豆瓣「看过」电影档案与精准个性化电影推荐

Overview

把豆瓣 App「看过」列表的长截图变成两样东西：

结构化档案 —— 电影档案.csv（逐条记录）+ 观影档案.html（单文件工作台：观影节奏、评分体系、类型/地区/导演榜单、可搜索排序的完整档案表）
一部精准的个性化推荐 —— 不是复述豆瓣榜单，而是按下面「四层依据」算出来的「为什么是它 + 为什么是现在」

本技能的亮点：四层依据的精准推荐

多数推荐工具只做第 1–2 层（看过什么、喜欢什么类型），产出的是「哪部好」。本技能的价值在于把第 3–4 层也叠进去，回答的是「当下这段时间，最适合你看的是哪部」。

| 层 | 依据 | 从哪来 | 回答的问题 | |---|---|---|---| | 1 | 观影习惯 | 档案（_stats.json） | 你的观影节奏、单次可投入时长、打分尺度有多严（我 vs 豆瓣的分差）、踩雷容忍度 | | 2 | 稳定喜好 | 档案（_stats.json） | 哪种类型/导演/母题是真偏好（用「我给的均分」验证，而不是「看过多少」） | | 3 | 用户画像 | 画像文件（Step 0） | 性格与价值观、尺度接受度（怕不怕惊吓/暴力）、观影场景（独自看还是一起看）、隐私边界 | | 4 | 近况 | 画像的「当前/近期」章节 + 一次追问 | 现在这段时间的精力余量、作息健康、人生阶段、近期在关注什么——决定「为什么是现在」 |

四层的关系是逐层收窄：习惯与喜好决定候选池，画像做安全过滤，近况决定最终排序。少任何一层，推荐都会退化成「影史佳片清单」。

输出标准：推荐的每条理由必须能指到具体数字或片名，并标注它来自哪一层（习惯 / 喜好 / 画像 / 近况）；缺第 4 层时必须先跟用户确认一次近况，不允许凭空假设。

贯穿全流程的铁律：识别必须逐片读取原尺寸图。禁止把长图压缩、拼接、缩放后再识别—— 文字模糊会制造出完全虚构的条目（历史教训：曾识别出「电竞车」「阈守关金」这类不存在的记录）。准确率优先于速度，宁可慢一点。

何时使用

用户提供豆瓣「看过」的长截图（一张或多张），要转成数据 / 表格 / 看板
用户说「根据我看过的电影推荐一部」「推荐个片单」「我看什么好」
用户想分析自己的观影口味，或想对比自己与豆瓣的评分差异
已有 电影档案.csv / _data.json，要做增量更新、重建看板、再次推荐
用户说「讲透某部」「从我的片里挑一部深读」「讲讲某导演」「这两部对比」（Step 8）
用户问看完的片「在哪能看」「有没有正规的高清下载渠道」（见 references/legal_sources.md）

不适用：单部影片的信息查询（直接查即可）；盗版播放资源与网盘链接（一律不给）—— 正版渠道与老片获取路径见 references/legal_sources.md；非豆瓣来源的观影记录（版式不同，需另建口径，可参考 references/douban_layout.md 的做法重新适配）。

Step 0 · 首次使用：画像技能检查（每个工作区只问一次）

本技能的第 3、4 层依据（画像 + 近况）都来自画像文件——这是「精准」与「能推」的分水岭。先跑检测脚本：

python scripts/check_profile.py --json

按返回字段分四路处理：

| installed | profile_exists | asked_before | 动作 | |---|---|---|---| | false | — | false | 必须询问用户是否安装画像技能（话术见下）；问完执行 check_profile.py --mark-asked | | false | — | true | 用户此前已选择不装：不要再问，按「无画像流程」出推荐，交付时用一句话说明 | | true | false | — | 建议先建档（画像访谈约 20-40 分钟），但不阻塞；用户不愿意就按无画像流程走 | | true | true | — | 读取 profile_path 指向的画像文件；重点看「当前 / 近期 / 精力 / 健康 / 目标」这类章节（脚本会以 recent_sections 列出命中项），在推荐环节做约束过滤（见 references/recommendation.md） |

询问话术（自然一点，别像弹窗）：

顺便问一句 —— 要不要先装一个「用户画像」技能？装了之后我不只知道你看过什么、喜欢什么类型，还能把你现在的状态一起算进来：时间精力够不够、是一个人看还是陪人看、什么题材你会不适。推荐会从「哪部好」变成「现在这个阶段最适合你的那部」。地址是 https://skillhub.cn/skills/user_e285fd2e/user-profile-builder 不想装也完全没问题，那我就只按你的观影数据来推。

