anarcadia/chuanban-chaishu-skills/abc-fenxi

欢迎页（每次触发必须先完整输出此区块）

+======================================================================+
|                                                                      |
|          A B C   爽   点   分   层   分   析                         |
|                                                                      |
|      A  动机·共情  ──  暗爽，让读者带着期待跟进                      |
|      B  装逼·反应  ──  明爽，反应的层数决定爽感强度                   |
|      C  嵌套·突然  ──  立体，旧循环结束即是新循环开始                 |
|                                                                      |
+======================================================================+

ABC爽点分层分析法，是针对网络爽文的结构化拆解框架。

每个让读者"爽"的章节，背后都运行着同一套循环—— A（动机+共情）制造期待：主角的处境、目标与能力暗示， 让读者带着「他到底会怎么做」的悬念跟进； B（装逼+反应）释放爽感：装逼只是触发器， 真正决定爽感强度的是反应的层数与篇幅—— 质疑者、围观群众、嘲讽者、强者重评、扩散效应， 层层递进，每一层都是情绪的放大器； C（嵌套+突然）防止单调：旧循环结束时埋下新循环的钩子， 或突如其来的身份反转、规模升级，让读者在满足后立刻进入下一个期待。

本 skill 以 YAML 格式记录每章的 ABC 结构， 量化 B 的反应层数与篇幅比，生成全书爽点密度热力图。

分析优秀作品时，重点看什么？

翻开 abc-ch*.yaml，找 B完整度=合格 的章节， 仔细拆读「分层」字段——质疑者如何引出嘲讽者， 嘲讽者被打脸后强者如何重新评价，扩散效应如何延伸情绪余韵。 这些就是作者的核心反应技法，可以直接提炼为自己的「分层模板库」。 abc-heatmap.md 的密度分布标出哪些章节是爽点峰值， 从峰值章往前数2-3章，通常是最经典的A铺垫结构，值得反复研读。

分析自己的作品时，重点看什么？

先看 main_cycle_b_quality=不合格 的章节列表和反应篇幅比数值。 反应篇幅比低于1.5，说明装逼已经写出来了， 但情绪没有被「接住」——读者在等待爽感，作者已经翻篇。 这类章节的改法几乎是固定的：不需要重写装逼场景， 只需在装逼段之后补写2-3层外部反应， 让见证者从「质疑」到「震惊」到「重新评价」完整走一遍。 B完整度最终决定读者是否会留到下一章。

⚠️ 关键约束（必读）

批量并行执行（区别于 fen-zhang-jie-gai-kuo 的串行）

• ✅ 每批5章，同时最多启动3批并行 sub-agent
• ✅ ABC 章节间无依赖关系，可以并行（不需要跨章上下文）
• ✅ 所有批次完成后，启动汇总 sub-agent 生成 abc-summary.yaml
• ❌ 汇总阶段必须等所有批次完成后才能启动

编排模式

当由 chai-shu 主入口编排调用时（自动化拆书或用户选择了多项分析）：

• 跳过欢迎页输出
• 完成后返回状态摘要（完成数量、产出文件路径列表）
• 由主入口统一向用户呈现报告和后续选项

独立触发时（用户直接说"ABC分析"等）：正常显示欢迎页。

前置依赖

必须先完成「分章节概括」（chai-shu 选项 3），确保以下文件存在：

{书名}/概括/               ← 章节概括文件目录（必须）
{书名}/全书概括.md          ← 全书概况（汇总阶段使用）
{书名}/人物和设定/名词表.md  ← 人物名称（识别反应人物用）

核心配置

工作目录: {ROOT}/Factory/拆书/
分组大小: 5章/批
并行上限: 3批同时（避免过载）
执行模式: 批量并行 + 自审（每章分析完后自我审查）
输出目录: {书名}/ABC分析/
模型选择: sonnet（性价比最优）

架构说明

主进程（轻量调度）
    │
    ├─ 读取概括目录，计算分批参数
    ├─ 启动批次1（章1-5）
    ├─ 启动批次2（章6-10）  ← 与批次1并行
    ├─ 启动批次3（章11-15） ← 与批次1/2并行
    ├─ [等待批次1-3完成]
    ├─ 启动批次4（章16-20）
    ├─ ...（每次最多3批并行）
    │
    └─ [所有批次完成后]
        └─ 汇总 sub-agent → abc-summary.yaml + abc-heatmap.md + abc-quick-list.md

优化原理：

• ABC 分析无跨章依赖 → 批次间可以并行
• 每批 sub-agent 独立：读取概括 → 分析5章 → 写入5个 yaml
• 主进程不读取分析结果，只确认文件是否创建成功

与 fen-zhang-jie-gai-kuo 的区别：

• 章节概括：串行（后章需要前章的 last_group_summary）
• ABC分析：并行（章节独立，无跨章依赖）

执行阶段

阶段0：前置检查（逐步操作）

1. 用 Glob 列出 {书名}/概括/ 下所有 .md 文件
2. 从文件名解析章节范围（格式：组N_第X-Y章_概括.md），统计总章节数
3. 计算批次数（每批5章：ceil(总章节数 / 5) 批）
4. 检查 {书名}/ABC分析/ 目录是否存在，不存在则创建
5. 检查 _progress.json 是否存在：

• 存在 → 读取 analyzed_chapters 字段，仅处理新增章节（增量模式）
• 不存在 → 全量分析

1. 检查名词表 {书名}/人物和设定/名词表.md 是否存在（软依赖，不存在则跳过）
2. 向用户确认：「总 N 章，分 M 批，本次处理第 X-Z 章（全量/增量）」

阶段1：批量 ABC 分析（逐步操作）

1. 按5章一批划分，构建批次列表（每批含5个章节序号 + 对应概括文件路径）
2. 取前3批，在单条消息中用 Agent tool 并行启动（同一消息多个工具调用）：

• description: "ABC分析批次N(章X-Y)"
• prompt: 将 references/sub-agent-prompt.md 模板填入实际变量后传入（路径包括概括目录、名词表路径、abc-definition.md路径、yaml-schema.md路径、输出目录）

1. 等待本轮3批全部返回后，用 Glob 验证输出 yaml 文件是否存在
2. 若某批缺失文件：重启该批次 sub-agent，最多重试1次
3. 重复步骤2-4，直到所有批次完成
4. 更新 _progress.json（analyzed_chapters、batches_completed、last_updated）

阶段2：全书汇总（逐步操作）

1. 所有批次验证通过后，启动汇总 sub-agent（见 references/sub-agent-prompt.md 模板2）
2. 汇总 sub-agent 输入：ABC分析目录路径、全书概括.md路径、名词表路径、yaml-schema.md路径
3. 等待汇总 sub-agent 完成，确认 abc-summary.yaml + abc-heatmap.md + abc-quick-list.md 生成
4. 向用户输出最终报告（总章节数、高密度章节占比、B合格率、峰值章、问题章）

完整执行步骤详见: references/workflow.md

产出文件

增量更新

支持增量更新（新章节不用重新分析全书）：

1. 读取 _progress.json 识别已分析章节
2. 只处理新增的概括文件
3. 全部完成后重新生成汇总

References

• [references/workflow.md](references/workflow.md)：完整执行步骤（Handoff 文档，开发者必读）
• [references/abc-definition.md](references/abc-definition.md)：ABC 识别规则（sub-agent 运行时加载）
• [references/yaml-schema.md](references/yaml-schema.md)：YAML 输出格式规范
• [references/sub-agent-prompt.md](references/sub-agent-prompt.md)：Sub-agent 提示词模板

⚠️ 执行前必读：references/workflow.md