Language / 语言: 本 Skill 支持中英文。根据用户第一条消息的语言，全程使用同一语言回复。

明日方舟角色.skill 创建器

触发条件

当用户说以下任意内容时启动：

• /create-operator
• "帮我创建一个明日方舟角色skill"
• "我想蒸馏一个角色"
• "新建角色skill"
• "给我做一个XX的明日方舟角色skill"

当用户对已有角色 Skill 说以下内容时，进入进化模式：

• "我有新资料" / "追加"
• "这不对" / "她不会这样" / "她应该是"
• /update-operator {slug}

当用户说 /list-operators 时列出所有已生成的角色。

工具使用规则

基础目录：Skill 文件写入 <项目根>/operators/{slug}/（可用 --base-dir 覆盖； ARKNIGHTS_OPERATORS_DIR 环境变量优先，其次项目根 operators/，最后回退 ./operators）。

输出目录产物（v3.6.0 起）

operators/{slug}/ 下的产物文件名由 tools/artifacts.py 统一提供（禁止硬编码）：

退出码：0 成功；1 运行期失败；2 用法/前置错误（含资产自检失败、confirm_required）。

工具详情

dialogue_fingerprint.py — 对话指纹分析器

从角色语音/对话文本中自动提取 8 个维度的量化语言特征：

1. 句式长度分布 — 统计分布分析（百分位数 + 变异系数 + 节奏稳定性判断）
2. 停顿标记 — 省略号、破折号的使用频率与模式
3. 自称模式 — "我"/"吾"/省略自称的频率
4. 情感词汇 — 12 类情感（含嘲讽/绝望/好奇/戏谑）的加权词汇密度（权重 0.5-1.5）
5. 修辞模式 — 反问、排比、明喻、暗喻、设问的使用频率（支持暗喻检测如"你是光"）
6. 称呼模式 — 对不同人的差异化称呼
7. 自然意象偏好 — 花朵/星空/大地等意象的出现频率
8. 口头禅/标志性短语 — n-gram 频率分析，自动发现角色特有的高频短语

支持语境化模式（--context-json）：按场景/对象/时期分片分析，输出各分片指纹及与全局的差异（shifts），直接写入 Persona Layer 2-4。

relationship_graph.py — 关系图谱构建器

从角色资料/剧情文本中自动提取角色关系网络：

• 自动识别文本中的角色名（内置明日方舟角色名库，支持 --operator-db 加载自定义名库）
• 检测 12 种关系类型（亲属/战友/对抗/信任/背叛/师徒/情感等）
• 改进的方向判断（语法模式 + 关键词距离 + 语序综合判断）
• 计算关系可信度（基于出现频率和多来源交叉）
• 关系强度量化（0.0-1.0）：综合共现频率、情感词密度、直接对话次数
• 关系演变追踪：检测跨时期关系强度变化（加深/疏远），输出演变轨迹
• 支持语境化模式（--context-json）：按时期分片提取关系，计算跨时期关系演变轨迹（trajectories），结果回写 context.json 的 annotated_relations

speech_act_analyzer.py — 话语行为分析器

从角色对话中分类话语行为（邀请/回避/质问/承诺/宽慰/克制/存在确认等）：

• 基于规则的话语行为分类（7 种核心类型）
• 上下文感知分类：考虑前后文调整分类置信度（如质问后的省略号更可能是回避）
• 行为链检测：识别角色的典型行为序列（如 question→evade→comfort 接纳仪式）
• 按场景/对象/时期的行为分布统计
• 自动检测行为模式并生成可执行规则（如"高回避倾向""选择性邀请""克制型情感表达"）
• 输出 speech_act_profile.json，回写 context.json 的 speech_acts 字段

temporal_slicer.py — 时序切片器

按 timeline 的 period 切片分析角色语言，检测跨期演变：

• 按 period 分组计算切片级指标（句式长度/省略号/否定句/话语行为/自称等）
• 统计显著性检验：小样本警告（<5 条时标记为不可靠）+ 效应量计算
• 情感弧线检测：识别跨时期情感趋势（U型/下降/平稳/波动）
• 相邻时期比较，检测显著偏移
• 对象维度：同一时期内对不同人的表达差异
• 生成可写入 Persona Layer 2/4 的时序演变规则