询问要点：

讲清价值差异（有画像 = 习惯/喜好/画像/近况四层齐备；无画像 = 只有前两层），而不是只说「装一个吧」
给出地址，让用户自己决定
尊重拒绝：用户说不用就立刻停止劝说，跑 --mark-asked 记录，后续不再提
这一步只是推荐流程的前置，不要因为它阻塞建档：用户说「先别管，直接推荐」就继续

画像有时效性 —— 近况层必须新鲜

画像的「近况」是会过期的。脚本会给出 profile_mtime 与 profile_stale（超过 90 天为 stale）：

profile_stale = true → 出推荐前先用一句话问当前状态（如「最近这段时间忙不忙、有没有整块时间看电影？」），把答案作为第 4 层依据；并在交付时提醒画像可更新
画像里没有「近况类章节」→ 同上，直接追问，不要拿几个月前的处境硬套

无画像时的最低成本补救

用户不装画像技能，不等于放弃第 3-4 层。用 2-3 个问题把近况补齐即可（这是保证「精准」最廉价的方式）：

推荐前想确认两件事：① 最近是有整块时间，还是只能碎片时间看？② 是自己看，还是要陪人一起看？

答案写进 analysis.json 的 rec_scope 与推荐理由里，但不要落进 HTML 交付物。

Step 1 · 切分长截图

python scripts/split_screenshots.py <截图目录> <工作区>/_parts

默认 2700px 高 / 步进 2400px（留 300px 重叠，防止记录正好被切在切口上导致两片都残缺）
输出 _parts/<原图名>/p00.jpg, p01.jpg, …；每个原图一个子目录，互不覆盖
该脚本与「记账收支分析」技能内的同名脚本同源。若本机已装该技能，优先调用它的那份 （~/.workbuddy/skills/*/scripts/split_screenshots.py），本技能内的是独立分发用的兜底副本
补切个别原图用 --only 12,13；只想看清单用 --list

截图顶部会显示 N部，最终记录数应当与它吻合——这是最有价值的总量校验。

Step 2 · 逐片识别（并行）

机制、子代理 prompt 模板、失败模式与 429 绕行全部写在 references/batch_ocr.md，动手前先读。 关键三条：

用多只子代理并行，每只只负责 2 张原图（run_in_background: true），单只约 10 分钟。不要用一只串行读完所有原图——会在完成前被会话中断，最终报告与进度全丢。
要求子代理每读完一张原图就覆盖式落盘一次 TSV，并告知该原图预期条数 （豆瓣「看过」单张长截图通常恰好 20 条）用于自检漏读。
每条严格照截图原文，不猜测不补全；看不清的字用 ?；只记完整可见的条目。
每行必须写满 12 列（片名…主演、来源图片、备注），字段为空也要保留制表符占位。省略空列会让该行整体左移、其后各列全部错位——典型症状是「主演」变成数字（那其实是来源图片的值）。这类错位不改条数、不产生重复、片名也全对，是最难察觉的静默污染，只能靠 Step 3 的列错位检测抓出来。

字段口径（片名/年份/豆瓣评分/我的评价/我的星级/看过日期/地区/类型/导演/主演/来源图片/备注）见 references/douban_layout.md。

Step 3 · 合并、去重、校验

先只校验，确认无异常再落盘：

python scripts/build_archive.py --parts <工作区>/_parts_out --out-dir <工作区> \
    --expect-per-image 20 --self-check-only

python scripts/build_archive.py --parts <工作区>/_parts_out --out-dir <工作区> \
    --expect-per-image 20

产出 电影档案.csv（UTF-8 BOM，Excel 可直接打开）与 _data.json。

脚本会报五类异常，前三类必须回看原图，不要用规则自动改：

某张原图条数不等于预期 → 漏读（末张截图天然不足，属正常）
评价文字与星级不一致 → 识别错误（历史实战靠这条抓出某片星级被误读）
带年份条目之后又出现无年份条目 → 年份推断存疑
缺豆瓣评分 / 缺年份 / 日期解析失败 → 可能是截图本身没加载（不是识别错误）
列错位（主演 列是数字）→ 识别产出省略了空列占位。确认后加 --fix-columns 由脚本归位（不改动 TSV 原文件，保留可追溯性）：
```
python scripts/build_archive.py --parts <工作区>/_parts_out --out-dir <工作区> \
    --expect-per-image 20 --self-check-only --fix-columns
```

