第13章　塑造 1,500 个词条时学到的事：实战的景象

有些事即使提前学过，也只有亲手做过才会理解。阅读九种分类、在脑中理解它，与面对一份 5,000 行的 CSV 文件、一行行决定分类，是完全不同的经验；能够解释世界观轴的正交性，与实际为 1,500 个词条贴上世界观轴、整理生态剧世界观“大树之背”时不断判断“这个词条属于大树还是兽心”，也是另一个层次的工作。

本章整理这些实战所得。它不是教授方法的讲义，更接近一位亲历者的回顾。

先说明数字。某个 IP 的首轮 Librarying 产生了 1,847 个词条；包含为别名指向代表词条而建立、尚未填入内容的 stub 文件在内，总文件约有 4,200 个。第二阶段 CSV 中，AI 工作伙伴提出的同义词候选有 83 件被人推翻；确认为 hub 的词条有 127 个；第四阶段写作产生的重新请求有 214 件。这些数字如何出现，就是本章要讲的内容。

实战教会的事

九种分类的边界比想象中模糊。 用语言说明时，边界似乎很清楚：“大树的步伐”是装置，“背守人”是人物，“鳞影下的村庄”是场所。但真正进行第一阶段抽取时，难以判断的情况比预料多得多。“陷入兽心的兽心者”是人物、装置，还是场面调度？“约定”是概念还是价值？“约定之歌”是物件还是场面调度？这样的疑问在抽取过程中会出现数十次。

起初这种模糊令人不安，担心分类的一致性会被破坏。几次实战之后我才明白，对模糊词条犹豫太久反而更浪费。先临时决定一边、继续往下即可，因为第二阶段仍会由人再次检查，修正错误分类。1,847 个词条中，第二阶段修改分类的只有 62 件，约为 3.4%。若在第一阶段坚持完美分类，也许修正会更少，但追求“完美分类”耗费的时间会大得多。实战让人真正理解第一阶段为什么把合格线设为 60%。

世界观轴会一直调整到最后。 世界观轴在第一阶段开始前的 profiling 中设定。某 IP 从“大树、背守人、兽心、村庄、关系、一般”六轴开始；随着抽取推进，越来越多词条无法干净地归入任何一轴。“在山谷河中取水”属于背守人还是村庄？“老兽心者的家庭”属于兽心还是关系？“约定之歌”又属于背守人还是兽心？

解决办法是新建一个轴，或扩大既有轴的定义。实战教会我，尽量扩大定义通常比增加新轴更好，因为轴越多，每个词条要放在哪一轴越难判断。比如把兽心轴的定义扩大为“与大树内心直接相关的全部词条”，老兽心者的家庭就能自然放进兽心轴。那一轮最终在六轴外加入“约定/节气”轴，成为七轴。若一开始就以七轴出发，分类会更一致，因此 profiling 多花一些时间是值得的。

第二阶段最耗时的工作是决定同义词组。AI 工作伙伴能很快给出候选，但逐项核查“这两个真的相同吗”比预期困难。运营超过五年的 IP 经常会出现随时期改变含义的词条：同样的名字，在第一版和第三版指的对象不同。例如“兽心”在第一版可能指大树的内心本身，在第三版却指感受那颗心的人的能力。应该合为一个词条还是拆成两个，只有深知 IP 历史的人才能判断。某 IP 中人推翻的 83 个 AI 同义词候选，有 41 个正是这种按时期发生意义变化的案例。

这并非 Librarying 独有的问题。被遗忘国度的魔法女神 Mystra 在第一版是一位人物，经历世界的大变动后，另一位人物继承了相同的神格称号；被遗忘国度 Wiki 将两位 Mystra 建为独立页面，并以重定向连接。Marvel Comics 中多个世代继承同一称号的角色也面对同样问题。长期运营的 IP 里，写法与意义无法整齐地一一对应，是很常见的事。

直接写 hub 决定后续整体。 第9章已说明先直接写代表 hub 的重要性，真正做过后会更深切地感到这一点。某 IP 的首轮直接写了 12 个 hub，其中 3 个最后必须重写。最初三个没有抓住句子的调性，写成了百科全书般的文体；写到第五个时才觉得“不对”，于是回头修改之前的内容。

最初错误写成的“最后”词条首句是：“最后是指大树停止行走并躺下之日的词条。此日会在野兽老衰达到极限时来临，并影响村庄生活的各个方面。”这是解释概念的百科式文体，完全没有呈现这个 IP 中“最后”如何被人物经验。修改后的首句是：“最后是在所有人都以为永恒的世界里，只有一个人预先抱着活下去的日子。村庄不知道那一天时，兽心者独自承担它的重量。”它首先说明这个词条在世界中意味着什么，让读者在一个条目中也能感觉到 IP 的温度；这才是这个 IP 的叙述声音。

比较全部 12 个 hub 完成后再开始委派，与只完成前三个就开始委派，结果非常清楚：前者重新请求率为 11.7%，后者试行后升到 31.2%。直接写 hub 的质量会左右委派叙述的质量，数字也证明了这一点。为 hub 直接写作投入足够时间，最终会缩短第四阶段整体的写作时间。

没有 profiling，第二阶段会长一倍。 我曾跳过 profiling，直接从第一阶段抽取开始。拿到结果后仍不清楚世界观轴该怎么设，硬进入第二阶段，只能即兴决定每个词条的轴。于是第 1,000 个词条的判断与第 1 个发生矛盾，最终不得不重新设计世界观轴，批量重分类全部词条。30 到 60 分钟的 profiling 能避免数小时返工；越想快点开始，越容易跳过 profiling，但初次处理 IP 或初次做 Librarying 时绝不能省略。

