从需求到交付：AI工具在文创项目中的真实协作流程与代码实现

import anthropic
import json

client = anthropic.Anthropic()  # 默认读取 ANTHROPIC_API_KEY 环境变量

# ── 世界观种子：人工定义的核心设定，AI 不能改动这部分 ──
WORLD_SEED = {
    "name": "艾瑟兰",
    "core_conflict": "魔法与机械文明的百年冷战",
    "tone": "蒸汽朋克 + 克苏鲁恐怖",
    "forbidden": ["现代科技词汇", "地球地名"]  # 禁止出现的元素
}

def generate_lore_section(section_name: str, context: str) -> str:
    """
    生成单个世界观章节
    
    Args:
        section_name: 章节名称，如 "地理志" / "种族志"
        context: 已生成的前置内容，用于保持一致性（关键！）
    """
    prompt = f"""你是一位严谨的世界观构建者。

## 世界核心设定（不可违背）
{json.dumps(WORLD_SEED, ensure_ascii=False, indent=2)}

## 已有世界观内容（保持一致）
{context if context else "（首章，无前置内容）"}

## 当前任务
撰写「{section_name}」章节，要求：
1. 与核心设定完全一致
2. 不出现禁止元素：{WORLD_SEED['forbidden']}
3. 字数 800-1200 字
4. 末尾附「内部矛盾检查」：列出本章节与已有内容的潜在冲突点

只输出章节正文和矛盾检查，不要其他说明。"""

    message = client.messages.create(
        model="claude-opus-4-5",
        max_tokens=2048,        # 控制单次输出上限，避免超长漂移
        temperature=0.7,        # 0.7 在创意性和一致性间取平衡，世界观不建议超过 0.8
        messages=[{"role": "user", "content": prompt}]
    )
    return message.content[0].text

# ── 分段生成，每次把前文作为 context 传入 ──
sections = ["地理志", "种族志", "魔法体系", "历史年表"]
lore_doc = {}
accumulated_context = ""

for section in sections:
    print(f"正在生成：{section}...")
    content = generate_lore_section(section, accumulated_context)
    lore_doc[section] = content
    # 只取前 500 字作为 context，避免 token 爆炸
    accumulated_context += f"\n\n## {section}\n{content[:500]}..."

from dataclasses import dataclass
from typing import Optional

@dataclass
class CharacterPromptBuilder:
    """角色 Prompt 构建器——确保同一角色在不同场景下风格一致"""
    
    # ── 固定元素：每张图都必须有，保证角色识别度 ──
    character_name: str
    base_appearance: str        # 如 "silver hair, amber eyes, scar on left cheek"
    art_style: str              # 如 "concept art, detailed illustration, muted palette"
    
    # ── 可变元素：根据场景调整 ──
    scene: Optional[str] = None
    emotion: Optional[str] = None
    lighting: Optional[str] = None
    
    # ── 负面 Prompt：全局固定，避免常见问题 ──
    NEGATIVE_BASE = (
        "extra fingers, deformed hands, blurry, low quality, "
        "watermark, text, signature, multiple characters"
    )
    
    def build(self) -> dict:
        """
        返回可直接传给 SD API 的参数字典
        """
        positive_parts = [
            self.base_appearance,   # 角色固定特征放最前，权重最高
            self.art_style,
        ]
        
        if self.scene:
            positive_parts.append(self.scene)
        if self.emotion:
            positive_parts.append(f"expression: {self.emotion}")
        if self.lighting:
            positive_parts.append(f"{self.lighting} lighting")
            
        return {
            "prompt": ", ".join(positive_parts),
            "negative_prompt": self.NEGATIVE_BASE,
            "steps": 30,            # 30 步在质量和速度间平衡，概念图可降到 20
            "cfg_scale": 7.5,       # 7-8 是通用安全区，太高会过饱和
            "width": 768,
            "height": 1024,         # 竖版适合角色立绘
            "seed": -1              # -1 = 随机；固定 seed 用于复现特定结果
        }

# ── 使用示例 ──
kira = CharacterPromptBuilder(
    character_name="Kira",
    base_appearance="silver hair, amber eyes, scar on left cheek, leather armor",
    art_style="steampunk concept art, detailed illustration, muted earth tones"
)

# 生成不同场景的立绘，角色特征始终一致
battle_prompt = kira.build()
battle_prompt["prompt"]  # 追加战斗场景描述

portrait_prompt = kira.build()
portrait_prompt["seed"] = 42  # 固定 seed，用于官方头像的复现

from openai import OpenAI
import numpy as np

client = OpenAI()

def check_consistency(new_content: str, existing_docs: list[str]) -> list[dict]:
    """
    检查新内容与已有文档的语义冲突
    
    原理：把所有文档切成句子，用 embedding 找与新内容最相似的句子，
    再让 LLM 判断是否存在矛盾（而不是相似）
    """
    
    def get_embedding(text: str) -> list[float]:
        resp = client.embeddings.create(
            input=text,
            model="text-embedding-3-small"  # 小模型够用，成本低 10 倍
        )
        return resp.data[0].embedding
    
    def cosine_similarity(a, b) -> float:
        a, b = np.array(a), np.array(b)
        return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
    
    new_emb = get_embedding(new_content)
    conflicts = []
    
    for doc in existing_docs:
        # 按句切分，粒度更细
        sentences = [s.strip() for s in doc.split("。") if len(s.strip()) > 10]
        
        for sent in sentences:
            sim = cosine_similarity(new_emb, get_embedding(sent))
            
            # 相似度 > 0.75：内容相关，值得检查
            # 相似度 > 0.95：几乎相同，可能是重复
            if 0.75 < sim < 0.95:
                conflicts.append({
                    "existing": sent,
                    "similarity": round(sim, 3),
                    "flag": "需人工确认"
                })
    
    # 按相似度降序，优先看最可能冲突的
    return sorted(conflicts, key=lambda x: x["similarity"], reverse=True)[:10]