style-analysis-skill

Files (1)

• SKILL.md

SKILL.md (first lines)

# 风格分析技能

## 必读

1. `../../references/00-first-principles.md` — 第一性原则（可拍性、留存性）
2. `../../references/03-script-writing-standard.md` — 剧本写作标准（句长、对话比、视觉标记、网文感关键词）
3. `../../references/12-genre-specific-techniques.md` — 类型化技巧（男频/女频风格差异）

## 功能

深度分析剧本的语言风格，确保生成的剧本具有网文感、节奏感和可读性。

## 分析维度

### 1. 句长分析

**统计方法**：
```python
import re

def analyze_sentence_length(script):
    # 按句号、问号、感叹号分句
    sentences = re.split(r'[。！？]', script)
    sentences = [s.strip() for s in sentences if s.strip()]

    lengths = [len(s) for s in sentences]

    return {
        'avg_length': sum(lengths) / len(lengths),
        'short_ratio': len([l for l in lengths if l < 10]) / len(lengths),
        'medium_ratio': len([l for l in lengths if 10 <= l < 20]) / len(lengths),
        'long_ratio': len([l for l in lengths if l >= 20]) / len(lengths)
    }
```

**理想指标**：
- 平均句长：10-14字符
- 短句比例（<10字符）：30-40%
- 中句比例（10-20字符）：50-60%
- 长句比例（≥20字符）：<10%

### 2. 对话比分析

**统计方法**：
```python
def analyze_dialogue_ratio(script):
    # 识别对话（引号内的内容）
    dialogues = re.findall(r'[「『""]([^」』""]+)[」』""]', script)
    dialogue_chars = sum(len(d) for d in dialogues)
    total_chars = len(script)

    return {
        'dialogue_ratio': dialogue_chars / total_chars,
        'dialogue_count': len(dialogues),
        'avg_dialogue_length': dialogue_chars / len(dialogues) if dialogues else 0
    }
```

**理想指标**：
- 对话比：70-80%
- 对话数量：每1000字15-25条
- 平均对话长度：20-40字符

### 3. 视觉标记分析

**视觉标记列表**：
```python
visual_markers = {
    '表情': ['冷笑', '嗤笑', '冷哼', '微笑', '狞笑', '苦笑'],
    '眼神': ['眼神一冷', '眸光一沉', '目光如炬', '眼中闪过', '瞳孔一缩'],
    '动作': ['嘴角勾起', '挑眉', '皱眉', '咬牙', '握拳', '转身'],
    '气场': ['气势汹汹', '霸气侧漏', '冷气逼人', '杀气腾腾']
}
```

**统计方法**：
```python
def analyze_visual_markers(script):
    all_markers = []
    for category, markers in visual_markers.items():
        all_markers.extend(markers)

    marker_count = sum(script.count(marker) for marker in all_markers)
    chars_per_100 = len(script) / 100

    return {
        'markers_per_100': marker_count / chars_per_100,
        'marker_distribution': {
            category: sum(script.count(m) for m in markers)
            for category, markers in visual_markers.items()
        }
    }
```

**理想指标**：
- 视觉标记密度：3-5个/100字
- 分布均衡：各类标记都有使用

### 4. 网文感关键词分析

**网文感关键词**：
```python
wanwen_keywords = {
    '情绪强化': ['冷笑', '嗤笑', '冷哼', '冷声', '冷冷地'],
    '态度词': ['不屑', '轻蔑', '讥讽', '嘲讽', '鄙夷'],
    '气场词': ['霸气', '强势', '凌厉', '锐利', '凛然'],
    '反转词': ['没想到', '竟然', '居然', '原来', '突然'],
    '打脸词': ['啪啪打脸', '狠狠打脸', '当场打脸', '脸色一变']
}
```

**统计方法**：
```python
def analyze_wanwen_keywords(script):
    all_keywords = []
    for category, keywords in wanwen_keywords.items():
        all_keywords.extend(keywords)

    keyword_count = sum(script.count(kw) for kw in all_keywords)

From Supreme-Ultimate/novel-to-script-team, MIT.

More from Supreme-Ultimate/novel-to-script-team