），atomic write 逐行 fsync，正文禁止 L##S## 标记行（会被阻断）
[强制] 写作中登记 — 新角色出场时 novel_state_manager.py add-char。plan-chapter 已加硬阻断：sub_structures 中出现未登记角色名时 HOOK-BLOCK，必须先 add-char 才能写入。
[强制] 每章六检 + 自动完结 — 写完所有子结构后 write-sub 自动触发 finalize-chapter（不再需手动执行）：章内连通性 → 跨章承诺链 → 风格校验 → 逻辑检查 → 语义检查 → 推理审核 → 聚合硬性问题并阻断。通过后自动推进 phase。
[必须] 全文三检 — 全文完成后必须：novel_fidelity.py（大纲忠实度）+ verify-ending（结尾收束验证）+ set-phase stage3_ready

数据目录

⚠️ LLM 禁止手工拼写路径！禁止去 Read memory/ 目录下的文件！ 所有项目数据只能通过以下途径获取：

列出所有项目（新会话第一件事）：

bash

python scripts/novel_workflow_engine.py list-projects

或

python

import sys; sys.path.insert(0, 'scripts')
from _path_utils import list_projects, resolve_state_path, DATA_DIR
projects = list_projects()
# DATA_DIR = ~/.workbuddy/skills/.standardization/novel-weaver/projects/

获取单个项目 state 路径：

python

from _path_utils import resolve_state_path
state_path = resolve_state_path()       # 自动从 .project 缓存读取
# 或传入项目名: resolve_state_path("赛博搏杀记")

读取项目状态：

python

state_path = resolve_state_path()
if state_path:
    import json; state = json.loads(open(state_path, encoding='utf-8').read())
from _path_utils import DATA_DIR
proj = DATA_DIR / '项目名' / 'data' / 'novel_state.json'

目录结构（代码推导，仅供理解）：

text

{DATA_DIR}/<项目名>/
├── data/novel_state.json          ← 状态文件
├── data/.workbuddy/gate_state.json ← 门禁状态
├── data/reports/                   ← 检查报告
├── chapters/L##/S##.txt          ← 章节正文
└── .project                       ← 路径缓存

模型文件存储在：
  ~/.workbuddy/skills/.standardization/novel-weaver/models/
  ├── bge-small-zh/                 ← BERT 33MB（可选）
  └── ds-r1-distill-qwen-1.5b/     ← DeepSeek-R1-Distill-Qwen-1.5B ~1GB（CPU 可跑）

数据目录由 _path_utils.py 统一管理。

触发条件

正向触发：

「我想写个故事/小说/文章」→ 触发完整流程
「帮我生成故事大纲和场景配置」→ 触发阶段1
「根据大纲写下一章」→ 触发阶段2（续写模式）
「帮我检查文章前后是否一致」→ 触发风格校验
「把这几段串起来」→ 触发连通性补充
「检查文章是否偏离了大纲」→ 触发大纲忠实度报告
「安装模型/下载模型/装 BERT/装推理模型」→ 触发模型安装流程：安装 sentence-transformers + 下载 bge-small-zh 或安装 transformers + 下载推理审核模型

否定条件：

用户只是说「改写/润色」——不是本技能范畴
用户要求翻译/简洁回答——不触发

核心能力

📚 渐进式加载：本技能采用渐进式 MD 体系，SKILL.md 为入口（≤230行），详细内容拆分到 references/*.md 按需加载。

本技能采用渐进式 MD 体系，SKILL.md 为入口（≤230行），详细内容拆分到 references/。

文件	内容
references/execution_standards.md	字数管理 / 文体规范 / novel_state.json 结构 / 子结构文件格式 / 章节输出 / 时间线 / 角色表 / 结尾收束 / 实体关系追踪
references/hooks.md	参考文档
references/antipatterns.md	常见反模式与正确做法
references/faq.md	常见问题与排除
references/changelog.md	版本更新日志
references/examples.md	使用示例
references/permissions.md	权限说明
references/LICENSE.md	MIT 许可证

渐进式文件索引

文件名	分类	包含内容	审计关联
`references/LICENSE.md`	许可协议	开源许可证声明（MIT）。包含：MIT 许可证完整文本。	R-26
`references/antipatterns.md`	规范指南	skill 编写中的常见反模式。包含：错误做法示例、正确做法示例、避坑指引。	R-18
`references/changelog.md`	版本管理	版本更新日志。包含：版本号、更新类型、修复项、升级说明。	R-24
`references/examples.md`	使用示例	各场景完整执行示例。包含：CLI 命令、执行过程、输出结果。	R-25 C-17
`references/execution_standards.md`	参考文档	字数目标在规划、写作、检查三个阶段使用同一套标准，不允许 AI 自行配置或偏离。	无
`references/faq.md`	常见问题	常见疑问与解答。包含：问题分类、原因分析、解决方案。	R-19, R-25 C-19
`references/hooks.md`	参考文档	门禁状态查看：`python novel_pipeline_gate.py status <state_path>`	无
`references/permissions.md`	权限与测试	权限扫描说明与测试结论。包含：风险等级、高权限操作说明、测试概览、计时统计。	R-15, R-16

