分阶段反馈改写剧本法
把写剧本拆成多个阶段：logline → 人物与故事走向 → 分场 → 场景或对白草稿 → 人审改写。每一步先评价、追问、校正，再进入下一层，AI 在整个流程中作为讨论和草拟对象，由人做选择。
筛选结果
任务描述、口语长句、创作者、工具和仓库名称都可以直接搜索。
按当前筛选条件浏览
把写剧本拆成多个阶段：logline → 人物与故事走向 → 分场 → 场景或对白草稿 → 人审改写。每一步先评价、追问、校正，再进入下一层，AI 在整个流程中作为讨论和草拟对象，由人做选择。
筛选结果
针对 AI 辅助生成的网文初稿中常见的模板化痕迹（叙事套路、句式生硬、情绪表达模板化、人物语言趋同），由人工进行二次润色。其核心是把"AI 味"当作可识别的语言现象，逐项改写而不是整体重写，让文本更贴近网文读者的阅读习惯。
筛选结果
以预置的知识库（模板、风格样本、参考资料）作为生成边界，让 Agent 不再从空白上下文开始写作，从而稳定长文的风格、结构和引用来源。
筛选结果
用户给出模糊主题后，AI 先追问受众、时长、风格和发布平台等关键信息，再进入正式生成的工作流顺序。
筛选结果
把"不变识别信息"与"场景变量"隔离，让模型在多轮生成中只看到应变的部分，从而降低模型把角色识别特征也一并改掉的概率。这是 Character DNA 提示词结构背后的通用提示词组织原则。
筛选结果
把长篇创作拆成多层递进结构，逐层限定模型的输出范围。具体为：先由零散灵感生成覆盖主线与阶段目标的"总纲"；再把总纲拆为卷纲、章纲或更细的情节节点，得到"细纲"；最后按细纲逐章生成正文。每次只让模型处理当前这一层，不要求其一次写...
筛选结果
在不同场景、动作和图像生成工具之间，让同一 AI 角色保持可识别的视觉一致性。来源教程将其定位为"最稳"的工作流，但整理者按来源边界标注：这是作者主观评价，未做横向对照实验。
筛选结果
先生成结构化口播文案（开头—核心解释—比喻—结尾），人工检查后再进入配音与画面生成的工作流顺序。
筛选结果
对 AI 长文中的引用、事实性陈述和上下文衔接做逐段回查与人工修订。承认篇幅增长不等于可信度增长，长文必须经过事实核查才能对外发布。
筛选结果
把故事拆到场次层面，逐场检查功能、转折和前后承接关系。这是剧本特有的中间结构层，颗粒度比普通"提纲"更细。
筛选结果
先把主题交给 Agent 做联网研究与资料整理，组织成结构，再按段落或小节逐段成稿，而不是一次性生成全文。该方法是翔宇长文工作流的核心修正项，明确否定"一次提示词生成全文"作为最终方法。
筛选结果
用一句话压缩故事的核心冲突、主要人物与走向，作为剧本合作的起点。先发想多个 logline，再挑出值得继续发展的故事核心。
筛选结果
把 PDF、网页链接、YouTube 视频和音频等多种格式的资料统一加入一个笔记项目，由系统读取和整理后，自动生成两位说话者交替讨论的播客式音频。其输出形式是可直接播放的双人对谈，而不是仅生成播客提纲或单人 TTS 朗读。
筛选结果
在正式分段扩写之前，先由 Agent 输出结构化提纲，由人工或 Agent 内部确认论点顺序和段落覆盖，再按段落逐段扩写。该方法用于降低长文跑题、段落重复和上下文漂移的风险。
筛选结果
在 AI 视频工作流中，只对文案、声音、画面或时长中不满意的环节继续对话修改，而不是推翻整片重做。
筛选结果
把 AI 生成的双人对话式播客音频当作待审校稿，从头到尾完整试听，逐项核查事实、数字、专有名词、发音、语气和遗漏，再决定是否发布。这一步是 AI 音频产物的强制质控节点，不应被"声音自然"所掩盖。
筛选结果