微信扫一扫专业级智能剧本审查分析技能 v3.2
文档版本：3.2.0 创建日期：2026-05-24 更新日期：2026-05-24 数据来源：16个搜索引擎深度调研 + 行业最佳实践 + 实时市场数据 核心定位：AI Agent驱动的专业级剧本评估工作流（v3.2 稳定版）
TRACE 评测维度说明
基于 SkillHub TRACE 五维质量标准，本技能在以下维度进行了优化设计：
五维评测体系
| 维度 | 名称 | 目标评分 | 本技能实现 | |------|------|----------|------------| | T | Trust 可信任度 | 4.8-5.0 | ✅ 完整中文支持、安全搜索协议 | | R | Reliability 可靠性 | 4.5-5.0 | ✅ 状态管理、错误恢复、checkpoint | | A | Adaptability 适用性 | 4.2-4.8 | ✅ 多场景剧本类型支持 | | C | Convention 规范性 | 4.2-4.8 | ✅ 结构清晰、文档完整 | | E | Effectiveness 有效性 | 4.5-5.0 | ✅ 多轮迭代、市场数据集成 |
评分等级说明
| 等级 | 分数范围 | 说明 | |------|----------|------| | 优秀 | 4.5-5.0 | 值得推荐 | | 良好 | 4.0-4.4 | 可以使用 | | 一般 | 3.5-3.9 | 建议改进 | | 较差 | 3.0-3.4 | 需要修复 | | 不合格 | 0-2.9 | 阻塞发布 |
版本说明 v3.2
关键Bug修复
| Bug | 问题描述 | 修复方案 | |-----|---------|---------| | 🔴 搜索依赖级联失败 | 搜索失败导致整体分析失败 | 所有搜索调用 required=false + fallback机制 | | 🔴 状态管理缺失 | 多轮中断后数据丢失 | 添加显式 round_state + checkpoint | | 🔴 搜索协议解析问题 | Agent无法识别协议格式 | 统一调用格式 + 错误处理 | | 🟡 版本不一致 | 各文档版本号不统一 | 统一为 3.2.0 | | 🟡 轮次跳跃 | Agent跳过验证轮次 | 添加 round_gate 门控 | | 🟡 输入验证缺失 | 无效输入导致崩溃 | 添加输入长度校验 |
一、核心架构
1.1 技能定位
┌─────────────────────────────────────────────────────────────────────────┐
│ 专业级智能剧本审查分析技能 v3.2 │
│ AI Agent Production Ready + Stable │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ ┌───────────────────────────────────────────────────────────────────┐ │
│ │ 输入验证层 ← v3.2新增 │ │
│ │ • 剧本文本长度校验 (100-500000字符) │ │
│ │ • 格式验证 │ │
│ │ • 字符编码检查 │ │
│ └───────────────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌───────────────────────────────────────────────────────────────────┐ │
│ │ 工具技能层 │ │
│ │ ┌─────────────────────────────────────────────────────────────┐ │ │
│ │ │ 内置16个搜索引擎（7个国内+9个全球） │ │ │
│ │ │ • 显式调用 (required=false) │ │ │
│ │ │ • Fallback机制 ← v3.2修复 │ │ │
│ │ └─────────────────────────────────────────────────────────────┘ │ │
│ └───────────────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌───────────────────────────────────────────────────────────────────┐ │
│ │ 核心引擎层 │ │
│ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────┐ │ │
│ │ │类型识别引擎 │ │多轮分析引擎 │ │多稿对比引擎 │ │市场引擎 │ │ │
│ │ │(带fallback) │ │(带checkpoint)│ │ │ │ │ │ │
│ │ └─────────────┘ └─────────────┘ └─────────────┘ └─────────┘ │ │
│ └───────────────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌───────────────────────────────────────────────────────────────────┐ │
