核心用法
zaomeng 是 ClawHub 生态中的小说人物技能包，采用「宿主 LLM 核心 + 结构化流程」的架构设计。用户上传小说文本后，系统通过 prepare_novel_excerpt.py 预处理片段，再由 build_prompt_payload.py 组装蒸馏（distill）或关系抽取（relation）的 prompt 载荷，最终交由宿主 LLM 生成结构化人物档案与关系图谱。
完成蒸馏后，用户可进入两种对话模式：
- Act 模式：用户扮演某一角色，与 AI 驱动的目标角色进行一对一互动
- Observe 模式：多角色群聊场景，用户作为观察者或导演控制话题走向
显著优点
1. 标准化流程： excerpt → payload → LLM 的三段式 pipeline，降低 prompt 工程门槛
2. 灵活的角色扮演：支持单聊/群聊切换，适配创作、游戏、教育等多场景
3. 可扩展的资产结构： prompts/ 和 references/ 目录便于自定义角色设定
4. 意图映射清晰：自然语言指令（如「让我扮演 X 和 Y 聊天」）可自动路由到对应模式
潜在局限
- 依赖宿主 LLM 质量：人物蒸馏深度、对话连贯性完全取决于底层模型能力
- 长文本处理限制：默认 80 句/12000 字符的 excerpt 窗口可能遗漏跨章节的人物弧光
- 无内置安全过滤：文档未提及内容审核机制，需用户自行管控生成内容
- 角色一致性：群聊场景下多角色风格区分依赖 LLM 的上下文遵循能力
适合人群
- 网文/剧本作者：快速提取角色特征、梳理人物关系网
- 游戏策划：构建 NPC 对话系统原型
- AI 角色扮演爱好者：沉浸式体验特定小说世界观
常规风险
- 版权风险：输入小说文本需确保合法授权
- 生成内容失控：LLM 可能产生偏离原作的 OOC（Out of Character）回应
- 隐私泄露：若处理含敏感信息的小说片段，需本地化处理流程