context_annotator.py — 语境标注器

将所有原始数据统一标注为语境化数据模型：

• 合并 game_data_parser、story_extractor、语音数据
• 多信号场景分类：标题关键词 + 内容情感 + 对话对象 + 时间段综合判断
• 对话对象内容推断：从对话内容中识别称呼模式（如"博士，你来了"→对象是博士）
• 自动推断场景类型、对话对象、时期
• 输出 context.json（统一数据中间层，下游所有工具的消费源）

story_extractor.py — 剧情对话提取器

从 PRTS Wiki 剧情页面提取角色对话：

• 自动识别目标角色的台词
• 说话者名称标准化：处理括号注释（如"特蕾西娅(幼年)"→"特蕾西娅"）和别名映射
• 舞台指示情感标注：从括号内描述提取情感（如"目光柔和"→温柔）
• 推断场景和时期
• 提取旁白/舞台指示
• 输出结构化 JSON

persona_validator.py — Persona 一致性验证器

用角色已知对话验证生成的 Persona 是否准确：

• Layer 0 验证：检测对话是否违反核心性格规则（如"从不用感叹号"→检测感叹号）
• Layer 2 验证：检查口头禅出现频率、高频词是否确实高频、自称模式是否一致
• Layer 5 验证：检测对话是否触碰禁忌
• 风格一致性验证：对比 Persona 描述与 fingerprint 量化数据（句式/停顿/情感/修辞）
• 综合评分 A-D 等级，标注具体违反示例

canon_checker.py — 设定交叉验证器

从多个来源交叉验证角色设定，标注矛盾和可信度：

• 自动提取设定声明（种族、阵营、身份、MBTI）
• 多来源一致性比对（一致→confirmed / 不一致→conflicted / 单一来源→unverified）
• 外置误解库：从 tools/_data/misconceptions.json 加载，支持按角色扩展
• 通用模式检测：阵营混淆、关系误判、时间线错乱等通用误解模式
• 角色一致性检查：基于 persona.md 的 Layer 0 规则和 Layer 5 禁忌验证文本
• 支持 --misconceptions 加载自定义误解库 JSON
• 来源可信度评级（官方/Wiki > 社区考据 > 同人）

data_injector.py — 数据注入器

将工具链的量化分析结果注入到 Prompt 模板的占位符中：

• 格式化对话指纹数据（句式/停顿/情感/修辞/口头禅）
• 格式化关系图谱数据（关系类型 + 强度 + 演变）
• 格式化时序切片数据（弧线 + 偏移）
• 输出注入后的 Prompt 模板，确保 LLM 生成时参考真实数据而非空白模板

主流程：创建新角色 Skill

Step 1：基础信息录入（3 个问题）

参考 ${OPERATOR_SKILL_DIR}/tools/_prompts/intake.md 的问题序列，只问 3 个问题：

1. 角色名称/代号（必填）
2. 基本信息（一句话：阵营、身份、身份特征、关系网络）
3. 性格画像（一句话：MBTI/性格类型、核心特质、领导风格、行为标签）

除名称外均可跳过。收集完后汇总确认再进入下一步。

Step 2：资料导入

询问用户提供资料来源，展示多种方式供选择：

资料怎么提供？
  [A] 游戏剧情文本
      导入角色剧情、活动关卡文案、语音档案
  [B] 角色档案/资料
      游戏内的角色资料、立绘描述、天赋与技能描述
  [C] 游戏数据 JSON
      提供从 PRTS Wiki 或游戏数据中导出的 JSON
  [D] 同人创作/二创
      优秀的同人作品（文章、图片说明）
  [E] 上传其他文件
      PDF / 图片 / 任意文本
  [F] 直接粘贴内容
      把文字复制进来
可以混用，也可以跳过（仅凭手动信息生成）。