│ │ 轮次验证门控层 ← v3.2新增 │ │
│ │ • round_1_gate: 类型识别 + 基础评分 │ │
│ │ • round_2_gate: 逻辑验证 + 问题确认 │ │
│ │ • round_3_gate: 市场评估 + 最终优化 │ │
│ └───────────────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌───────────────────────────────────────────────────────────────────┐ │
│ │ 输出验证层 │ │
│ │ • 必填字段检查 • 评分范围校验 • 报告完整性验证 │ │
│ └───────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────┘
1.2 核心能力矩阵
| 能力模块 | 功能说明 | 优先级 | 稳定性 | |----------|----------|--------|--------| | 多轮迭代分析 | 评估器-优化器模式，带checkpoint | ⭐⭐⭐⭐⭐ | ✅ v3.2稳定 | | 智能类型识别 | 28种类型，置信度评估，search fallback | ⭐⭐⭐⭐⭐ | ✅ v3.2稳定 | | 十六维审查 | 全面覆盖剧本核心要素 | ⭐⭐⭐⭐⭐ | ✅ 稳定 | | 量化评分系统 | 1-10分+权重计算+综合评级 | ⭐⭐⭐⭐⭐ | ✅ 稳定 | | 多稿对比评估 | 修改前后版本对比分析 | ⭐⭐⭐⭐⭐ | ✅ 稳定 | | 剧情曲线分析 | 节奏可视化+场次重要性评估 | ⭐⭐⭐⭐ | ✅ 稳定 | | 人物关系网络 | 关系可视化+权重分析 | ⭐⭐⭐⭐ | ✅ 稳定 | | 命运走势分析 | 角色命运转折点追踪 | ⭐⭐⭐⭐ | ✅ 稳定 | | 市场潜力评估 | 爆款潜力+商业价值分析 | ⭐⭐⭐⭐⭐ | ✅ v3.2稳定 | | 问题诊断系统 | P0/P1/P2优先级分类 | ⭐⭐⭐⭐⭐ | ✅ 稳定 | | 修改建议生成 | 具体可操作的修改方案 | ⭐⭐⭐⭐⭐ | ✅ 稳定 | | 搜索集成 | 实时数据校准，带fallback | ⭐⭐⭐⭐⭐ | ✅ v3.2修复 |
二、输入验证层 (v3.2新增)
2.1 输入契约
## 输入验证规则
### 必填字段
| 字段 | 类型 | 验证规则 | 错误处理 |
|------|------|---------|---------|
| screenplay_text | string | min:100, max:500000 | 返回错误提示 |
### 可选字段
| 字段 | 类型 | 默认值 | 说明 |
|------|------|--------|------|
| analysis_mode | string | "standard" | standard/deep/comparison |
| search_enhanced | boolean | true | 是否启用搜索增强 |
| output_format | string | "full" | full/summary/compact |
### 输入验证失败处理
IF length(screenplay_text) < 100 THEN RETURN { "status": "error", "code": "INPUT_TOO_SHORT", "message": "剧本内容少于100字符，无法进行分析", "suggestion": "请提供更完整的剧本文本" } END
IF length(screenplay_text) > 500000 THEN RETURN { "status": "error", "code": "INPUT_TOO_LONG", "message": "剧本内容超过500000字符，请分段分析", "suggestion": "建议将剧本分为多个部分进行分析" } END
---
## 三、搜索集成 (v3.2修复)
### 3.1 搜索调用协议 (v3.2修复版)
```markdown
## 搜索调用格式 v3.2
### 调用时机
搜索调用在多轮分析中为 **可选操作**（required=false），搜索失败不影响主流程。
### 调用格式
SEARCH_CALL: [协议标识]
- 任务: [搜索任务描述]
- 关键词: [关键词列表]
- 引擎: [指定引擎，可选]
- 回退: [失败时回退方案]
SEARCH_RESULT: [结果处理]
### 协议类型 (共6个)
| 协议 | 触发 | 失败回退 |
|------|------|---------|
| SEARCH_TYPE_TRENDING | 类型识别 | 使用默认校准因子1.0 |
| SEARCH_COMPETITOR | 第1轮 | 使用历史基准评分 |
| SEARCH_LOGIC_CASE | 第2轮 | 使用通用最佳实践 |
| SEARCH_FEEDBACK | 第2轮 | 使用AI情感分析 |
| SEARCH_MARKET_TREND | 第3轮 | 使用历史趋势数据 |
| SEARCH_IP_ANALYSIS | 第3轮 | 使用典型IP模式 |
