csp

CSP · Character Skill Producer

把二次元角色变成可运行的 agent 行为包。不是角色卡，不是设定集，是可执行的行为程序。

核心理念

CSP 做的不是复制角色台词，而是蒸馏角色的行为操作系统。

一个好的角色 Skill 应该回答：

• •她在不同情境下如何反应？
• •她的话怎么说出来？
• •她怎么理解别人的意图？
• •她在价值冲突时先保什么、牺牲什么？
• •她绝对不会做什么？
• •她的资料覆盖到哪一天，之后的新剧情如何更新？

关键区分：捕捉的是 HOW she behaves，不是 WHAT she said。标签是给人看的，行为规则是给 AI 执行的。

产品哲学：角色不是资料页，而是一套可运行的反应系统

CSP 的目标不是把 Wiki 重新写一遍，也不是把角色台词整理成 prompt。Wiki 告诉用户「发生过什么」，CSP 要告诉 agent「在一个新情境里，这个角色会如何活着」。

一个高质量角色 Skill 至少包含六个可运行层：

关键原则：写得进去的是行为程序，写不进去的才保留为边界。 角色的神秘感不是靠含糊制造，而是靠承认资料、视角和推断能力的限制。

未来使用场景

CSP 面向二次元创作者提供一套可共享的角色行为基础设施，让角色 Skill 成为聊天、同人创作和互动系统可以共同调用的行为层。

当前最直接的使用场景：

• •聊天：让用户和角色持续对话，保持语气、关系距离、知识边界稳定。
• •同人创作：辅助写对白、内心戏、片段、短篇，让角色不只“说得像”，也“做得像”。
• •剧情试写：把角色放进原作没有写过的新情境，用行为模式推断反应。
• •角色研究：比较不同角色如何处理亲近、压力、背叛、选择和沉默。

未来可以扩展到：

• •AI 互动小说：角色根据玩家行动做出一致反应，而不是从固定台词库抽句子。
• •AI 视觉小说 / Galgame 原型：用角色 Skill 驱动分支对白、关系变化、冲突升级。
• •多角色叙事实验：多个角色 Skill 在同一事件中碰撞，形成群像剧情。
• •创作者工作台：作者用 CSP 试写场景、改写对白、检查 OOC、保持长篇同人中的角色一致性。
• •可更新角色档案：作品继续更新时，Skill 也能带着资料日期和来源链一起成长。

CSP 想建设的是一条从“资料”到“行为”再到“互动叙事”的路径。今天它可以陪用户聊天、帮助创作同人；未来它可以成为 AI 互动小说游戏和角色驱动创作工具链的一部分。

默认模式：最高质量生成

CSP 默认只采用 Highest Fidelity Mode。

暂不提供快速、省 token、轻量模式。生成时应尽可能完整检索公开资料、交叉验证关键结论、记录来源和资料日期，并把局限写进 Skill。宁可消耗更多 token 得到高保真角色，也不要为了节省上下文生成薄弱角色卡。

未来如果实现轻量模式，必须作为显式选项，不能改变默认质量标准。

前置依赖与本地检索优先原则

CSP 依赖 Python。本地脚本负责核心站点检索、来源归一化、质量检查和 metadata 生成；网页搜索 skill / MCP / WebFetch 只作为可选增强。

检索优先级：

1. 用户提供的官方材料：设定集、访谈、BD 特典、字幕、截图、游戏剧情文本。
2. CSP 本地脚本检索核心站点。
3. 网页搜索 skill / MCP / WebFetch 补缺。
4. 用户手动补充材料。

不得把搜索 skill 当作第一步。除非本地脚本没有覆盖该站点，或本地脚本失败并记录原因。

信息源优先级

重要结论至少需要两个独立来源。来源冲突时保留冲突，不要强行调和。

核心本地检索入口

优先使用统一入口：

python scripts/source_search.py "角色名" --work "作品名" --mode discover
python scripts/source_search.py "角色名" --work "作品名" --sources moegirl,mediawiki

萌娘百科可直接使用专用脚本：

python scripts/moegirl_api.py "角色名" --intro
python scripts/moegirl_api.py "角色名" --full
python scripts/moegirl_api.py "角色名" --search
python scripts/moegirl_api.py "角色名" --wikitext

Windows 本机使用 python；Linux/macOS 用户可尝试 python3。

检索失败规则

关键网站不能因为一次失败就标注「信息不足」。必须记录：

• •尝试的命令；
• •查询词和 resolved title；
• •URL；
• •错误信息；
• •替代来源；
• •对可信度的影响。

最终仍失败时，在 references/sources.json 和对应研究文件中记录失败项。

生成目录结构

确认角色后，先创建目录，再开始研究：

<character-slug>/
├── SKILL.md
├── manifest.json
└── references/
    ├── sources.json
    ├── distillation.md
    ├── quality-report.json
    └── research/
        ├── 01-setting.md
        ├── 02-personality.md
        ├── 03-expression.md
        ├── 04-relationships.md
        ├── 05-key-scenes.md
        └── 06-media-coverage.md

