第13章　塑造 1,500 個詞條時學到的事：實戰的風景

有些事即使事先學過，也只有親手做過才會理解。閱讀九種分類、在腦中理解它，與面對一份 5,000 列的 CSV 檔，一列列決定分類，是完全不同的經驗；能解釋世界觀軸的正交性，與實際為 1,500 個詞條貼上世界觀軸、整理生態劇世界觀「大樹之背」時不斷判斷「這是大樹還是獸心」，也是另一個層次的工作。

本章整理這些實戰所學。它不像教導方法的講義，更接近一位親歷者的回顧。

先說明數字。某個 IP 的首輪 Librarying 產生 1,847 個詞條；包含為了讓別名指向代表詞條、尚未填內容的 stub 檔案在內，總檔案約 4,200 個。第二階段 CSV 中，AI 工作夥伴提出的同義詞候選有 83 件被人推翻；確認為 hub 的詞條有 127 個；第四階段撰寫產生的重新請求有 214 件。這些數字如何出現，就是本章要說的事。

實戰所教會的事

九種分類的邊界比想像中模糊。 用語言說明時，邊界似乎明確：「大樹的步伐」是裝置、「背守人」是人物、「鱗影下的村莊」是場所。然而真正做第一階段抽取時，模稜兩可的案例比預期多得多。「陷入獸心的獸心者」是人物、裝置，還是場面調度？「約定」是概念還是價值？「約定之歌」是物件還是場面調度？這類問題在抽取過程中會出現數十次。

起初這種模糊令人不安，擔心分類一致性會瓦解。但幾次實戰後明白，對模糊詞條猶豫太久反而更浪費。先暫定一邊、繼續往下即可，因為第二階段仍會由人再次檢查、修正錯分。1,847 個詞條中，第二階段修正分類的只有 62 件，約 3.4%。若第一階段固執追求完美，也許修正更少，但為「完美分類」付出的時間大得多。實戰使人真正理解第一階段為何把合格線定在 60%。

世界觀軸會調整到最後。 世界觀軸在第一階段前的 profiling 先設計。某 IP 以「大樹、背守人、獸心、村莊、關係、一般」六軸開始；抽取越進行，越出現無法乾淨放入任何一軸的詞條。「在山谷河流取水」是背守人還是村莊？「老獸心者的家」是獸心還是關係？「約定之歌」又該歸哪裡？

解法是建立新軸，或擴大既有軸定義；實戰教會我的，是儘量擴大定義而非新增軸。軸越多，每個詞條要放哪裡越難判斷。例如把獸心軸擴大為「與大樹內心直接相關的一切詞條」，老獸心者的家便能自然歸入。該輪最後由六軸加上「約定／節氣」成為七軸。若一開始便以七軸出發，分類會更一致，因此 profiling 多花時間是值得的。

第二階段最耗時的是決定同義詞組。AI 工作夥伴能快速提出候選，但逐件檢查「兩者真的是同一個嗎」比想像中困難。營運超過五年的 IP 常有隨時期改變含義的詞條：名稱相同，但第一版和第三版指的對象不同。例如「獸心」在第一版可指大樹的內心本身，第三版卻指感受那顆心的人的能力；應合併為一個詞條還是分開，只有深知 IP 歷史的人能判斷。某 IP 中被人推翻的 83 個 AI 同義詞候選，41 個正是這種時期性意義變化。

這並非 Librarying 獨有。被遺忘國度的魔法女神 Mystra 在第一版是一位人物，世界經歷大變動後另一人繼承相同神格稱號；被遺忘國度 Wiki 將兩位 Mystra 設為獨立頁面並以重新導向連接。Marvel Comics 中世代繼承同一稱號的角色也面對相同問題。長期營運的 IP 裡，寫法與含義無法一對一對應是常態。

直接撰寫 hub 決定後續整體。 第9章已說明先直接寫代表 hub 的重要性，但實際做過才更切身。某 IP 首輪直接寫了 12 個 hub，其中 3 個最終必須重寫。最初三個沒有抓到文句調性，寫成百科全書口吻；寫到第五個才發覺不對，回頭修正。

最初錯寫的「最後」詞條首句是：「最後是指大樹停止步行並躺下之日的詞條。此日於野獸老衰抵達極限時來臨，影響村莊生活全般。」這是解說概念的百科式文體，完全沒有呈現這個 IP 裡「最後」如何被某個人物經驗。修正後變為：「最後是在所有人都以為永恆的世界裡，只有一人預先抱著活下去的日子。村莊不知那一天時，獸心者獨自承擔它的重量。」它先說明詞條在世界中意味什麼，讓讀者在一個條目也感到 IP 的溫度，這才是這個 IP 的敘述聲音。

比較完成全部 12 個 hub 後才開始委派，與只完成前三個就開始委派，結果差異明顯：前者重新請求率為 11.7%，後者試行後升至 31.2%。直接撰寫 hub 的品質會左右委派敘述品質，數字也證實了這點；投入充分時間寫 hub，最終會縮短第四階段總工時。

沒有 profiling，第二階段會花兩倍時間。 曾有一次跳過 profiling，直接從第一階段開始。拿到結果後仍不清楚世界觀軸怎麼設定，硬進第二階段便只好即興決定每個詞條的軸，結果第 1,000 個詞條的判斷與第 1 個矛盾。最後必須重新設計全部世界觀軸並將所有詞條重分。30 至 60 分鐘的 profiling 能避免數小時返工；越想快點開始，越容易跳過它，但初次處理 IP 或初次 Librarying 都不應省略。