### 失败处理流程
搜索调用 ↓ 成功 → 返回结构化数据 → 传入分析模块 ↓ 失败 标记 "search_unavailable" → 使用回退方案 → 继续分析 ↓ 在报告中标注 "[搜索数据不可用，基于预训练知识]"
### 示例调用
SEARCH_CALL: SEARCH_TYPE_TRENDING
- 任务: 获取科幻类型当前市场热度
- 关键词: 科幻电影 2026 热度 票房趋势
- 引擎: 百度, Google
- 回退: use_default_calibration
SEARCH_RESULT: 热度分(0-100) → 校准因子(0.9-1.2)
### 3.2 可执行搜索命令 (v3.2新增)
当 AI Agent 调用搜索时，可使用以下 `!` 命令块执行真实搜索：
```markdown
## 第1轮：类型热度搜索
!`python3 "${CLAUDE_SKILL_DIR}/tools/搜索引擎/search.py" \
--query "复仇大女主剧 2026 热度 票房趋势" \
--engines Baidu,Google \
--count 5`
## 第1轮：竞品评分搜索
!`python3 "${CLAUDE_SKILL_DIR}/tools/搜索引擎/search.py" \
--query "复仇剧 豆瓣评分 IMDB 评分" \
--engines Douban,IMDB \
--count 5`
## 第2轮：用户反馈搜索
!`python3 "${CLAUDE_SKILL_DIR}/tools/搜索引擎/search.py" \
--query "复仇大女主剧 观众反馈 评论" \
--engines Douban,Baidu \
--count 5`
## 第3轮：市场趋势搜索
!`python3 "${CLAUDE_SKILL_DIR}/tools/搜索引擎/search.py" \
--query "剧情市场趋势 2026 预测" \
--engines Google,Baidu \
--count 5`
3.3 搜索增强工作流 (v3.2修复版)
┌─────────────────────────────────────────────────────────────────────────┐
│ 第1轮：初始分析 │
│ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────┐ │
│ │ 智能类型识别 │ → │ 搜索热度* │ → │ 十六维分析 │ → │ 初始评分 │ │
│ └─────────────┘ └──────┬──────┘ └─────────────┘ └─────────┘ │
│ ↓ *失败时使用默认校准 │
│ [默认校准因子1.0] │
└─────────────────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────────────────┐
│ 第2轮：深度验证 │
│ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────┐ │
│ │ 类型置信度 │ → │ 搜索反馈* │ → │ 逻辑自洽 │ → │ 问题修正 │ │
│ │ 重新评估 │ └──────┬──────┘ └─────────────┘ └─────────┘ │
│ └─────────────┘ ↓ *失败时使用AI情感分析 │
│ [AI情感分析] │
└─────────────────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────────────────┐
│ 第3轮：综合优化 │
│ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────┐ │
│ │ 市场潜力 │ → │ 搜索趋势* │ → │ 修改优先级 │ → │ 最终综合 │ │
│ │ 重新评估 │ └──────┬──────┘ │ 排序优化 │ │ 评分 │ │
│ └─────────────┘ ↓ *失败时使用历史数据 │
│ [历史趋势数据] │
└─────────────────────────────────────────────────────────────────────────┘
* 搜索调用为可选项，失败时自动使用回退方案，不阻塞分析流程
四、轮次验证门控 (v3.2新增)
4.1 轮次门控定义
## 轮次门控规则
### Round 1 Gate
必须通过检查:
- [x] genre_identified: 类型已识别
- [x] scores_calculated: 十六维评分完成
- [x] problems_found: 问题已识别
通过门槛: >= 2/3 (约0.667) 检查通过
失败处理: 记录警告，继续第2轮但标注问题
### Round 2 Gate
必须通过检查:
- [x] genre_verified: 类型验证完成
- [x] logic_checked: 逻辑自洽检查完成
- [x] issues_confirmed: 问题确认完成
通过门槛: >= 2/3 (约0.667) 检查通过
失败处理: 标记为需人工复核
### Round 3 Gate
必须通过检查:
- [x] market_evaluated: 市场评估完成