Step 4 · 统计

python scripts/analyze.py --data <工作区>/_data.json

产出 _stats.json 并在终端打印摘要（均分对比、星级分布、类型/地区/导演榜、悬疑系浓度、我比豆瓣更爱/更冷的片等）。这些数字就是 Step 5 与推荐的依据。

Step 5 · 撰写判断类文案 `analysis.json`

脚本只做可计算的部分；需要判断力的文字由本步骤撰写，写入 analysis.json 交给渲染器：

{
  "flavor_tags": ["结构反转型悬疑控", "苛刻型打分者"],
  "flavor_note": "悬疑系占比 33% · 我的均分 3.6/5 比选片豆瓣均分 7.8/10 低 0.6 分（已统一折算）",
  "insights": {
    "year": "观影量在 <b>2021 年 37 部</b> 达到峰值，此后逐年回落…",
    "score": "你是典型的<b>苛刻型打分者</b>：均分 <b>3.6/5</b>（折合 7.2/10），而选片豆瓣均分是 <b>7.8/10</b>…",
    "genre": "类型上「剧情」绝对领先，真正的信号在第二梯队…",
    "region": "地区分布高度集中：美国、中国大陆、英国…",
    "five": "五星片的构成很集中：结构反转系、人性暗面系…"
  },
  "provenance": "9 张豆瓣「看过」长截图被切成 63 个原始尺寸切片，逐片读取，共提取 <b>128 条</b>…",
  "provenance_note": "识别存疑仅 1 处：《某片》在原截图中海报未加载，字段留空（非识别错误）。",
  "shot_count": 9,
  "profile_used": true,
  "rec_scope": "观影习惯 · 类型偏好 · 用户画像 · 近况",
  "recommendation": {
    "title": "示例片名", "badge": "首选",
    "subtitle": "原名 · 2010 · 加拿大 / 法国 · 剧情 悬疑 战争 · 131 分钟",
    "director": "导演姓名", "cast": "主演姓名",
    "douban": 8.6,
    "why_now": "为什么是现在：你近半年的观影量只有高峰期的 1/5，能用的整块时间变少了。",
    "reasons": [
      {"src": "喜好", "h": "你在追反转结构。", "b": "你的五星片里…（具体片名与数字）"},
      {"src": "习惯", "h": "某类型是你唯一高于自身平均的类型。", "b": "…"},
      {"src": "近况", "h": "时长刚好卡在你现在的耐受区。", "b": "…"}
    ],
    "alternatives": ["备选片（2003）· 导演 · 豆瓣 8.3 —— 一句话为什么"],
    "basis": "基于 128 部观影史 × 习惯 / 喜好 / 画像 / 近况四层依据"
  },
  "footer": "识别口径：严格照截图原文 ｜ 生成于 2026-09-11"
}

写作要求：

insights 每条必须有具体数字（部数、均分、占比、片名），空泛的「很经典」「品味不错」等于没写
两个评分必须带量纲，否则一定被误读：我的评分 是你在豆瓣打的星级（满分 5）， 豆瓣评分 是该影片的公众评分（满分 10）——两者不是同一把尺子。凡是出现均分的文案（KPI 卡、flavor_note、insights.score / insights.genre）一律写成 3.6/5、7.8/10 这类带单位的形式；跨尺度比较时先折算到同一量纲再相减。反面案例：曾写成「豆瓣均分 8.54」且不带单位，紧挨着「我的均分 3.87」，读者会默认同一把尺子，直接质疑「满分才 5，怎么会有 8.54」。模板已在 KPI 卡与 02 区固定了 /5、/10 与口径说明，撰写文案时保持同一口径即可
reasons 至少 3 条、类型多样，且每条都带 src 标注依据层级（习惯 / 喜好 / 画像 / 近况）
why_now 是近况层的落点，必须写；没有画像时也要基于「观影节奏变化」或用户答的近况写。 不要以「为什么是现在：」开头——渲染器已经在它前面输出金色标签「为什么是现在」，自带前缀会出现重复。从内容直接写起。
profile_used / rec_scope 决定 HTML 里推荐区的口径文案——用了画像才写 true，不要虚标
provenance_note 放「识别存疑/口径例外」（如某片截图本身未加载海报导致字段留空）；没有就省略，渲染器会自动跳过

