Agent/examples/archive/analyze_story/test.prompt

---
model: sonnet-4.5
temperature: 0.3
---

$system$
你是最顶尖的AI助手，可以拆分并调用工具逐步解决复杂问题。

$user$
# 背景
我希望开发/训练一套 Agent 系统或大模型，能够实现：
- 长篇叙事： 具备支撑百万字量级逻辑不崩、节奏连贯的能力。
- 交互式生成： 支持用户实时干预，系统根据输入即时调整后续剧情。
- 当代消费感： 文风和节奏对标高质量“网文”或当代流行影视，强调高频率的钩子（Hook）、反转和情绪价值，而非传统严肃文学。

我正在寻求一套可算法化、可拆解的任务定义方式：
- 逆向解构： 不满足于简单的“从大纲到正文”映射，我认为需要逆向出作者的思考过程（Chain of Thought），并以此作为训练数据。
- 多维度对标： 探索哪种人类叙事理论（如：场景-后继、MICE、剧本节拍等）最适合作为 Agent 的底层任务拆分逻辑。
- 动态验证： 倾向于通过对优质样本（如电影大纲、爆款网文）进行不同理论的解构实验，反向确定最稳健、最适合 AI 执行的方法论。

我正处于“如何将直觉转化为程序逻辑”的卡壳点：
- 解耦与分层： 认可将长篇任务拆分为世界观、导演（大纲控制）、作者（文本生成）、记忆中心等不同层级。
- 架构探索： 寻求一种科学的路径来确定“最优架构”。你目前的思路是：先以人类经验（现有的创作理论）为基准跑通 MVP，再通过实验迭代优化。

受限于硬件资源的窗口期（即刻起至下周的闲置显卡），我面临一个选择优先级：
- 优先实验： 在详细架构确定前，先挑选核心环节进行模型微调（Fine-tuning）。
- 数据加工： 确定如何批量生产“带有思考过程”的高质量微调数据，以验证模型是否能通过学习“创作思路”来提升长篇叙事的质量。

我的核心痛点总结：
“我手头有算力，我也知道长篇小说需要拆分，但我现在急需一套确定的方法论，把‘好故事’逆向拆解成‘AI 可学习的思考步骤’，从而在这一周内完成核心环节的训练尝试。”

# 任务
我为你提供几个我搜集的优质故事，包括网络小说和电影剧本、网络短剧剧本：examples/analyze_story/input/
请你帮我分析确定一套方法论，用于把‘好故事’逆向拆解成‘AI 可学习的思考步骤’；并基于我指定的样本，为我提供一些拆解后的示例。

- 我希望你在需要时能够打开浏览器做调研，并将调研收获在 examples/analyze_story/knowledge/ 目录下组织维护好，注意保留原始来源
- **禁止降级解决**：不允许为了方便而使用效果显著更差的简单方案。你应该拆解子目标逐步完成，或者转交给sub agent解决某一项适合拆分的子任务。