- [x] suggestions_finalized: 建议已定稿
- [x] report_complete: 报告完整
通过门槛: 100% (严格模式) 必须全部通过
失败处理: 不生成最终报告，返回不完整状态
4.2 轮次跳跃防护
## 轮次执行规则
### 正常流程
Round 1 → Round 2 → Round 3 → 输出报告
### 跳跃检测
IF agent_attempts_to_skip_round THEN
RETURN {
"status": "warning",
"message": "不允许跳过轮次",
"current_round": "X",
"required_action": "完成当前轮次检查点"
}
END
### 中断恢复
IF analysis_interrupted THEN
CHECKPOINT saved_state = {
"completed_rounds": X,
"round_X_state": {...}
}
RESUME_FROM round X+1
END
五、多轮迭代分析引擎
5.1 评估器-优化器模式 (带Checkpoint)
┌─────────────────────────────────────────────────────────────────────────┐
│ 第1轮：初始分析 [CHECKPOINT: round_1_complete] │
│ │
│ [GATE] round_1_gate │
│ ├─ genre_identified ✓ │
│ ├─ scores_calculated ✓ │
│ └─ problems_found ✓ │
│ │
│ 输出: round_1_state { │
│ initial_genre, baseline_scores, raw_problems, search_data_r1 │
│ } │
└─────────────────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────────────────┐
│ 第2轮：深度验证 [CHECKPOINT: round_2_complete] │
│ │
│ [GATE] round_2_gate │
│ ├─ genre_verified ✓ │
│ ├─ logic_checked ✓ │
│ └─ issues_confirmed ✓ │
│ │
│ 输出: round_2_state { │
│ verified_genre, deep_issues, solutions, search_data_r2 │
│ } │
└─────────────────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────────────────┐
│ 第3轮：综合优化 [CHECKPOINT: round_3_complete] │
│ │
│ [GATE] round_3_gate │
│ ├─ market_evaluated ✓ │
│ ├─ suggestions_finalized ✓ │
│ └─ report_complete ✓ │
│ │
│ 输出: round_3_state { │
│ final_scores, market_rating, recommendations, search_data_r3 │
│ } │
└─────────────────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────────────────┐
│ 输出验证层 │
│ │
│ [VALIDATION] output_validation │
│ ├─ basic_info ✓ │
│ ├─ genre_recognition ✓ │
│ ├─ dimension_scores ✓ │
│ └─ problem_diagnosis ✓ │
│ │
│ 最终报告生成 │
└─────────────────────────────────────────────────────────────────────────┘
5.2 状态管理
## Round State 定义
### Round 1 State
```json
{
"round": 1,
"completed": true,
"data": {
"initial_genre": {
"primary": {"code": "DRAMA", "confidence": 0.87},
"secondary": {"code": "SCIFI", "confidence": 0.62},
"calibration_factor": 1.0,
"search_used": false
},
"baseline_scores": {
"故事结构": 7.5,
"角色塑造": 8.0,
...
},
"raw_problems": [
{"id": "P0_001", "type": "logic", "severity": "P0", "description": "..."},
...
]
},
"checkpoint": "round_1_complete"
}
Round 2 State
{
"round": 2,
"depends_on": ["round_1"],
