使用 AI 檢查小說角色連貫性
在創作長篇小說時，應將 AI 視為輔助檢查精簡且註記日期的角色參考資料的「矛盾搜尋工具」，而非決定故事設定的權威。請保持單一事實來源，記錄各項事實及其適用範圍與文本依據，並讓模型僅針對相關條目比對特定的草稿段落。在修改手稿前務必親自審視每一處標記。這個工作流程能幫助您捕捉連貫性錯誤，同時保留刻意的角色轉變、不可靠敘事及尚未解答的懸念。
為什麼角色參考資料需要的不能只是一份特質清單
像「瑪拉性格謹慎、慣用左手，且收集明信片」這樣平鋪直敘的清單混雜了不同性質的資訊。「慣用左手」可能是固定不變的事實；「謹慎」是隨情境而異的主觀詮釋；而她收集明信片的嗜好可能會在故事進展中改變。如果清單未說明每項陳述適用的時間與方式，AI 檢查工具可能會將有意義的角色成長誤判為錯誤——或者反而漏掉真正的連貫性問題。
請圍繞著可驗證的陳述來建立參考資料。針對每一項陳述，記錄角色、陳述內容、時間或場景範圍，以及出處。並加上狀態標籤，例如：已確認、規劃中、不確定或已被取代。將故事中的客觀事實，與角色的信念、言論、記憶或告知他人的內容嚴格區分開來。這些類別彼此不可混為一談。
保持條目的原子化（atomic）：每一行只記錄一項陳述。「瑪拉現年 32 歲、慣用左手、性格謹慎，且擁有一輛藍色自行車」很難進行安全檢查或更新。將陳述拆分開來，意味著修改她的年齡時，不會意外覆蓋掉慣用手的設定或尚未解決的物品所有權細節。
檢查新場景的實用工作流程
1. 凍結草稿段落並擷取相關正史設定。
在請求檢查之前，先確定您正在檢查的是手稿的哪一個版本。擷取與該段落相關的角色條目：場景中涉及的外貌特徵、當前所有物、人際關係、已知資訊、位置及時間線。僅在該場景依賴先前事實時才納入較早期的資料。不要將整部小說當作未加整理的提示詞一次送出，並假設模型能察覺到每一個限制條件。
這項謹慎的做法有研究根據，但其侷限性同樣值得注意。Liu 等人在 2023 年發表的論文[《迷失在中間：語言模型如何使用長上下文》（Lost in the Middle: How Language Models Use Long Contexts）](https://arxiv.org/abs/2307.03172)指出，受測模型在相關資訊出現在長文本中間時，運用該資訊的可靠度往往低於出現在開頭或結尾時。該研究並非針對小說連貫性的直接測試，也無法論斷任何特定現行模型的行為。然而，它確實支持了一個務實的做法：擷取相關事實並在提問附近重新陳述，而不是單純依賴龐大的上下文。
2. 要求具體比對，而非籠統校對。
將場景節錄與相關的正史設定條目提供給模型。要求它僅指出直接衝突、引用雙方的確切文句，並解釋該出入是否可能是刻意的轉變、世界觀內的個人信念或時間差所致。若無法指出具體證據，則必須回答「未發現衝突」。一個實用的提示詞如下：
「請比對以下節錄內容與正史條目。請回傳包含下列欄位的表格：正史陳述與出處、節錄文句、衝突類型、置信度，以及給作者的疑問。僅標記相同時間與視角下不相容的陳述。將直接矛盾與模稜兩可或潛在的角色成長區分開來。請勿改寫場景或捏造缺失的事實。若證據不足，請標註『不確定』。」
這是一套建議的編輯流程，並不能保證模型一定會精確遵循指令。OpenAI 的[提示工程指南](https://developers.openai.com/api/docs/guides/prompt-engineering)建議明確具體地規範任務並組織輸入內容；該文件提供的是提示詞編寫指引，而非確保輸出絕對完整或正確的保證。請將比對結果視為待與手稿核對的線索清單。
3. 修改前先將標記分流處理。
針對每一個標記，檢視所引用的場景並進行分類。實用的四分類原則如下：
在未檢查周圍場景之前，切勿直接採納 AI 生成的修改建議。改變某個事實的建議可能會引入第二重矛盾——例如，在某個場景中更改道具細節可能會破壞其他地方的時間線。一旦決定如何修改，請同時更新手稿與參考資料，然後重新檢查後續受影響的場景。
實例演練：筆記本變色了
假設已確認的參考資料寫著：「在第 2 章至第 12 章中，瑪拉隨身帶著一本靛藍色的口袋筆記本。」在第 13 章的草稿中，她從包裡拿出一本綠色筆記本，閱讀上週寫下的內容。檢查工具應當引用這兩處段落，並詢問這是同一本筆記本、換了一本，還是其他角色觀察上的刻意落差。它不應僅僅因為出現了兩種顏色就判定為矛盾。
作者接著檢查手稿。如果第 12 章描寫了瑪拉為靛藍色筆記本買了個綠色封套，那麼表面上的差異就有了合理解釋，只是讀者可能在第 13 章需要一點微小的提示。如果沒有換封套的劇情，而舊筆記也不可能出現在第二本筆記本裡，那麼草稿中可能存在真正的連貫性錯誤。作者可以將「綠色」改回「靛藍色」、增加合理的內容交接場景，或者設定角色拿錯了筆記本；每一種選擇都會對鄰近的段落產生連鎖影響。
有效的檢驗標準在於：這些陳述是否指的是同一時間點、同一視角下的同一個物件。若有任何部分未明，請將其標記為疑問。模型可以指出這兩個句子，但唯有作者能決定故事中存在的是哪一本筆記本，並且只能在做出決定後更新參考資料。
版本控制：讓正史設定的變更有跡可循
解決標記後，請在受影響的陳述旁記錄這項編輯決定：改變了什麼、由哪一章提供依據，以及舊的參考資料是否已被取代。保留早期版本或註記日期的筆記，有助於解釋為什麼其他場景可能仍包含先前的細節。接著在手稿中搜尋該角色及相關細節——例如筆記本、封套、靛藍色或綠色——並結合上下文檢視每一次出現的情況。字面搜尋可以找出 AI 遺漏的字眼，儘管它無法判定每次使用在敘事上是否一致。
針對修改後的節錄以及受該變更影響的所有場景再次執行檢查。切忌讓模型默默修改正史設定表：請先審視建議的變更，然後親自或透過受控的文件修訂功能套用。如果您使用專案工作區或特定文件功能，在依賴任何特定的儲存或檢索機制之前，請先確認其最新的官方說明；這種連貫性檢查方法在一般文件中同樣適用，並不依賴於任何特定平台。
局限性：AI 能做到與做不到的事
模型可以比對您提供的文本、建議值得檢查之處，並協助格式化一致性報告。除非您親自解決衝突，否則它無法從相互矛盾的草稿中判定您預期的正史設定。它可能會忽略細節、誤讀時間線、將潛台詞誤認為事實，或是給出看似合理卻毫無根據的解釋。長上下文研究提醒我們，不要把「我把整本書都放進去了」當作模型已考慮到每一個相關句子的證明；但這並不代表所有系統在處理長篇手稿時都會失效。
作者始終是對正史設定、語調與意義負起責任的人。請將 AI 的輸出作為稽核軌跡：每一個提出的矛盾都應標註文本段落；每一個被採納的修改都應有明確的理由；尚未解決的事項則應保持清晰可見的待定狀態。對於長篇小說而言，這種謹慎嚴謹的自律，遠比指望模型跨章節默記角色設定更為可靠。