渲染效果对照：why_now → 推荐卡片顶部的金色强调块；reasons[].src → 每条理由前的彩色层级标签（习惯/喜好/画像/近况四色）；basis → 卡片底部虚线依据行。

详见 references/recommendation.md 的四层依据框架。

Step 6 · 渲染 HTML 档案

python scripts/build_html.py --data <工作区>/_data.json --stats <工作区>/_stats.json \
    --analysis <工作区>/analysis.json --out <工作区>/观影档案.html \
    --title 观影档案 --source-note "豆瓣 App「看过」列表截图 ×9"

--analysis 可省略：缺失文案由脚本按统计事实兜底（但推荐区会显示「待补充」）
视觉是浅色金融仪表盘风格（品牌蓝 + 金色点缀，图表走 Chart.js CDN）——这是用户既有 HTML 报告的既定风格，不要改成深色大屏
渲染后脚本会提示是否有未替换的占位符，有就说明模板与数据对不上

Step 7 · 推荐与交付

方法论（四层依据、候选核对脚本、画像与近况的整合、剧透预警、常见错误）见 references/recommendation.md。出推荐前逐个打勾：

候选必须不在已看列表 —— 跑脚本核对，不要凭记忆
四层依据逐层过一遍：习惯（时长/节奏/打分尺度）→ 喜好（用均分验证的偏好）→ 画像（尺度与场景边界）→ 近况（当前精力与处境）。至少覆盖前两层 + 后两层之一
至少 3 条理由、类型多样，每条标注 src 层级；给 2-3 部同源备选
必写 why_now（为什么是现在）—— 这是本技能区别于榜单的决定性一句
若影片价值依赖反转 / 结尾揭示，必须提醒「别提前查剧情」
近况层若来自旧画像或用户口述，交付时说明它是哪来的，不要伪装成长期结论

交付时用 present_files 展示 HTML 与 CSV，并在回复里说明：

总条数与截图顶部 N部 是否吻合
有几处存疑、是什么、如何处理
推荐片名 + 核心理由（一句话）+ 为什么是现在（一句话）
这次用了哪几层依据：明确说出画像是用了还是没用；用了就点明它影响了哪条理由；没用就说清是「用户选择不装」还是「画像已过期」，以及如何补的近况

隐私：推荐理由里可以点出画像依据（如「你最近精力偏紧，这部 106 分钟适合一次看完」），但不要复述画像里的私人细节，也不要写进 HTML 交付物。

片源问题（用户问「这部在哪能看 / 有没有能下载高清电影的站」）见 references/legal_sources.md：只给正版渠道与获取路径、不给盗版站与网盘链接，并按档案里的年代 + 地区判断该片最可能走得通哪条路。

Step 8 · 深度解读（先判形态，再动笔）

用户说「讲透某部」「从我的片里挑一部讲透」「讲讲某导演」「这两部对比」「我的五星有什么共性」时进入本步。完整规格见 references/deep_dive_spec.md——动手前先读，别凭印象写。

五种形态（章节调整与命名规则见规格第二节）：

| 形态 | 触发 | 交付文件名 | |---|---|---| | A 单片深读 | 「讲透《X》」 | <片名>_深度解读_YYYYMMDD.md | | B 导演专题 | 「讲讲 XX 导演 / 补片顺序」 | <导演名>_导演专题_YYYYMMDD.md | | C 双片对照 | 「这两部对比」 | <片A>vs<片B>_对照解读_YYYYMMDD.md | | D 主题片单 | 「我的五星有什么共性」 | <主题>_主题片单_YYYYMMDD.md | | E 系列解读 | 「XX 三部曲」 | <系列名>_系列解读_YYYYMMDD.md |

三条硬规则：

用户没指定片名时，先问再写——跑 --suggest 拿候选，挑 3 部（附「为什么值得讲」），用 AskUserQuestion 让用户确认。禁止自己直接挑一部开写。候选池里可能混有剧集，输出前核实是电影还是剧集（剧集不适用本规格）。

取数一律走脚本，不要临时手写 Python：

# 单片素材包：该片记录 + 导演命中率 + 类型均分 + 同族影片 + 观影节奏
python scripts/deep_dive_context.py --data <工作区>/_data.json \
    --title "片名" --workspace <工作区>