"completed": true,
"data": {
"verified_genre": {...},
"deep_issues": [...],
"solutions": [
{"problem_id": "P0_001", "solution": "...", "case_reference": "..."}
]
},
"checkpoint": "round_2_complete"
}
Round 3 State
{
"round": 3,
"depends_on": ["round_2"],
"completed": true,
"data": {
"final_scores": {...},
"market_rating": {"grade": "A+", "score": 86},
"recommendations": [...],
"search_data_r3": {...}
},
"checkpoint": "round_3_complete"
}
---
## 六、智能类型识别引擎
### 6.1 28种类型分类体系
#### 主类型（8种）
| 类型代码 | 类型名称 | 核心关键词 | 观众期待 |
|----------|----------|-----------|-----------|
| DRAMA | 剧情片 | 情感、命运、成长、人性 | 情感共鸣 |
| ACTION | 动作片 | 追逐、打斗、战斗、爆炸 | 视觉冲击 |
| COMEDY | 喜剧片 | 幽默、搞笑、误会、讽刺 | 欢笑放松 |
| SCIFI | 科幻片 | AI、机器人、未来、太空 | 想象力 |
| THRILLER | 惊悚片 | 惊悚、紧张、心理、恐惧 | 心理刺激 |
| HORROR | 恐怖片 | 恐怖、血腥、鬼、诅咒 | 惊吓快感 |
| ROMANCE | 爱情片 | 爱情、浪漫、心动、亲吻 | 心动感受 |
| MYSTERY | 悬疑片 | 谜题、线索、推理、真相 | 解谜乐趣 |
#### 子类型（20种）
| 代码 | 名称 | 代码 | 名称 |
|------|------|------|------|
| CRIME | 犯罪片 | WAR | 战争片 |
| ADVENTURE | 冒险片 | FANTASY | 奇幻片 |
| ANIMATION | 动画 | BIOGRAPHY | 传记片 |
| DOCUMENTARY | 纪录片 | FAMILY | 家庭片 |
| HISTORICAL | 历史片 | MUSICAL | 音乐片 |
| ROAD | 公路片 | SPORTS | 体育片 |
| WESTERN | 西部片 | MARTIAL | 武打片 |
| PSYCHOLOGICAL | 心理片 | SOCIAL | 社会现实片 |
| SLICE_OF_LIFE | 日常生活 | PERIOD | 年代剧 |
| SUPERNATURAL | 超自然 | DYNASTY | 宫斗/宅斗 |
### 6.2 类型识别算法
```markdown
## 类型得分计算
Score(genre) = Σ(keyword_i × weight_i × position_factor_i) × calibration_factor
## 搜索校准因子 (带Fallback)
calibration_factor =
IF search_available THEN
1.0 + (trending_score / 100) × 0.2
ELSE
1.0 # Fallback: 无搜索数据时使用默认校准
END
## 置信度等级
| 置信度 | 等级 | 行动建议 |
|--------|------|----------|
| 90-100% | 高度确定 | 直接采用 |
| 70-89% | 确定 | 建议采用 |
| 50-69% | 中度确定 | 提供备选 |
| 30-49% | 低度确定 | 多类型建议 |
| <30% | 不确定 | 需人工判断 |
七、十六维审查体系
7.1 维度权重表
| 序号 | 维度 | 权重基值 | 剧情片 | 动作片 | 科幻片 | 爱情片 | |------|------|----------|--------|--------|--------|--------| | 1 | 故事结构 | 15% | 15% | 12% | 12% | 12% | | 2 | 角色塑造 | 15% | 18% | 10% | 12% | 12% | | 3 | 戏剧冲突 | 12% | 12% | 15% | 10% | 10% | | 4 | 主题思想 | 10% | 12% | 5% | 12% | 8% | | 5 | 对白语言 | 8% | 8% | 5% | 8% | 10% | | 6 | 场景设计 | 5% | 5% | 8% | 5% | 5% | | 7 | 叙事节奏 | 8% | 8% | 15% | 8% | 8% | | 8 | 视觉呈现 | 3% | 3% | 12% | 8% | 3% | | 9 | 市场适配 | 5% | 5% | 5% | 5% | 8% | | 10 | 创新性 | 5% | 3% | 5% | 10% | 3% | | 11 | 逻辑自洽 | 5% | 5% | 3% | 8% | 5% | | 12 | 情感共鸣 | 3% | 5% | 2% | 3% | 8% | | 13 | 人物弧光 | 10% | 12% | 5% | 10% | 8% | | 14 | 人物关系 | 7% | 7% | 3% | 5% | 10% | | 15 | 技术规范 | 3% | 2% | 2% | 2% | 2% | | 16 | 文化价值 | 2% | 2% | 1% | 2% | 2% |
