short-drama-knowhow

---
name: short-drama-knowhow
description: 维护者专用的短剧 know-how 学习、验证与生命周期治理。仅在维护者明确要求从其当前会话提供的授权只读文本源学习完整短剧项目链，并把私有观察逐步转成去标识、去复刻、经盲测与独立审查的公共 reference、rubric 或 synthetic fixture 候选时使用；不用于普通创作、公开运行时取数、媒体生成或粗略数据分析。
license: MIT
---

# 短剧 Know-how 学习

通过定性阅读，理解编剧、漫剧工作室与编导怎样把戏剧意图传递到可执行的文本制作规格，
再判断哪些知识可迁移。

## 开始前锁定边界

只在维护者主动调用本 skill，且当前会话已经提供授权的只读访问时读取非公开来源。
把连接细节、凭据、源名称和私有卡片留在维护者指定的隔离工作区；不得写入本 skill、
公开技能树、公共候选或评测夹具。没有授权或无法确认只读时停止来源读取，只能用合成材料演练流程。

本流程只研究文本及其版本关系。可读创意简报、故事结构、剧本、资产/连续性台账、图片提示词、
分镜/关键帧文字、视频提示词、审查与修订记录；不生成、渲染、下载或检查图像、音频或视频。
公开运行时永不连接非公开来源，也不承担任何媒体生成。

## 核心原则

- 让 agent 判断题材语境、人物欲望、因果、信息差、情绪推进、表演动作、镜头意图与制作取舍。
- 只把校验格式、比较文件、查重与隐私扫描等确定性步骤交给现有工具；不要为创作语义写规则匹配脚本。
- 统计只用于描绘可选样本、发现覆盖缺口、寻找异常与安排下一次阅读；不得从频次、排名或相关性直接推出创作规则。
- 一条候选知识必须同时携带证据、反例或失败情形、冲突解释、适用边界和置信度；“常见”不等于“有效”。
- 每次只提出可审查的最小公共改动；未经盲测与独立审查不得直接进入公共 skill。

## 工作流

### 1. 确立只读授权与隔离工作区

记录本轮目的、允许读取的文本范围、禁止读取的内容、输出位置和销毁要求。测试一次只读行为，
但不回显连接信息。建立私有研究目录与单独的去标识候选目录；公共目录起初保持不变。

### 2. 以覆盖缺口选样

先查看维护者允许的最小索引或目录信息。按题材、受众承诺、核心机制、篇幅阶段、制作形态、
视觉语言、场景功能、提示词职责、完成度与修订状态寻找缺口、对照组和反常样本。统计只能帮助
“下一部读什么”，不能回答“应该怎么写”。
优先形成有差异的目的性样本，而不是只读最热门、最多见或最方便查询的项目。

### 3. 定性通读完整项目链

逐个项目从上游意图读到下游文本交付：创意/改编约束 → 故事引擎与分集设计 → 单集剧本 →
角色、场景、道具与连续性 → 图片提示词 → 分镜与关键帧文字 → 视频提示词 → 审查、修订和交付说明。
若某层不存在，明确记为缺失，不用别的项目或常识补齐。

沿同一承诺追踪：怎样建立期待、怎样制造阻碍和信息差、人物用什么可表演行动推进、转折怎样被铺垫，
以及镜头/提示词怎样保留而不是改写剧作意图。完整阅读后才写卡，不用批量关键词命中代替阅读。
卡片字段与合成例子见 [cards-and-coverage.md](references/cards-and-coverage.md)。

### 4. 写私有观察卡与决策卡

先写观察卡（observation card），分清直接观察、agent 解释与未知；再写决策卡（decision card），记录是否形成候选、
为什么缩小适用范围、有哪些替代解释。每张卡用不泄漏内容的稳定内部引用绑定同一项目链，
但私有卡片永不进入公共技能包。