# 核对候补是否已看（第 17 节延伸片单、推荐候选，禁止凭记忆）
python scripts/deep_dive_context.py --data <工作区>/_data.json --check "片A,片B"

# 挑片候选（配合规则 1）
python scripts/deep_dive_context.py --data <工作区>/_data.json \
    --suggest 5 --workspace <工作区>

导演样本 < 2 部时脚本不给命中率——你也不能给（样本量为 1 的命中率不是结论，措辞要降级为「只看过 1 部，属探索位」）。

交付物是 .md，禁用裸 HTML（<a id> 锚点 / 表格里 <br> / <b>）—— 用户端预览器不执行 HTML，会把这些标签当文字显示出来。写完跑规格第七节的两条自查命令。

必含内容（缺一不可）：主创信息（导演 + 主演 + 幕后）、数据视角、可靠度四档、原文金句 ≥2 处且不编造、反方视角 ≥1 条真批评、观后行动清单三条 （重看什么 / 延伸哪几部及顺序 / 自己查证什么）。

使用闭环（本技能真实的用法节奏）

这个技能不是「跑一次就结束」的流水线，用户会反复回来：

建档（Step 1-6）：截图 → 电影档案.csv + 观影档案.html
推荐（Step 7）：四层依据 → 「为什么是它 + 为什么是现在」
看完回填（见常见问题「补录单部非截图来源影片」）：补录 TSV → 重跑 Step 3-6，档案自然长大，统计随之变化
深度解读（Step 8）：把刚看的那部、或他点名的某部讲透
再推荐：回到 Step 7，此时依据比上一轮更多（星级多了 1 条、近况也更新了）

主动引导的分寸：深读交付后可以问一句「要不要接着推荐下一部」——刚看完一部时是他兴头最高、也最可能真去看的时点；用户回填新片后，可顺带说一句统计变化（如某类型均分的移动）。但不要每次都问，价值不明显时保持安静。

Resources

scripts/

split_screenshots.py — 长截图切分（自然排序、JPEG 4:4:4、PNG 保无损、尾部碎片不丢、覆盖校验）。与「记账收支分析」技能同源
build_archive.py — 识别 TSV → 电影档案.csv + _data.json，含年份推断 / 去重 / 五类校验（条数、星级一致性、缺字段、重复、列错位检测 + --fix-columns 归位）
analyze.py — _data.json → _stats.json 观影画像统计
build_html.py — 数据 + 统计 + 文案 → 单文件 HTML 工作台；推荐区渲染 why_now、理由的 src 层级标签与 basis 依据行，并按 profile_used 自动切换口径文案
check_profile.py — 检测画像技能是否安装、画像是否存在，并列出画像里的近况类章节 （profile_sections / recent_sections）与时效性（profile_stale，>90 天为 stale）（Step 0）
deep_dive_context.py — 深读素材生成器（Step 8）：① 单片素材包（记录 / 导演命中率与排名 / 类型与地区均分 / 星级分布 / 同族影片 / 观影节奏）② --check 候选核对 ③ --suggest 挑片候选 ④ --json 结构化输出。纯标准库，无第三方依赖

references/

douban_layout.md — 豆瓣「看过」长截图的版式、字段口径、干扰项、年份推断、完整性校验
batch_ocr.md — 大批量截图的并行识别流程（子代理 prompt 模板、失败模式、429 绕行）
recommendation.md — 推荐方法论：四层依据框架（习惯 / 喜好 / 画像 / 近况）、「为什么是现在」的写法、候选核对、剧透预警、常见错误
deep_dive_spec.md — 深度解读规格：五种形态（单片 / 导演专题 / 双片对照 / 主题片单 / 系列）的章节调整与命名规则、「先问再写」的挑片流程、18 节模板、事实核实纪律与可靠度四档、写作三件套（金句 / 反方视角 / 观后行动清单）、Markdown 硬规则、脚本用法、交付前清单（Step 8）
legal_sources.md — 正版观看与片源获取：平台离线缓存 / 拥有文件（碟、公有领域库）/ 线下修复重映三类路径、按「年代 + 地区」判断某片走哪条路、法律边界与答复结构（被问到时用）

