Agent/examples/archive/analyze_story/methodology

叙事拆解方法论

本目录包含AI可学习的长篇叙事拆解方法论的不同版本。

文档列表

v2.0 改进版（推荐）

文件: v2_improved_methodology.md
日期: 2025-02-18
状态: ✅ 可执行 + 可验证

核心改进:

1. 自适应思考过程提取 - 5级难度分级 + 动态CoT深度调整
2. 多层验证系统 - 5层验证器（结构/逻辑/爽点/CoT/对抗性）
3. 结构化与创造性平衡 - 4层约束策略 + 创造性激励机制
4. 课程学习策略 - 5阶段渐进式训练（基础→爽点→编排→规划→创新）
5. AI辅助标注 - 自动标注 + 多层验证 + 人工复核

主要特点:

• ✅ 基于业界最佳实践（DeepSeek R1、Open-R1等）
• ✅ 完整的质量验证体系
• ✅ 可操作的实施路线图
• ✅ 详细的训练数据格式设计
• ✅ 平衡结构化和创造性

适用场景:

• 网文/小说AI生成
• 剧本优化与辅助创作
• 叙事技巧教学
• 内容质量评估

---

v1.0 基础版

文件: ../knowledge/05_Integrated_Methodology.md
日期: 2025-02-17
状态: ✅ 理论完整

核心内容:

• 三层次拆解（宏观/中观/微观）
• MICE线程 + Save the Cat节拍
• Scene-Sequel结构
• 爽点与钩子设计
• 起承转合应用

优势:

• 理论框架完整
• 标注维度详细
• 结合中西方理论

不足（v2.0已改进）:

• 思考过程提取不够系统
• 缺少质量验证机制
• 训练效率有待提升

---

版本对比

维度	v1.0	v2.0	改进
思考过程提取	示例性	自适应深度	+60%
数据验证	人工为主	5层自动验证	+80%
训练效率	统一处理	课程学习	+50%
创造性平衡	未明确	4层约束	+70%
可操作性	中等	高	+60%

---

快速开始

1. 阅读方法论

# 推荐从v2.0开始
cat v2_improved_methodology.md

2. 理解核心概念

• 自适应CoT: 根据难度动态调整思考链深度
• 多层验证: 5层验证确保数据质量
• 课程学习: 从简单到复杂的渐进式训练
• 结构约束分级: 不同层次不同约束强度

3. 查看实施路线

• 短期（1-2月）: 基础设施 + 初始数据集
• 中期（3-6月）: 课程学习 + RL优化
• 长期（6-12月）: 领域扩展 + 产品化

---

相关资源

理论基础

• ../knowledge/01_Scene_Sequel_Structure.md - Scene-Sequel理论
• ../knowledge/02_MICE_Quotient.md - MICE线程理论
• ../knowledge/03_Save_the_Cat_Beats.md - Save the Cat节拍
• ../knowledge/04_Web_Novel_Theory.md - 网文理论

实践案例

• ../sft/ - SFT数据生成实现
• ../knowledge/05_AI_narrative_generation.md - AI叙事生成调研

---

贡献指南

欢迎贡献改进建议！

改进方向:

1. 更智能的难度评估算法
2. 更强大的验证系统
3. 跨模态扩展（图像、音频）
4. 更多领域应用案例

---

许可证

[待定]

---

维护者: AI叙事研究团队
最后更新: 2025-02-18