企业官网建设流程全解析

不调模型、不花额度：shuohao-skills 如何让 1017 项自测断言 1 秒跑完

【免费下载链接】shuohao-skillsAI 短剧制作的 skill 集合：拆角色、排大纲、出场景与道具设定、写剧本、切分镜 | Agent skills for AI short-drama production — character bibles, adaptation outlines, art bibles, screenplays, storyboards. Runs in Claude Code & codex.项目地址: https://gitcode.com/gh_mirrors/sh/shuohao-skills

shuohao-skills是一个开源的 AI 短剧制作 skill 集合：拆角色、排大纲、出美术设定、写剧本、切分镜。它有一条硬核约定——每个 skill 都自带scripts/selftest.mjs，不调用模型、不消耗任何 API 额度，全部 1017 项断言 1 秒跑完。这篇文章拆解这套"零模型自测"方法论，你可以直接搬进自己的项目。

为什么 AI 项目需要"零模型自测"

AI skill 的产出分两半：

这套方法论的核心就一句话：创意留给模型，机械的部分全部交给断言锁死。模型写得再漂亮，只要时长算错了、质量门漏拦了，整条管线都是坏的——而这些"机械部分"恰好可以用传统断言 1 秒验证完。

下图是 shuohao-skills 的完整管线，5 个 skill 的确定性逻辑就是自测的全部覆盖对象：

一键运行自测：步骤与前置条件

前置条件极简：Node ≥ 18，零 npm 依赖，不需要 install（README.md 中明确：脚本只用标准库）。在仓库根目录执行一条命令，5 个 skill 的自测全部跑完：

for f in skills/*/scripts/selftest.mjs; do node "$f"; done

实际输出（真实运行结果）：

✓ 146 项自测全部通过 # novel-art ✓ 307 项自测全部通过 # novel-characters ✓ 220 项自测全部通过 # novel-outline ✓ 153 项自测全部通过 # novel-script ✓ 191 项自测全部通过 # novel-storyboard

每个selftest.mjs的开头注释都写着它的定位，比如 skills/novel-outline/scripts/selftest.mjs 的前三行：

自测：覆盖 novel-outline.mjs 里所有确定性逻辑。 不调用任何模型，不花额度，跑一次 < 1 秒。

断言基础设施只有两个小函数，assert/strict全部来自 Node 标准库：

function ok(cond, msg) { assert.ok(cond, msg); passed++; } function eq(actual, expected, msg) { assert.strictEqual(actual, expected, `${msg} — 期望 ${expected}，实际 ${actual}`); passed++; }

失败信息自带"期望值 / 实际值"，排错不用打开调试器。

断言夹具：自带样例同时当测试数据

examples/目录是双用途设计——给人看的是样例产出，给机器跑的是测试夹具。以 skills/novel-outline/examples/渡口-outline.json 为例：它把短篇故事《渡口》改编成 6 集 × 2 分钟的微型大纲，13 道质量门全部通过，既是质量基准，也是自测的唯一夹具。

更妙的是夹具本身也被断言："自带样例通过 full 校验""样例全部质量门通过"——防止样例在后续改动中悄悄退化。

跨 skill 的样例还串成了测试链：novel-storyboard 的自测 同时读取上游 4 个 skill 的examples/夹具（剧本、大纲、角色表、美术设定），对账门一旦断链立刻报错。改上游样例 = 自动波及下游自测，联动回归不用额外配置。

质量门逐门击穿：每道门都要"真的会拦"

这是整套方法论里最独特的部分。每个 skill 的确定性逻辑核心是若干"质量门"（如：主角组 ≤ 5 人、爽点间隔 ≤ 3 集、分镜 2–5 秒硬门）。如果只断言"好样例全部门通过"，那测的是假象——一道永远放行的门同样会让所有断言变绿。

所以自测的约定是（源码原注释）：

每一道门都要证明它真的会拦——不然就是永远为真的假测试

击穿用例只有三步：克隆夹具 → 故意破坏一个字段 → 断言门被触发，且报错点名到具体对象：

{ const o = clone(); o.episodes[0].hook = ' '; // 把第 1 集钩子抹成空白 ok(!gate(o, 'ep1-hook').ok, '第 1 集没钩子被拦'); } { const o = clone(); delete o.scenes[2].reusePlan; // 删掉一次性场景的规避方案 ok(!gate(o, 'once-scene').ok, '一次性场景缺规避方案被拦'); ok(gate(o, 'once-scene').detail.includes('芦苇'), '报错点名是哪个场景'); }

注意第二个断言：它不只检查"门拦住了"，还检查报错信息里带上了具体场景名。对使用者来说，"第 4 集缺悬念栏"比"校验失败"有价值十倍。

连"检测器本身"也不放过——反向验证正则要能抓到东西：

ok(!/<script\s+src=/.test(html), '不引外部脚本'); ok(/<script\s+src=/.test('<script src="x.js">'), '外部脚本检测正则有效');

只测"报告里没外部脚本"是不保险的：一个永远匹配不到的正则也能让断言变绿。

渲染层断言：连转义边界都测

报告是人看的，渲染错了人就会信。所以renderMarkdown/renderHtml的输出也是断言重灾区：

• 结构计数：KPI 带 6 张卡、分集卡 6 张、爽点时间轴 4 个节点、区块顺序正确
• 往返一致：报告内嵌的 JSON 解析后与原夹具逐字节一致，且能直接喂回validate
• 安全边界：往梗概里塞<img onerror=alert(1)>，断言被转义；再塞</script，断言内嵌数据块不被截断
• 界面切换：--lang en只翻译界面标签，数据（爽点类型、人名、门标签）原样保留；传fr要直接抛错，不静默回退

以 novel-storyboard 的报告 为例，断言甚至精确到"主分镜图钉 0.00 秒、子分镜图钉各自切点"的 H3 对齐句式逐字对账——这正是分镜投产前的关键一致性。

为什么可以不配 CI

README.md 里的原话：

没有配 CI——自测足够快（1 秒），本地跑一次比等 CI 更省事。

配套两条硬约定（仓库级规则，见 CLAUDE.md 与 README）：

1. 每个 skill必须有scripts/selftest.mjs，不调用模型、不花额度，覆盖全部确定性逻辑
2. 加新 skill 之前，先把全部自测跑一遍；改完脚本先跑自测

自测快到"比等 CI 还省事"，CI 反而成了累赘。这也是"零模型自测"的最大红利：测试成本趋近于零时，测试频率可以趋近于无穷。

四步复用这套方法论

想把"零模型自测"搬进自己的项目（尤其是含 LLM 的项目），照这四步走：

1. 切开"确定性逻辑"与"模型输出"——只有前者是自测对象，前者越纯，断言越好写
2. 自带样例当夹具——examples/一份两用，并断言"样例本身通过全部校验"，防止基准退化
3. 每条质量规则配一个击穿用例——克隆夹具、破坏一个字段、证明门会拦且报错点名对象
4. 守住秒级——零依赖、单文件、只用标准库；自测一旦慢到分钟级，说明你开始测"该交给模型的开放内容"了

1017 项断言、1 秒、0 额度——这套方法论证明：AI 项目的质量下限，可以完全用不花一分钱的测试锁住。

【免费下载链接】shuohao-skillsAI 短剧制作的 skill 集合：拆角色、排大纲、出场景与道具设定、写剧本、切分镜 | Agent skills for AI short-drama production — character bibles, adaptation outlines, art bibles, screenplays, storyboards. Runs in Claude Code & codex.项目地址: https://gitcode.com/gh_mirrors/sh/shuohao-skills