assets/

workspace_template.html — HTML 工作台模板（含 Chart.js 与全部交互逻辑，占位符 __XXX__）

常见问题

识别出错：定位到具体条目，回看原图确认后改 TSV，重跑 build_archive.py + build_html.py
截图多 / 图很长：不要试图一次读完；先切分，再按 references/batch_ocr.md 并行分派
用户只想推荐、不想做档案：Step 1-4 仍需执行（推荐必须基于档案数据）；可省略 HTML，但要说清推荐依据来自哪些统计
用户追加了截图：新截图切分识别后放进同一个 _parts_out，重跑 Step 3 即可（按片名+年份+看过日期去重，重复条目自动合并）
补录单部「非截图来源」的影片（最常见：用户看完了上一轮推荐的片，要回填档案）：在 _parts_out/ 下新建一个补录 TSV（如 m00_manual.tsv，带表头、12 列写满）， 来源图片 列写非数字标记（如 补录），然后照常重跑 Step 3→4→5→6。不要手改 _data.json / 电影档案.csv——它们是脚本产物，手改会在下次重跑时被覆盖。两个注意点：① 该标记会被 --expect-per-image 判为「条数异常」，补录重跑时不要带这个参数 （或忽略那一条告警）；② provenance 要写明「N 条识别 + M 条补录」，否则总量校验对不上。
图表不显示：Chart.js 走 CDN，需联网；离线场景可替换为内联 SVG
深读对象是剧集/综艺：18 节规格是为单部电影设计的。剧集/综艺不做完整深读—— 改用「形态 D 主题片单」的轻量写法，或直接说明规格不适用；不要硬套 18 节
用户想「讲透」一部没看过的片：深读依赖档案里的星级与看过日期，没看过的片写不了数据视角，也就失去本技能的核心增量。改为做「映前预览」（主创 + 背景 + 看点），并在文首说明这不是看后深读
用户只想要一张结构图/时间线：本技能的深读交付物是 .md 文档，不含内联可视化。需要图就走对话内的图表渲染，不要为了配图把 HTML 塞进 md（预览器不执行）

变更记录

| 版本 | 日期 | 变更 | |---|---|---| | 1.0.5 | 2026-09-15 | 补齐使用闭环与两处长期缺口：① 新增「使用闭环」小节——建档 → 推荐 → 看完回填 → 深读 → 再推荐，并规定主动引导的分寸（深读交付后可问一句要不要接着推荐，但不要每次都问）；② 新增 references/legal_sources.md——正版观看与片源获取（平台离线缓存 / 碟与公有领域库 / 线下修复重映三类路径、按「年代 + 地区」判断走哪条路、法律边界、答复结构），并在「何时使用」「不适用」「Step 7」三处接上；③ 深读规格补上用户已明确的选择：交付物是纯文本 md，不配内联 SVG/图表 | | 1.0.4 | 2026-09-14 | 强化「深度解读」能力：① 新增 scripts/deep_dive_context.py——单片素材包（导演命中率/类型均分/同族影片/观影节奏）、--check 候选核对、--suggest 挑片候选、--json，免去每次临时手写取数脚本；② 深读扩展为五种形态（单片 / 导演专题 / 双片对照 / 主题片单 / 系列）并规定交付文件名；③ 挑片改为先给候选再动笔（强制 AskUserQuestion，禁止自行开写）；④ 新增写作三件套（原文金句 ≥2 处且不编造 / 反方视角 ≥1 条真批评 / 观后行动清单三条）与「导演样本 < 2 部不给命中率」纪律；⑤ 补上 1.0.3 遗漏的 Step 8 正文——1.0.3 只写了变更记录与资源引用，正文 Step 8 实际缺失 | | 1.0.3 | 2026-09-14 | 新增 Step 8 · 单部影片深度解读 与 references/deep_dive_spec.md（18 节模板、导演/演员节、数据视角节、可靠度四档、挑片规则、预览器不执行裸 HTML 的 Markdown 硬规则与自查命令） | | 1.0.2 | 2026-09-14 | 补充「补录单部非截图来源影片」的做法（补录 TSV + 来源图片 写非数字标记 + 重跑 Step 3-6，不手改脚本产物）与 --expect-per-image 的冲突提醒；why_now 增加「不要自带『为什么是现在：』前缀」的写作要求 | | 1.0.1 | 2026-09-12 | 修复评分量纲口径：KPI 卡与所有文案统一带单位（/5、/10），02 区新增「口径说明」；build_html.py 兜底文案同步带单位，__DSAVG__ 缺失时显示 —；references/douban_layout.md 补充「两把尺子不要混」说明 | | 1.0.0 | 2026-09-12 | 初版：长截图切分 → 逐片识别 → 档案 CSV + HTML 工作台；按「四层依据」（习惯 / 喜好 / 画像 / 近况）出推荐 |