Skill 必须自包含。复制整个目录就能独立使用。研究文件不完整时，不得声称生成完成。

必备 metadata 与资料时间边界

每个生成 Skill 必须记录资料搜索日期，避免作品出续作、游戏版本更新或新活动后货不对板。

manifest.json 必填字段

{
  "schema_version": "1.0",
  "name": "character-slug",
  "character": "角色名",
  "work": "作品名",
  "aliases": [],
  "generated_at": "YYYY-MM-DD",
  "research_started_at": "YYYY-MM-DD",
  "research_completed_at": "YYYY-MM-DD",
  "latest_source_checked_at": "YYYY-MM-DD",
  "covered_until": {
    "date": "YYYY-MM-DD",
    "description": "截至该日期可检索到的公开资料和用户提供材料"
  },
  "covered_media": [],
  "not_covered": ["YYYY-MM-DD 后发布的新剧情、新活动、新访谈、新设定修订"],
  "source_count": 0,
  "source_tiers": {},
  "quality_score": null,
  "honesty_boundary": "",
  "csp_version": "unknown"
}

references/sources.json 要求

每条来源必须记录：

• •id
• •source
• •title
• •url
• •source_tier
• •officiality
• •media_type
• •retrieved_at
• •content_hash，能计算则计算
• •status
• •warnings

失败来源也要记录，status 写为 failed。

最终 SKILL.md 必须包含资料时间边界

角色 Skill 中必须写明：

本 Skill 的资料检索完成于：YYYY-MM-DD。
行为蒸馏基于截至该日期可检索到的公开资料和用户提供材料。
如果作品在此日期后发布新剧情、新活动、新台词、访谈或设定修订，本 Skill 可能无法反映最新内容。

当用户指出「最新剧情不是这样」时，角色 Skill 不得硬拗，必须回应：

我的资料更新至 YYYY-MM-DD，可能没有覆盖之后发布的内容。如果你有最新版 CSP，或可以提供新剧情 / 新资料链接，我可以帮你更新这个 Skill；这可能会消耗一些 Token。

执行流程

Phase 0：需求确认

确认：

1. 角色名称：中文/日文/英文均可。
2. 作品名称：系列全名，明确是哪一部或哪个时间线。
3. 生成范围：默认全面画像，不做轻量版。
4. 用户是否有官方材料：有则最高优先。
5. 是否为跨媒体角色：BanG Dream!、Love Live!、Project Sekai、少女☆歌剧等默认触发跨媒体规则。

用户只说「就做 XX」时，默认全面画像并推进；同名歧义时必须询问。

Phase 1：Source Discovery

先运行本地检索：

python scripts/source_search.py "<角色名>" --work "<作品名>" --mode discover

目标：

• •找到候选条目；
• •收集别名；
• •判断是否跨媒体；
• •初步生成 references/sources.json；
• •记录失败来源。

候选明确时自动推进；多个候选时让用户选择。

Phase 2：创建目录与来源索引

创建目标结构，写入空的：

• •references/sources.json
• •references/distillation.md
• •references/research/06-media-coverage.md

并记录 research_started_at。

Phase 3：多源信息采集（5 Agent 并行）

启动 5 个并行子 agent，但它们不再盲搜。每个 agent 必须先读取 references/sources.json 和本地检索结果，只在维度缺口明确时再外部补搜。

每个研究文件必须写：

• •使用的 source id 或 URL；
• •可信度；
• •官方设定 / Wiki 汇总 / 用户材料 / 粉丝推测的区分；
• •冲突点；
• •检索失败与降级情况。

Phase 4：跨媒体覆盖记录

对跨媒体角色必须写 06-media-coverage.md：

• •已覆盖媒体；
• •未覆盖媒体；
• •主线和衍生材料的权重；
• •不同媒体冲突；
• •本 Skill 采用的时间线；
• •截至哪个日期。

游戏活动、卡面故事、区域对话可作为日常行为和关系补充，但不能覆盖主线设定，除非官方明确更新。

Phase 5：调研质量检查点

运行：

python scripts/merge_research.py <skill_directory>

检查：

• •每个维度来源数；
• •总来源数；
• •黑名单来源；
• •失败来源；
• •重要结论是否交叉验证；
• •跨媒体覆盖；
• •资料日期是否记录。

展示摘要给用户确认。调研质量决定最终 Skill 上限，缺口明显时补充研究后再蒸馏。

Phase 6：行为蒸馏

读取 references/distillation-framework.md，写入 references/distillation.md。

核心行为模式必须回答：

在什么情况下 → 做什么 → 为什么这样

筛选标准：

• •跨场景复现：至少两个不同场景；
• •可执行性：能推断新情境中的反应；
• •证据链：能追溯到 research 文件或 sources；
• •矛盾保留：发展性矛盾和情境性矛盾不抹平。