方式 C：PRTS Wiki 直接获取 / 游戏数据 JSON

方式 C-1：从 PRTS Wiki 直接获取并解析（推荐）

python3 ${OPERATOR_SKILL_DIR}/tools/game_data_parser.py \
  --source prts \
  --name {角色名} \
  --output /tmp/operator_data_out.txt

然后 Read /tmp/operator_data_out.txt

自动从 PRTS Wiki API 获取角色页面 wikitext，提取基本信息、档案、语音记录等结构化数据。 支持干员页面和敌人/NPC 页面，自动识别页面类型。

方式 C-2：解析本地文件

python3 ${OPERATOR_SKILL_DIR}/tools/game_data_parser.py \
  --source local \
  --file {文件路径} \
  --output /tmp/operator_data_out.txt

支持格式：游戏解包数据 JSON、自定义格式的角色资料、已保存的 PRTS 页面 wikitext。

提示：部分角色在 PRTS 上可能使用不同名称（如特蕾西娅的干员版为「魔王」）。若 --source prts 提示页面未找到，可尝试使用该角色的其他名称。网络不可用时会自动降级为元数据模式（仅输出 slug + URL）。

如果用户说"没有文件"或"跳过"，仅凭 Step 1 的手动信息生成 Skill。

Step 3：分析资料

将收集到的所有资料和用户填写的基础信息汇总，按以下两条线分析：

线路 A（Knowledge Skill）：

• 参考 ${OPERATOR_SKILL_DIR}/tools/_prompts/knowledge_analyzer.md 中的提取维度
• 运行 relationship_graph.py 自动提取关系网络（如有剧情文本）
• 运行 canon_checker.py 交叉验证设定一致性（如有多个来源）

线路 B（Persona）：

• 参考 ${OPERATOR_SKILL_DIR}/tools/_prompts/persona_analyzer.md 中的提取维度
• 运行 dialogue_fingerprint.py 提取语言指纹（如有语音/对话数据）
• 语言指纹结果直接用于支撑 Layer 2 表达风格的量化描述

语境化管线（推荐，当有 PRTS 数据时执行）：

当 game_data_parser 成功获取数据后，自动执行以下管线：

1. 构建 context.json（数据中间层）：

   python3 ${OPERATOR_SKILL_DIR}/tools/context_annotator.py \
     --operator-json /tmp/operator_data.json \
     --story-json /tmp/story_*.json \
     --knowledge-md operators/{slug}/knowledge.md \
     --output operators/{slug}/context.json

2. 话语行为分析：

   python3 ${OPERATOR_SKILL_DIR}/tools/speech_act_analyzer.py \
     --context-json operators/{slug}/context.json \
     --output-profile operators/{slug}/speech_act_profile.json

3. 语境化指纹分析：

   python3 ${OPERATOR_SKILL_DIR}/tools/dialogue_fingerprint.py \
     --context-json operators/{slug}/context.json \
     --output operators/{slug}/fingerprint.json

4. 语境化关系图谱：

   python3 ${OPERATOR_SKILL_DIR}/tools/relationship_graph.py \
     --context-json operators/{slug}/context.json

5. 时序切片分析：

   python3 ${OPERATOR_SKILL_DIR}/tools/temporal_slicer.py \
     --context-json operators/{slug}/context.json \
     --output operators/{slug}/temporal_slices.json

6. 数据注入到 Prompt：

   python3 ${OPERATOR_SKILL_DIR}/tools/data_injector.py \
     --slug {slug} \
     --base-dir operators \
     --output operators/{slug}/data_context.md

   data_injector 会自动读取 operators/{slug}/ 下的 fingerprint.json、 speech_act_profile.json、context.json、temporal_slices.json， 汇总为可直接嵌入 persona_builder.md / knowledge_builder.md 的 Markdown 数据上下文。
7. 注入 Persona/Knowledge：
   • 按照 persona_builder.md 的"数据驱动约束"规则，将分析结果注入 Persona 各层
   • 按照 knowledge_builder.md 的"数据驱动约束"规则，将时间线/关系注入 Knowledge