工时是预估的 1.3 到 1.5 倍。 第3章为一个周期预留 9 到 16 小时，而某 IP 的首轮实际花了 21.5 小时，约为预估的 1.4 倍。profiling 多花一小时，同义词组决策多花两小时，重写前三个 hub 又多花一小时。第二个 IP 周期为 14 小时，约为预估的 1.05 倍；第三轮以后稳定在 10 到 12 小时。事先知道首轮更耗时间，工作中便不会慌张。

图谱视图会发现意外问题。 最初我把 Obsidian Graph View 当作漂亮的可视化工具，实际上它也能做具体问题的检查。一个孤立节点引导我打开词条，发现详细说明中一个 [[链接]] 都没有，原来第二阶段 CSV 漏掉了相关关键词连接；没有图谱很难发现。它还揭示了意外的 hub 候选：将节点大小设置为引用次数比例后，一个未列入 hub 清单的词条显得特别大，检查后才发现它是多位人物详细说明中频繁出现的核心概念，只是 profiling 时忽略了它的比重。

比起固定数字，审核单位更重要。 起初我记住的是第四阶段每批 15 个、同时处理 3 个这样的数字。它们是好的起点，但经过几个周期后，重要的不是数字本身，而是一批是否能按同一标准审核。混合主角和核心装置的 15 个词条太重，20 个 leaf 物件却可以轻松通过。批次大小和并行数量不是固定常数，应按词条的重量与审核者的注意力调整。

自动化应以契约留下，而不只是代码。 骨架构建和链接注入似乎写好执行一次便结束，但若没有记下输入、输出和通过条件，下一周期很难信任并复用同一自动化。每项自动化都应写明角色、输入、输出、执行时点、验证标准和需要人判断的边界。有了这份契约，错误发生时不再先说“代码有问题”，而是先问“哪条通过条件坏了”，恢复时间会大幅缩短。

与预期不同的地方

AI 工作伙伴的第一阶段抽取准确度比预期高。原本以为分类错误会有 10 到 20%，实际只有 5 到 7%；人物、场所和物件几乎完全正确，容易混淆的是装置、概念、价值等抽象度高的分类，其错误率是具体分类的三到四倍。

委派叙述时，是否同时提供 hub 叙述范例，重新请求频率的差别也远超预期。没有范例时重新请求率为 31%，提供范例时为 12%，几乎相差三倍。直接写 hub 的质量会如此直接地影响委派叙述质量，令人惊讶。Vault 图谱视图的实用性也超过期待：除了发现孤立节点，按世界观轴着色后，哪个轴在充当枢纽一目了然；我第一次通过图表确认大树轴的 hub 比其他轴词条拥有更多连接。

关于回流，最出乎意料的是它不会无止境地持续。最初我以为每次写短篇都会产生无尽的新词汇，让 Vault 一直膨胀；但词条达到数千规模后，回流自然放缓，Vault 在某一规模附近自行收束。

每个世界观似乎都有适合自己的词条规模。有的世界在几百个词条时就足够充实，有的则要到数千个才形成自己的样子。这个数量无法事先用数字规定；运营中会感觉有些 IP “这个世界已经足够饱满，很难继续增加”，有些则仍显空缺、还有扩展余地。回流活跃说明世界仍在成长，回流放缓说明世界找到了自己的规模。

如果重来一次会做得不同的事

第一，我会在 profiling 上投入更多时间。原来预算是 30 到 60 分钟，但对于第一次处理的 IP，花 1 到 2 小时更好。可以先做出几种世界观轴草案，依次套用到 50 个词条样本，选择最稳定一致的方案；这项投入会让整个第二阶段更快。

第二，第一阶段抽取时不再试图把分类分得过于细致。若想在第一阶段就确定“这个词条到底是物件还是装置”，工作会拖长；抱着第二阶段再决定的心态，让第一阶段轻快通过即可。

第三，我会把 hub 确认提前到第二阶段整合之后。最初是在第三阶段骨架构建后才确定，但自动计数结果在第二阶段 CSV 已可确认。越早确认 hub，第三和第四阶段的优先顺序越清晰。

第四，我会充分写好故事摘要。故事摘要是第四阶段向 AI 提供的 IP 脉络输入。首轮把它压缩到原文的十分之一，AI 没能充分理解 IP 脉络；第二轮扩展到五分之一后，重新请求数量明显减少。花心力写故事摘要，最终会节省第四阶段整体时间。

第五，我会果断将 P2 问题留给下一周期。首轮时连 P2 都想立即解决，handoff 一再延迟。P2 是“不妨碍 Vault 使用”等级，放到下一次增量更新处理完全足够。

实战给出的最重要教训

Librarying 不是一次制作完美 Vault 的工作，而是持续更新已经跨过合格线的 Vault 的运营。第一周期想把所有事做得完美的欲望，反而会让工作本身停止。

完成某 IP 的首轮 Vault 后，我才真正感觉到这不是结束而是开始。47 个 P2 问题在等待下一周期，83 个 leaf 词条还没有写出叙述；即便如此，这个 Vault 已跨过合格线，准备好 handoff。现在短篇写作可以开始，随着每次回流进入，Vault 会继续成长。

从 60% 开始，不停地把它补全，这就是 Librarying 的运营哲学。

第14章是最后一章。它会整理到目前为止最想传达的核心，以及读完本文之后适合走向何处。

---

© 2026 MEJE WORKS Corp. & 김동은WhtDrgon. All rights reserved.