工作流程

写作流程

LLM 生成场景配置 → 输入用户模糊想法 → 输出 novel_info/setting — 生成人物/时代/地点/风土人情/核心冲突
LLM 生成一级大纲 → 输入场景配置 → 输出 chapters[] title/overview — L01-L15编号+标题+每章概述
因果链验证(outline) → 输入 chapters[] overview → 输出 outline_causality 门禁 — 逐链节检查L01→L02→...因果递进
用户确认 → 输入大纲 → 输出确认/修正 — 钩子阻断式，未确认不得进入阶段2
初始化 novel_state.json → 输入大纲 → 输出 novel_state.json — chapters/characters/timeline 骨架
规划章子结构 → 输入章节标题+概述 → 输出 sub_structures[] JSON — S01-S05+标题+概述+tone+必填 writing_prompt(≥50字符)+可选 emotions。缺失 writing_prompt 则 plan-chapter HOOK-BLOCK
注册子结构到 state → 输入 subs_json → 输出 novel_state 更新 — MD5指纹锁定+自动字数目标+标记 is_ending/is_hook。新角色检测+HARD-BLOCK：sub_structures 中出现未登记角色名时阻断并提示 add-char 命令
子结构因果链验证 → 输入 sub_structures → 输出 sub_causality 门禁 — 逐子结构因果递进检查
set-phase writing → 输入 outline+sub 门禁 → 输出 phase=writing — require 双门禁，不通过则阻断
加载上下文（context_loader） → 输出 4区块优先级排列：A(标识+硬性字数/文风/署名约束+写作命题框) → B(末3行+人物+人格+实体+轨迹+节奏) → C(收尾+钩子+输出模板)。无预编命题时自动从概述合成 fallback
LLM 写作 → 系统组装写入 → LLM 只输出纯正文（末尾可带可选【别名】行）→ write-sub 自动组装标题行+别名行+标记行 → atomic_writer.v4 校验正文合法性。无别名行时系统自动补【别名】无
重复10-11 → 输入下一子结构 → 输出全部子结构完成 — 直到该章全部子结构写完
完结一章(finalize-chapter) → 输入章内容 → 输出六合⼀检查报告 — 自动触发（最后一个子结构写入后自动运行），无需手动执行
全文整合(fidelity) → 输入全部章节 → 输出大纲忠实度报告 — 检查是否偏离大纲
结尾收束验证 → 输入末章末子结构 → 输出 ending_report.md — 封闭式/开放式/悬停式三选一验证

检查系统

finalize-chapter 是章节质量的核心关卡，聚合执行 6 步检查链：

步骤	名称	脚本	作用	等级
1	章内连通性	`novel_continuity.py`	检测子结构间时间/角色是否断裂	SOFT
2	跨章承诺链	`novel_continuity.py`	检测上章尾与下章头的关键词续接	SOFT
3	风格校验	`novel_style_check.py`	禁用词/末行标记/超200行检测	HARD
4	逻辑检查	`novel_logic_check.py`	角色一致性+时间线+概述关键词命中率	HARD
5	语义检查(BERT)	`novel_semantic_check.py`	overview-vs-content 对齐+子结构间语义跳跃（有模型时）	HARD
6	推理审核(DeepSeek-R1)	`novel_reasoning_check.py`	因果合理/人格一致/情绪弧/对话/论证（有模型时）	HARD/SOFT

步骤 1-4 由 Python 刚性规则驱动，无外部依赖。步骤 5-6 需本地已缓存的模型，无模型时自动跳过（绝不联网）。有 HARD 问题则阻断（不标记门禁），写入 _fixes.json；全部通过则标记 chapter_finalized 门禁。

⚠️ GPU 安全：步骤 5-6 强制 CPU 运行（CUDA_VISIBLE_DEVICES=-1），避免与 LM Studio 等 GPU 应用冲突。模型推理全程使用系统内存。

模型安装（可选，仅步骤5-6需要）

步骤 5-6 只在本地已有模型缓存时运行。无模型时静默跳过，按需安装：

BERT 语义检查（92MB，纯 CPU 可跑，第5步）：

bash

pip install sentence-transformers -i https://mirrors.aliyun.com/pypi/simple/
HF_ENDPOINT=https://hf-mirror.com python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('BAAI/bge-small-zh-v1.5')"

DeepSeek-R1-Distill-Qwen-1.5B 推理审核（~3.7GB，CPU 可跑，第6步）：

安装 transformers + torch + accelerate，有 prebuilt wheel：

bash

# 1. 装 transformers + torch + accelerate
pip install transformers torch accelerate -i https://mirrors.aliyun.com/pypi/simple/

# 2. 下载 DeepSeek-R1-Distill-Qwen-1.5B 模型（~3.7GB，hf-mirror）
HF_ENDPOINT=https://hf-mirror.com python -c "from transformers import AutoModel; AutoModel.from_pretrained('deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B', trust_remote_code=True)"