### 5. 构建题材 × 机制覆盖矩阵

用“题材/受众承诺”作为一轴，用“期待建立、冲突升级、信息释放、关系转向、反转兑现、集尾牵引、
表演动作、镜头承接、连续性”等机制作为另一轴；提示词研究再叠加制作形态/视觉语言、场景功能、
提示词职责与版本角色。每格记录支持卡、反例卡、边界、缺口和下一样本，
不填出现次数或成功率。矩阵格式见 [cards-and-coverage.md](references/cards-and-coverage.md)。

### 6. 用反例、冲突与适用边界压缩结论

主动寻找同机制失败、同题材例外、同结果的替代解释，以及上游有效但下游不可制作的情形。
冲突未解释时保持候选，不做多数表决。把“总是如此”改写成“在这些观众承诺、人物状态和制作约束下，
这项机制可能解决这个问题；出现这些信号时应换法或不用”。详细判别见
[synthesis-and-promotion.md](references/synthesis-and-promotion.md)。

### 7. 去标识与去复刻（de-copy）

删除或抽象源名称、人物名、专有设定、原句、罕见组合、精确数值、路径、地址、标识符和连接信息。
把表层桥段拆成“观众状态 → 戏剧问题 → 可选机制 → 可观察效果 → 失败边界”，再用全新的题材、人物关系、
场景和措辞重建例子。若只有复述原内容才能表达，就不进入公共候选。

### 8. 形成公共候选包

每个候选包包含参考资料（reference）改动、能定位证据与失败模式的审查标准（rubric）、完全合成且与任何来源
不近似的测试材料（synthetic fixture），以及预期受益任务和潜在副作用。候选先留在维护者暂存区，不直接改公共技能。
公共候选不得要求运行时访问非公开来源，不得声称文本能证明真实媒体效果。

### 9. 用全新上下文进行盲测（fresh-agent blind forward eval）

让没有读取私有卡片、原始项目和预期答案的 fresh agent，仅用公共基线或匿名候选之一完成同一组合成任务。
盲评其剧作判断、题材适配、制作可执行性、变体能力和是否机械套模板。执行
[blind-forward-eval.md](references/blind-forward-eval.md)；不要把候选作者的结论泄漏进 prompt。

### 10. 交给独立审查者（independent reviewer）

由未参与本轮摘取、合成或候选写作的 reviewer 复查证据充分性、反例、适用边界、去标识、de-copy、
盲测设计与公共运行边界。候选作者不得自审放行；有未解决的泄漏、近似复刻、机械化或证据断层即退回。

### 11. 晋升与退休（promotion / retire）

候选通过全新上下文盲测与独立审查，且参考资料、审查标准和合成测试材料彼此一致后，维护者才能把最小改动
晋升到公共资料，并保留去标识的决策与回滚记录。后续反例证明候选过宽、盲测无增益或诱发模板化时，
缩窄、替换或退休，并记录知识变化。

## 按需读取

- 写私有卡、合成例子或 coverage matrix 时读
  [cards-and-coverage.md](references/cards-and-coverage.md)。
- 判断能否去标识、如何处理冲突或准备 promotion / retire 时读
  [synthesis-and-promotion.md](references/synthesis-and-promotion.md)。
- 设计 fresh-agent blind forward eval、盲评和 reviewer handoff 时读
  [blind-forward-eval.md](references/blind-forward-eval.md)。
- 准备 promotion / hold / retire，或需要让公共规则的评测与回滚证据可重放时读
  [promotion-ledger.md](references/promotion-ledger.md)。
- 学习不同题材、画风、场景与图片/视频提示词机制，或区分修订请求、输入参考观察和生成结果观察时读
  [prompt-production-learning.md](references/prompt-production-learning.md)。

不要预加载所有 reference；只读当前阶段需要的一份。

• SKILL.md 8 KB
• agents/openai.yaml 1 KB
• references/blind-forward-eval.md 5 KB
• references/cards-and-coverage.md 11 KB
• references/promotion-ledger.md 3 KB
• references/prompt-production-learning.md 4 KB
• references/synthesis-and-promotion.md 6 KB