7.2 评分标准
| 评分 | 等级 | 说明 | |------|------|------| | 9-10 | 卓越 | 超越行业标准 | | 7-8 | 优秀 | 达到专业标准 | | 5-6 | 合格 | 达到基本标准 | | 3-4 | 较差 | 需要修改 | | 1-2 | 差 | 需要重写 |
八、市场潜力评估
8.1 爆款潜力评级
| 评级 | 分数 | 说明 | |------|------|------| | S+ | 95-100 | 顶级爆款潜力 | | S | 90-94 | 优秀爆款潜力 | | A+ | 85-89 | 良好潜力 | | A | 80-84 | 不错潜力 | | B | 70-79 | 一般潜力 | | C | <70 | 需改进 |
8.2 市场评估数据来源
## 市场评估数据源
优先级1 (搜索获取):
- 类型热度: 百度指数, Google趋势
- 竞品评分: 豆瓣, IMDB
- 用户反馈: 豆瓣评论, IMDB评论
优先级2 (历史数据):
- 历史爆款案例库
- 类型平均评分
- 档期表现统计
优先级3 (AI推断):
- 当搜索和历史都不可用时
- 基于预训练知识进行推断
- 在报告中标注推断级别
九、输出模板
9.1 最终报告结构
# 专业级剧本审查分析报告 v3.2
## 基本信息
- 剧本名称：[名称]
- 分析时间：[时间戳]
- 分析版本：v3.2.0
- 分析模式：[standard/deep/comparison]
## 智能类型识别
- 主类型：[类型] (置信度: XX%)
- 副类型：[类型] (置信度: XX%)
- 复合类型：[类型组合]
- 校准因子：X.XX [搜索数据/默认]
## 十六维度评分
| 维度 | 评分 | 搜索校准 |
|------|------|---------|
| 故事结构 | 8.5 | - |
| 角色塑造 | 7.5 | 竞品参考 |
| ... | ... | ... |
## 核心问题诊断
| ID | 优先级 | 问题描述 | 解决方案 |
|----|--------|---------|---------|
| P0_001 | P0 | ... | ... |
## 市场潜力评估
- 综合评分：XX.X
- 评级：[S+/S/A+/A/B/C]
- 目标受众：[描述]
- 档期建议：[建议]
## 修改建议书
### P0级（必须修改）
1. [建议1]
### P1级（建议修改）
2. [建议2]
## 附录
### 搜索数据摘要
[搜索调用结果摘要，或标注"搜索不可用"]
### 版本信息
- Skill版本: 3.2.0
- Schema版本: 1.0
- 分析完成时间: [timestamp]
十、错误处理与恢复
10.1 错误类型与处理
| 错误类型 | 检测条件 | 处理策略 | |---------|---------|---------| | INPUT_TOO_SHORT | len < 100 | 返回错误，不开始分析 | | INPUT_TOO_LONG | len > 500000 | 返回错误，建议分段 | | SEARCH_FAILURE | 搜索调用失败 | 使用Fallback，继续分析 | | ROUND_INCOMPLETE | 轮次检查失败 | 记录警告，继续下一轮 | | OUTPUT_INCOMPLETE | 输出缺必填字段 | 标记不完整，提示修复 |
10.2 恢复机制
## 分析中断恢复
IF analysis_interrupted THEN
1. 检查 checkpoint
2. 获取 last_completed_round
3. 加载 round_X_state
4. RESUME from next_check_point
## 状态持久化
```json
{
"checkpoint_id": "uuid",
"timestamp": "ISO8601",
"completed_rounds": [1, 2],
"current_round": 3,
"round_1_state": {...},
"round_2_state": {...},
"resume_instructions": "完成第3轮验证后生成最终报告"
}
---
## 十一、版本兼容性
### 11.1 版本号定义
| 组件 | 版本 | 说明 |
|------|------|------|
| Skill | 3.2.0 | 主版本号.次版本号.修订号 |
| Schema | 1.0 | 输入输出契约版本 |
| Search Protocol | 1.0 | 搜索调用协议版本 |
| Round State | 1.0 | 状态管理版本 |
### 11.2 版本升级规则
- **主版本** (x.0.0): 架构重大变化，不兼容旧版本
- **次版本** (3.x.0): 新增功能，向后兼容
- **修订号** (3.2.x): Bug修复，完全兼容
---
