fiction-import
Skill15 starsChanged 4 months agoMITView on GitHub
逆向导入已有小说。将已写好的半成品或完本小说反向解析为标准项目目录结构, 兼容后续 fiction-plan、fiction-write 流程。内部复用 fiction-analyze 的拆解管线, 按篇幅自动分流。 触发方式:/fiction-import、「导入小说」「反向解析」「导入」「把我的书导进来」「我有现成的稿子」。
In this repository14 other files it gives its agents.
- fiction-analyzeSkill
- fiction-conceiveSkill
- fiction-doctorSkill
- fiction-exportSkill
- fiction-learnSkill
- fiction-planSkill
- fiction-polishSkill
- fiction-querySkill
- fiction-reviewSkill
- fiction-scanSkill
- fiction-setupSkill
- fictionSkill
- fiction-startSkill
- fiction-writeSkill
The file
Files
fiction-import:导入已有小说
将已写好但未按本工具集结构组织的项目反向解析为标准格式。
适用场景
- 之前在其他工具或纯文本中写了半本,想迁移过来
- 写作途中才决定用本工具集管理
- 有一本完稿想进来做拆解参考
执行流程
Step 1:确认导入源
询问用户:
- 源文件/目录路径
- 书名和作者
- 大致的题材和篇幅
Step 2:建立目标目录
# SCRIPTS_DIR 由安装宿主指向本仓库或已安装的 scripts/ 目录。
export PROJECT_ROOT="${CODEX_PROJECT_DIR:-${CLAUDE_PROJECT_DIR:-$PWD}}"
python -X utf8 "${SCRIPTS_DIR}/fiction.py" --project-root "${PROJECT_ROOT}" init \
--title "{书名}" --author "{作者}" --genre "{题材}"--project-root 是全局参数,必须放在 init 子命令之前。初始化脚本只创建项目骨架;章节拆分、设定提取和 writing_started 标记仍由本 skill 的执行流程在用户确认后完成。
Step 3:解析源文件
- 如果是单一文件 → 按章节标记拆分(按"第 X 章"或数字编号)
- 如果是目录 → 按文件名排序逐章导入
- 源文件格式支持:.txt / .md 纯文本
Step 4:按篇幅路由拆解
自动调用 fiction-analyze 的拆解管线,按字数分流。
Step 5:生成设定和总纲
基于文本分析,生成初始设定集和总纲草案:
- 主角卡(提取文本中的身份/能力/关系)
- 世界观框架
- 核心冲突推测
- 简化到骨架级别,不做过度推断
Step 6:标记状态
- state.json 中标记 writing_started: true(如果已有一章以上正文)
- 正文文件逐章写入正文/
- 输出导入完成报告
限制
- 纯文本格式,解析依赖章节分隔符识别
- 格式不规范(无章节标记、段落无分隔)时精度下降
- 导入后建议运行 fiction-doctor 确认完整性
- 导入的设定和总纲是"推断"而非"确认",需要用户审查修改
- 导入完成后建议运行 fiction-conceive 打磨设定
参考
拆解管线复用 fiction-analyze 的逻辑。 导入后下一步推荐:fiction-doctor(确认完整性)→ fiction-conceive(打磨设定)→ fiction-plan(正式进入规划) 如果导入对象是别人的作品用于拆解学习,建议直接使用 fiction-analyze, 不需要先导入到项目目录。
使用示例
> /fiction-import D:/旧稿/我的小说.txt
📖 导入中...
检测到:长篇(约 25 万字 / 80 章)
题材:都市重生(推测,请用户确认)
✅ 导入完成!
· 正文/ 已写入 1-80 章
· 设定集/ 已生成骨架(请 review)
· 大纲/ 总纲草案.md 已生成
· 拆文库/ 已生成拆解报告
建议下一步:
1. fiction-doctor 检查完整性
2. fiction-conceive 打磨设定
3. fiction-plan 1 开始正式规划致谢
本 skill 的开发参考了以下开源项目的思路与实现:
感谢原作者的开源贡献。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