工時是預估的 1.3 至 1.5 倍。 第3章估一輪為 9 至 16 小時，但某 IP 首輪實際花 21.5 小時，約為預估 1.4 倍。profiling 多一小時、同義詞組判斷多兩小時、重寫前三個 hub 多一小時。第二個 IP 輪次為 14 小時、約預估的 1.05 倍；第三輪以後穩定在 10 至 12 小時。事先知道首輪更耗時，工作中便不會慌張。

圖譜檢視會發現意外問題。 最初以為 Obsidian Graph View 只是好看的視覺化，實際上它是點檢工具。發現孤立節點後打開詞條，才看到詳細說明一個 [[連結]] 都沒有，原來第二階段 CSV 漏了相關關鍵字連接；沒有圖譜很難察覺。它也顯示了漏掉的 hub 候選：設定節點大小與引用數成比例後，一個未列入 hub 的詞條特別大，查驗後發現它是多人詳細說明裡頻繁出現的核心概念，只是 profiling 時漏看了比重。

比起固定數字，檢查單位更重要。 起初記得第四階段一批 15 個、同時三批等數字。它們是好起點，但真正重要的是一批能否用同一標準檢查。混合主角與核心裝置的 15 個太重，20 個 leaf 物件卻可輕鬆通過。批次大小與並行數不是常數，應隨詞條重量與檢查者注意力調整。

自動化必須作為契約留下，而非只有程式碼。 骨架建置與連結注入看似寫完執行即可，但若沒有記錄輸入、輸出、通過條件，下一輪難以相信並重用。每項自動化都要標明角色、輸入、輸出、執行時機、驗證基準與需要人判斷的邊界。有了這份契約，錯誤發生時不再先說「程式碼怪怪的」，而是問「哪個通過條件壞了」，復原時間大幅縮短。

與預期不同的地方

AI 工作夥伴的第一階段抽取準確度比預想高。我原本預計分類錯誤會有 10 至 20%，實際只有 5 至 7%；人物、場所、物件幾乎都正確，容易混淆的是裝置、概念、價值等抽象度高的類別，錯誤率是具體類別的三到四倍。

委派敘述時，有沒有連同 hub 敘述範例一併提供，重新請求頻率的差異也比預期大。沒有範例時重新請求率為 31%，有範例時為 12%，幾乎相差三倍；直接撰寫 hub 的品質會如此直接影響委派敘述品質，令人意外。Graph View 的實用性也超出期待：除了孤立節點，依世界觀軸著色後，哪一軸扮演樞紐一目了然，並首次以圖看見大樹軸的 hub 比其他軸詞條有更多連結。

對回流最意外的是，它不會無止境延續。原先以為每寫一篇短篇都會產生無限新詞彙，使 Vault 永遠膨脹；但詞條達數千規模後，回流自然變少，Vault 會在某個量級附近自行收束。

每個世界觀似乎都有適合自己的詞條量。有些世界數百個詞條便足夠充實，有些要數千個才具備面貌。這個量無法預先用數字決定，但營運時會感到有些 IP「已足夠填滿、難再增加」，有些則「仍有空缺、還能擴張」。回流活躍表示世界仍在成長；回流減緩表示世界找到了自己的量級。

若重來一次會做得不同的事

第一，我會投入更多時間做 profiling。原定 30 至 60 分鐘，但面對陌生 IP 時花 1 至 2 小時較好。先建立幾種世界觀軸草案，逐一套用到 50 個詞條樣本，選擇運作最一致的方案，這項投資會加快整個第二階段。

第二，第一階段抽取不會過度細分分類。若想在第一階段就判定每個詞條到底是物件還是裝置，時間會被拉長；以第二階段再決定的心態讓第一階段輕快通過即可。

第三，我會將 hub 確認提前到第二階段整合剛結束時。最初是在第三階段骨架建置後才決定，但自動計數結果在第二階段 CSV 已可確認；越早確定，第三與第四階段的優先順序越清楚。

第四，我會充分撰寫故事摘要。故事摘要是第四階段交給 AI 的 IP 脈絡輸入。首輪把它壓縮至原文十分之一，AI 無法充分掌握脈絡；第二輪擴大到五分之一後，重新請求明顯減少。花心力寫故事摘要，最終會省下第四階段整體時間。

第五，我會果斷把 P2 議題留到下一輪。首輪時連 P2 都想立刻解決，handoff 不斷延遲。P2 是「不妨礙使用 Vault」等級，大可在下一次增量更新處理。

實戰給出的最重要教訓

Librarying 不是一次做出完美 Vault 的工作，而是持續更新已跨越合格線 Vault 的營運。第一輪想把一切做到完美的欲望，反而會讓工作本身停下。

完成某 IP 首輪 Vault 後，我才真正體會到這不是終點而是開始。仍有 47 件 P2 議題等待下一輪，83 個 leaf 詞條尚未寫敘述，但 Vault 已跨過合格線，準備好 handoff。接下來短篇寫作開始，每當有回流進來，Vault 就會繼續成長。

從 60% 開始，不停地填滿它，這就是 Librarying 的營運哲學。

第14章是本文最後一章，將整理至今內容最想傳達的核心，以及讀完後可以走向何處。

---

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