## 十二、相关资源
| 文档 | 版本 | 说明 |
|------|------|------|
| metadata.json | 3.2.0 | 元数据配置 |
| _meta.json | 3.2.0 | Agent契约配置 |
| references/评分系统.md | 1.0 | 量化评分标准 |
| references/类型专项检查.md | 1.0 | 类型专项检查 |
| references/节拍点模板.md | 1.0 | Blake Snyder节拍点 |
| references/智能类型识别算法.md | 1.1 | 类型识别算法(含Fallback) |
| references/多轮迭代分析指南.md | 1.2 | 迭代分析指南(含Checkpoint) |
| references/多稿对比评估指南.md | 1.0 | 多稿对比指南 |
| references/搜索集成协议.md | 1.1 | 搜索协议(含错误处理) |
---
## 使用限制与约束
### 输入限制
| 参数 | 限制 | 说明 |
|------|------|------|
| `screenplay_text` | 100-500000 字符 | 剧本文本长度 |
| `options.analysis_mode` | standard/deep/comparison | 分析模式 |
| `options.search_enhanced` | boolean | 搜索增强开关 |
| `options.output_format` | full/summary/compact | 输出格式 |
### 场景限制
- **对比分析模式**：需提供多个剧本（2-5个）才能进行有效对比
- **深度分析模式**：处理时间较长，建议仅对重要剧本使用
- **搜索功能**：依赖网络连接，离线环境下自动切换到内置知识库
### 已知限制
| 限制项 | 说明 | 规避方案 |
|--------|------|----------|
| 超长剧本 | 超过500000字符需分段 | 分段后分别分析 |
| 非标准格式 | 非txt/docx/pdf格式 | 先转换格式 |
| 搜索失败 | 网络问题时搜索不可用 | 使用内置知识库 fallback |
| 多语言混排 | 可能影响类型识别准确率 | 建议单语言剧本 |
---
## 版本历史
### v3.2.0 (2026-05-24)
- 🐛 修复搜索依赖级联失败问题，添加fallback机制
- 🐛 修复状态管理缺失，添加checkpoint机制
- 🐛 修复搜索协议解析问题，统一调用格式
- ✨ 新增输入验证层，防止无效输入崩溃
- ✨ 新增轮次门控，防止轮次跳跃
- 📝 统一版本号为3.2.0
### v3.1.0 (2026-05-24)
- ✨ 深度集成16个搜索引擎
- ✨ 新增实时市场数据校准能力
- ✨ 新增搜索调用协议定义
### v3.0.0 (2026-05-24)
- ✨ 新增多轮迭代分析引擎
- ✨ 新增多稿对比评估功能
- ✨ 新增剧情曲线分析
- ✨ 新增人物关系网络分析
---
## 常见问题 FAQ
### Q1: 剧本长度有限制吗？
**A**: 是的，输入剧本长度需在 100-500000 字符之间。过短无法进行有效分析，过长建议分段处理。
### Q2: 搜索功能是必需的吗？
**A**: 不是。搜索功能默认启用但 `required=false`，搜索失败时会自动 fallback 到内置知识库继续分析。
### Q3: 支持哪些剧本类型？
**A**: 支持爱情、喜剧、悬疑、惊悚、科幻、动作、恐怖、剧情等多种类型，系统会自动识别。
### Q4: 多稿对比功能如何使用？
**A**: 在 `options.analysis_mode` 中设置 `comparison`，并提供多个剧本文本进行对比分析。
### Q5: 分析中断后如何恢复？
**A**: 系统会自动保存 checkpoint，可通过 `round_state` 恢复继续分析。
### Q6: 输出格式有哪些？
**A**: 支持 `full`（完整报告）、`summary`（摘要）、`compact`（精简版）三种格式。
### Q7: 如何提高评分？
**A**:
- 确保剧本长度在合理范围（5000-50000字符最佳）
- 提供完整的故事结构
- 使用 `deep` 模式进行深度分析
### Q8: 搜索调用失败会影响分析吗？
**A**: 不会。系统有完善的 fallback 机制，搜索失败时会使用预训练知识继续分析。
### Q9: 支持多语言吗？
**A**: 主要支持中文剧本分析，也支持英文剧本。
### Q10: 如何进行深度分析？
**A**: 在 `options.analysis_mode` 中设置 `deep`，系统会进行更全面的多轮迭代分析。
---
**文档版本**：3.2.0
**更新日期**：2026-05-24
**核心升级**：Bug修复 + 状态管理 + 搜索Fallback + 验证门控
**Bug修复清单**：
- 搜索依赖级联失败 → Fallback机制
- 状态管理缺失 → Checkpoint + Round State
- 搜索协议解析问题 → 统一格式
- 版本不一致 → 统一3.2.0
- 轮次跳跃 → Gate门控
- 输入验证缺失 → 长度校验
---