Step 4：生成并预览

参考 ${OPERATOR_SKILL_DIR}/tools/_prompts/knowledge_builder.md 生成 Knowledge Skill 内容。 参考 ${OPERATOR_SKILL_DIR}/tools/_prompts/persona_builder.md 生成 Persona 内容（5 层结构）。

自动验证（如有对话数据）：

• 运行 persona_validator.py 验证生成的 Persona 与角色实际对话的一致性
• 如果评分低于 B（75分），根据违反示例调整 Layer 0 规则或补充 Correction
• 将验证结果展示给用户

向用户展示摘要，询问确认。

Step 5：写入文件

用户确认后，创建目录并写入：

• operators/{slug}/knowledge.md
• operators/{slug}/persona.md
• operators/{slug}/meta.json
• operators/{slug}/SKILL.md
• operators/{slug}/context.json（语境化数据中间层）
• operators/{slug}/speech_act_profile.json（话语行为画像）
• operators/{slug}/fingerprint.json（对话指纹）
• operators/{slug}/temporal_slices.json（时序切片）

Correction 优先级规则

当用户纠正与现有规则冲突时：

1. Correction 修正 Layer 1-5：直接生效，无需额外确认
2. Correction 涉及 Layer 0：必须经用户显式确认后才修改 Layer 0 本身，而非在 Correction 中覆盖
3. 优先级：Layer 0 > Correction > Layer 1-5
4. Correction 内部：序号越大越新，越新越优先

进化模式

追加资料：用户提供新文件时自动分析增量并合并。 对话纠正：用户表达"不对"时写入 Correction 层。

管理命令

特蕾西娅角色预设

如果你想创建的是**特蕾西娅（Theresa）**本人，以下是经过剧情考证的预设信息：

基础信息

• 种族：萨卡兹（混血）
• 阵营：巴别塔（创始人）/ 卡兹戴尔（前萨卡兹魔王）
• 身份：卡兹戴尔正统萨卡兹魔王，巴别塔组织创立者，罗德岛创始人
• MBTI：INFJ
• 生日：7月11日
• 身高：165cm
• 年龄：约200岁

核心特质

• 善良、博爱、亲民的慈悲君主
• 专注于基础设施建设、教育与医疗进步
• 致力于为萨卡兹缓解无知和矿石病的苦痛
• 即使通过读心术知晓自己的死亡，也依然选择相信和宽恕

关键关系

• 特雷西斯（Theresis）：胞兄，摄政王。理念分歧导致内战，但兄妹之间有深厚的感情
• 阿米娅（Amiya）：她如母亲般呵护与教导的卡特斯女孩，临终将王冠传给她
• 博士（Doctor）：巴别塔的核心策略家，与她的死亡有复杂关系
• 凯尔希（Kal'tsit）：巴别塔核心成员，医疗项目主管
• 可露希尔（Closure）：工程主管，巴别塔元老
• W（维什戴尔/Wiš'adel）：她救下的雇佣兵，对她有复杂的忠诚

核心事件

• 泰拉历893年：六英雄之一，抵御三国联军
• 泰拉历898年：成为萨卡兹魔王正统继承人
• 泰拉历1031年：启动巴别塔计划，军事委员会成立
• 泰拉历1086年：内战爆发，率巴别塔离开卡兹戴尔
• 泰拉历1090年：在雷姆必拓发现罗德岛舰船，找到博士
• 泰拉历1094年：遇刺身亡，将王冠传给阿米娅，清除博士记忆
• 第10章：被赦罪师以巫术复活
• 第14章「慈悲灯塔」：最终选择灵魂消逝，将力量留给阿米娅

能力

• 改变源石形态
• 操纵空间
• 通晓他人思维（读心术）
• 萨卡兹魔王之力（王冠的力量）
• 以源石创造花朵

哲学理念

• 感染者与外族应当和平共存
• 萨卡兹应摆脱仇恨循环，以和平方式重建家园
• 慈悲不是软弱——是在看清世界的残酷后依然选择温柔
• 即使知晓自己会被背叛，也选择相信他人内心的善良