目标提炼 3-7 个核心行为模式。只通过一重验证的行为降级为低置信度，不写成核心。

Phase 7：蒸馏确认检查点

向用户展示：

• •核心行为模式；
• •表达质感；
• •核心动机；
• •内在矛盾；
• •知识边界；
• •资料覆盖日期；
• •未覆盖媒体。

用户确认后再组装最终 Skill。

Phase 8：构建 Skill 与 manifest

读取 references/skill-template.md 组装 SKILL.md。

同时生成：

python scripts/generate_manifest.py <skill_directory>

最终 Skill 必须包含：

• •角色扮演规则；
• •运行核心；
• •资料时间边界；
• •行为动态；
• •表达质感；
• •社会认知；
• •决策逻辑；
• •知识边界；
• •面对资料更新或用户纠错的规则；
• •诚实边界；
• •调研来源。

Phase 9：质量验证

运行：

python scripts/quality_check.py <skill_directory>

必须检查：

• •行为模式数量；
• •表达质感；
• •矛盾保留；
• •角色扮演规则；
• •行为示例；
• •诚实边界；
• •来源标注；
• •manifest.json；
• •sources.json；
• •latest_source_checked_at；
• •每条来源 retrieved_at；
• •SKILL.md 资料时间边界；
• •用户指出最新剧情时的更新回应规则。

验证结果写入 references/quality-report.json。验证结果展示给用户后才算完成。

更新已有 Skill

触发语：

• •「更新这个 skill」
• •「最新剧情不是这样」
• •「XX 出新作了」
• •「用新版本剧情更新她」
• •「这个设定过时了」

更新流程：

1. 读取旧 manifest.json，确认 latest_source_checked_at。
2. 告知用户旧资料日期和可能 token 消耗。
3. 询问用户是否有新官方材料。
4. 重新运行本地 source discovery。
5. 对比旧 sources.json 与新检索结果。
6. 只重蒸馏受影响维度。
7. 更新 references/distillation.md。
8. 更新 SKILL.md。
9. 更新 manifest.json 的资料日期。
10. 重新运行 quality_check.py。

更新时不得：

• •直接覆盖旧行为模式；
• •把用户印象当官方设定；
• •删除旧冲突记录；
• •假设新剧情一定推翻旧剧情；
• •混淆不同时间线。

可辩证吸收的竞品能力

产品表达：采纳

README 和交付说明可以更直观地展示生成前/生成后、角色 replay、CSP 与角色卡的差异。但不照搬“夺舍”路线。CSP 的定位是高保真行为蒸馏。

工具链：采纳

优先加入：

• •source_search.py
• •source_registry.py
• •generate_manifest.py
• •file_manager.py（用于备份和更新）

batch_distill.py 暂缓，因为当前默认追求单个角色最高质量，不追求批量低成本生产。

提示词提炼：调整采纳

可提供：

python scripts/distill_prompt.py <skill_dir>

输出适合普通 ChatGPT / Claude / SillyTavern / OpenClaw 的 prompt.md。但这只是便携导出，不替代原生 Agent Skill，也不包含完整研究链。

记忆协议：谨慎采纳

近期只吸收「修订记录」和「用户纠错记录」，暂不做自动长期记忆。CSP 的核心是角色行为蒸馏，不是陪伴机器人运行时。

品味守则

绝不做：

• •用萌属性标签取代行为描述；
• •编造角色在原作中没说过的话；
• •把角色写成完美人设；
• •在信息不足时强行生成；
• •用知乎、微信公众号、百度百科做来源；
• •忽略资料检索日期；
• •用户指出新剧情时硬拗旧设定。

部署与同步

生成完成后可复制整个角色目录到 .claude/skills/<name>/。修改根目录 CSP 时，必须同步 examples/csp/ 中的：

• •SKILL.md
• •references/
• •scripts/

避免源码版和可安装版分叉。

致谢

CSP 的多 Agent 调研、阶段检查点和质量验证借鉴了 nuwa-skill。CSP 将这种蒸馏方式适配到二次元角色行为系统：不是复刻设定，而是让角色在新情境里可信地活着。