利用 AI 检查小说人物连贯性
对于长篇小说，应将 AI 作为针对一份精简、注明日期的角色参考资料的“矛盾排查工具”，而非设定权威。保持单一的事实来源（Single Source of Truth），记录事实及其有效范围与依据，并要求模型仅将特定的草稿段落与相关的词条进行比对。在修改手稿之前，请仔细核查每一处标记。这一工作流程有助于你在捕捉连贯性错误的同时，保留刻意的变化、不可靠叙述以及悬而未决的伏笔。
为什么人物参考资料不能只是一张特征清单
像“玛拉行事谨慎、是个左撇子、喜欢收集明信片”这样扁平的清单，混杂了不同性质的信息。“左撇子”可能是一个恒定的事实；“谨慎”则是一种主观解读，会随情境而改变；而她收集明信片的习惯可能会在故事发展中发生变化。如果清单没有注明每项陈述的适用时间与场景，AI 检查工具可能会将有意义的人物弧光误判为错误——或者漏掉真正的前后矛盾。
围绕可验证的事实陈述来构建参考资料。针对每一项陈述，记录下所涉及的角色、具体陈述内容、其时间或场景范围以及出处。添加一个状态标签，例如“已确认”、“计划中”、“存疑”或“已废弃”。将故事中的客观事实与角色的主观信念、言辞、记忆或向他人讲述的内容区分开来。这些类别不可混为一谈。
保持词条的原子化（Atomic）：每行仅包含一项陈述。“玛拉今年 32 岁、左撇子、谨慎，拥有一辆蓝色自行车”这样的复合描述很难进行安全检查或更新。将各项陈述拆分意味着，修改她的年龄不会意外覆盖她的用手习惯或某项悬而未决的物品归属细节。
检查新场景的实用工作流程
1. 锁定草稿段落并提取相关设定。
在请求检查之前，确定你要检查的是手稿的哪一个版本。提取与该段落相关的人物词条：场景中涉及的身体特征细节、当前拥有的物品、人际关系、已知信息、地点和时间线。仅在该场景依赖较早事实时才包含这些事实。不要将整本小说作为未加工的提示词一股脑输入，并理所当然地认为模型能注意到每一项约束条件。
这种谨慎是有研究依据的，但也需要注意其局限性。Liu 等人在 2023 年发表的论文[《迷失在中间：语言模型如何使用长上下文》（Lost in the Middle: How Language Models Use Long Contexts）](https://arxiv.org/abs/2307.03172)中指出，实验表明当相关信息出现在长输入的中间位置时，受测模型对其使用的可靠性往往不如出现在开头或结尾附近。该发现并非针对小说连贯性的直接测试，也无法说明任何特定的现有模型表现如何。但它支持了一个低调而实用的选择：在靠近问题的位置提取并重申相关事实，而不是单纯依赖庞大的上下文。
2. 要求比对，而非泛泛的校对。
将场景摘录和相关设定词条提供给模型。要求它仅识别直接冲突，引用双方的准确原文，并解释该差异是否可能是刻意的变化、角色内部观念或时间差异所致。当它无法指出具体依据时，要求其回答“未发现冲突”。一个实用的提示词示例如下：
“请将以下摘录与下方的设定词条进行比对。返回一个包含以下内容的表格：设定陈述与出处、摘录原文措辞、冲突类型、置信度以及给作者的疑问。仅标记在相同时间和视角下无法共存的陈述。将直接矛盾与模糊表达、潜在的人物发展区分开来。不要重写场景或捏造缺失的事实。如果证据不足，请注明‘不确定’。”
这只是一种建议的编校步骤，并不保证模型一定会准确遵循这些指令。OpenAI 的[提示工程指南](https://developers.openai.com/api/docs/guides/prompt-engineering)建议清晰明确地指定任务并组织输入内容；该文档提供的是提示词编写指引，而非对输出完整性或正确性的保证。请将比对结果视为有待对照手稿核实的一组线索。
3. 修改前对标记进行分流鉴别。
针对每一个标记，核对引用的场景并进行分类。实用的四分法决策如下：
在没有检查上下文场景的情况下，切勿直接采纳 AI 生成的修改方案。改变某个事实的建议可能会引入新的矛盾——例如，在某个场景中更改道具细节可能会破坏其他地方的时间线。一旦确定了修改方案，请同时更新手稿和参考资料，然后重新检查受影响的后续场景。
实战案例：笔记本变色了
假设已确认的设定资料中记录：“玛拉在第 2 章至第 12 章中随身携带一本靛蓝色口袋笔记本。”在第 13 章的草稿中，她从包里拿出一本绿色笔记本，阅读上周写下的日记。检查工具应该引用这两处段落，并询问这是同一本笔记本、替换品，还是另一个角色观察时产生的刻意认知差。它不应该仅仅因为出现了两种颜色就直接判定为矛盾。
作者翻查手稿。如果第 12 章描写了玛拉为靛蓝色笔记本买了一个绿色书套，那么这处表面差异就得到了解释，但第 13 章可能需要给读者一点微小的提示。如果没有更换书套的情节，而且早前的日记也不可能记在第二本笔记本上，那么草稿中可能确实存在前后矛盾的错误。作者可以将“绿色”改回“靛蓝色”，添加一段合乎逻辑的过渡场景，或者设定为该角色拿错了笔记本；每一种选择都会对临近的段落产生影响。
行之有效的检验标准是：这些陈述是否指向**同一时间点**、从**同一视角**观察到的**同一物体**。如果任何一部分尚未定论，就将其标记为疑问。模型可以指出这两句话，但唯有作者能决定故事中存在的究竟是哪一本笔记本，并且只有在做出决定后才去更新参考设定。
版本控制：让设定变更可追溯
解决标记后，在受影响的陈述旁记录编校决策：修改了什么、哪一章提供了支持，以及旧的参考内容是否已被取代。保留早期版本或注明日期的笔记，以便解释为什么其他场景可能仍包含之前的细节。然后在手稿中搜索该角色和相关细节——例如“笔记本”、“书套”、“靛蓝”或“绿色”——并在上下文中逐一核对。文本字面搜索可以发现 AI 遗漏的字句，尽管它无法判断每次出现是否在叙事上保持一致。
在修改后的摘录以及受该修改影响的所有场景上再次运行检查。切忌要求模型直接静默编辑设定表：务必先审核提议的更改，然后亲自修改或通过受控的文档版本管理来应用。如果你使用特定的项目工作区或文档软件功能，在依赖其具体的存储或检索行为之前，请先查阅其最新的官方说明；这种连贯性维护方法适用于纯文档，并不依赖于特定的平台。
局限性：AI 能做什么与不能做什么
模型可以比对你提供的文本、提出需要排查的位置，并协助排版生成一致性报告。但除非你解决了冲突，否则它无法从互相矛盾的草稿中判定你的真实创作意图。它可能会忽略细节、误读时间线、将潜台词误当成事实，或者给出一个看似合理但毫无根据的解释。长上下文研究是避免将“我把整本书都放进去了”作为每个相关句子都已被考量之证据的原因之一；但它并不意味着所有系统在处理长篇手稿时都会失效。
作者始终是设定、语气和立意的最终责任人。将 AI 输出作为审查追踪记录：每一个指出的矛盾都应有对应段落；每一个采纳的修改都应有明确的理由；未解决的事项应保持清晰的未决标记。对于长篇小说而言，这种严谨克制的习惯，远比寄希望于模型跨章节隐式记住角色事实要可靠得多。