本人身为文案PM，结合一线项目开发经验的实战复盘，开展AI辅助叙事管线的探索，旨在应对海量文本迭代与信息在传递过程中的断层问题，将隐性经验沉淀为组织的长效资产
一个在本机运行的台本审校工具：拖进一份台本，约 8 分钟出一页问题单，写稿人只看顶上几条。
例如同一角色名称在第7段和103段写法不一致、同一段落名词表述前后矛盾等错误，分散在数百行文本中，人工通读一遍难以全部检出。
AI工具实测，493 行台本耗时 372 秒、638 行台本耗时 469 秒，可全自动执行校验；人工仅需审阅AI报错的1-5条结果（每条附带原文），如果错误可立即修改，如果正确可继续保留。
前置拦截文本缺陷，降低非一致性成本，缩短关键路径。
“第 47 段与第 112 段角色名称写法不一致，需要调整一下。”
“该称呼存在问题，二人属于上下级关系。”
“此处标注角色隶属于组织A，档案记录为组织B，有待确定角色加入组织A和组织B的时间线问题。”
这类核对议题在评审会之前就清掉，评审会只讨论内容好不好。
细节变动（比如角色好感度的礼物调整等细小文本）采用会议的形式解决，占用开发时间
核心内容以对接进度会议、项目评审会等形式照常展开；而变更影响小只涉及文本变更的变更需求，依托于知识库+一致性检查Agent完成组织信息沉淀，为会议/群聊信息等传递方式进行组织工具层面的托底。
任何人可通过对话形式在搜索框查询知识库内容，返回结果并附带原文出处，支持跳转查看原文
每一项游戏内文本的设定变更（例如好感度礼物、系统道具、角色名称等设定向）均保留时间和变更记录，查询结果始终展示最新版。
落地设想下游提交需求表至Agent，系统自动与知识库文本正文对比，识别错误项与缺失项，并定位对应负责人进行文本对接。
比对引擎已经在台本上跑通。
已跑通针对研发、发行、运营、本地化等部门提出的细碎设定问题（包括玩家向答疑），可先行由知识库生成基础答复，经IP组专人审核后对外输出。
「角色 A · 好感度礼物」需求表写的是 B，正本 9 月 12 日已更新为 C（变更记录可查）
需求表用到「角色 A · 好感度第 5 阶」，正本里还没有
其余各项
示意图，角色和数据为占位；比对引擎已在台本上跑通，需求表接入和"找谁"为落地设想。
台本里「妮蒂娅」「妮蒂亚」两种写法，作者自查漏掉
人工判"妮蒂娅是对的"，写进命名规则一行
再跑一次
全篇 15 处一次报全（段 7、10、103）
规避设定前后矛盾，不依赖个人记忆，而是依托于长存于组织中的知识库沉淀，通过AI工具将所有新生文本自动与知识库已有内容进行校对。将IP核心组织资产长期留存，实现跨时间、跨地域、跨干系人的叙事设定一致性。
台词里柯达说鉴定师"是异象管理局的"
和鉴定师档案的「所属」对不上
报出（本机两个模型都抓到）
此类属于叙事设定冲突（即“吃书”）：新增稿件描述与知识库沉淀内容不一致，工具将先行完成校对，再交付人工做判断。
所属势力、战斗属性、技能名称、角色生日、英文名
角色别名、通用称呼、组织名称、旁白、黑幕
依据角色人设判断台词的表达是否一致
人物社会关系与称呼分寸
任何版本、任何人写的新稿，拖进来都对同一份正本。
两份台本的称呼检查共抄出 268 个候选，251 个被人工梳理的经验拦截，16 个被规则拦截，仅剩余 1 项交由人工判定。
答案必须能在原句里找到
Python 脚本读取正文，并逐层执行校验规则：依托于项目的知识库沉淀内容，判断文本是否为泛称、是否为角色自述、是否匹配别名列表、是否与已有名称近似；当全部校验通过后，才能输出结果。（所有校验规则均基于知识库或固定规则定义）
AI 抄出「番茄酱恶魔」，正本里没有这个叫法 → 报出
这是塔吉多对安魂曲的专属外号，不算错
命名规则加一行「安魂曲 = 番茄酱恶魔」
不再报；故意埋进去的真错照样报
将隐性经验变成可追踪、可视化的显性规则。
共计 228 条编号化决策记录，每条记录均留存判定依据，后续接手人员均可追溯查阅。
判断"什么算对"的经验只在少数人脑子里；关键干系人一流失或变动，经验也随之流失
这些隐性知识没有在组织内沉淀成文件
把"什么算对"写下来，成为正本：
工具开发未启动前，先行编写评测方案与打分脚本；打分脚本先在 6 份带标准答案的模拟文稿中完成验证，未全部通过则不投入真实数据测试。
本次共测试三类模型：本地部署 Qwen2.5 7B、本地部署 Qwen2.5 14B、云端 Claude。采用整段判定方式时，7B、14B 得分均为 0/4，Claude 为 3/4；调整提问方式，改为提取 “本句中指代人物的词汇” 后，同一 7B 模型得分提升至 2/4。Claude 准确率更高。由于模型调用在前期测试需要N次调用，优先选用本地设备进行本地调用，降低调用风险。
六项检查维度中，目前仅 “信息一致性” 可量化验证，优先落地该项并完成成果封存；其余五项明确标注当前存在的卡点，暂不推进。
人机协作的开发管线边界，并非完全依据模型的能力划分，而是取决于“判断标准”是否成立且成文。每固化一条判定规则，就可将一部分重复工作交由机器承担。
接入公司内部合规的会议 AI 自动生成评审纪要，经归类后同步至批改 Agent。正向沉淀可用规则，反向收集人工驳回理由（即“为何不能用”）修正正本。形成“越用越贴合项目实况”的数据反哺闭环。
针对日语 CV 档期极难预约的痛点，通过临时变更的前置预警，为跨国排期争取最大化容错空间。
在撰稿期前置拦截一致性错误，规避文本修改的长链路返工风险，保护关键路径。
名字、称呼、态度、关系、档案、同段两种说法
当前验证边界： 仅完成台本文体测试。
下一步规划： 引入大纲文体进行泛化测试，持续追踪跨文体的准确率衰减情况。
视台本字数和要建档的角色数而定。本机处理约 1,400 字/分钟（两份台本实测：9,157 字 372 秒、11,062 字 469 秒）；角色档案每人约 2 分钟；关系卡 21 对约 30 分钟；前两轮人工判各约 1 小时（人工耗时均为估算）。
AI 跑完，人工审阅优先项，将非错误内容更新至正本。
支持本地私有化部署（实测且正在使用中）
核心台本物理隔绝，可离线运算。
云端模型服务器待探索接入
当前已落地“文本一致性检查”和“知识库”，涉及情绪转折、角色弧光、节奏把控等审美向内容，仍需交由资深叙事人工判定。
引入更多真实文本进行数据跑测，探索数据一致性在内容向游戏中的人机协作边界。
通过人为注入 21 处已知缺陷进行校验，系统成功拦截 18 处。（注：本测试旨在验证工具的拦截覆盖面与有效性，不作为绝对精确率指标。）
策略大于算力：采用“任务拆解（单句比对）”策略，其收益显著高于单纯堆叠本地模型参数（7B升14B）。
过程表 · 人机边界：每一步由谁做、谁判，逐项记录。
运行窗口 · 六条线：六项核对依次跑完，无人值守。
运行窗口 · 埋错对账：埋进去的错逐条对照，看抓到没有。
对账表 · 五类并集：按五类错误汇总抓到与漏掉的条目。
