写角色卡这门手艺，我们把家底放上 GitHub 了

今天我们把 foreverse-app/character-card-skills 推上了 GitHub：我们写角色卡用的整套东西——两个 agent skill、47 份分类指南、15 张原创卡，还有把它们拦在门口的那个检测器。代码 MIT，卡和文档 CC BY 4.0。

下面说清楚三件事：箱子里有什么，为什么白送，以及它在哪里还会失手。

仓库里装了什么？

主件是 character-card-author，一个走 SKILL.md 开放标准的写卡 skill——Claude Code、Cursor、Codex、Gemini CLI 都认这个格式。它带着 agent 从选型走到成卡：四个定位轴，47 份分类指南（从年上禁欲到规则怪谈，每份带专属评分表和该 分类的 AI 味陷阱），五种开场白范式，九种活人感写法，世界书搭法，最后是一套对句式下硬配 额的文体纪律——配额的来源不是我们的审美，是真实读者点名骂过的句子。

旁边是 chat-quality-doctor：处理「聊完总觉得哪里不对」的分诊 skill。回复越写越长、角色越聊越崩、模型抢答你的台词——症状对到病因，病因对到只动该动 的那一层，附 8 个模型家族的 RP 症状档案。

15 张卡不是凑数的演示品。每张都过了八维评分闸和 AI 味检测才进仓；每张给三种形态： card.md 源文件、chara_card_v2 JSON、嵌好卡的 v3 PNG——PNG 拖进酒馆就能开聊。12 张中文，3 张英文，英文那三张就是英文版 skill 自己写出来的，算是它的使用证明。转卡脚本 零依赖，CI 把这一切在每次提交时重新查一遍。

为什么白送？

短答案：这套方法只有摆在明处才能保持诚实。上周我们公开了让 LLM 评委评「AI 味」的翻车全过程：评委之间 86% 意见一致，在人类共识锚点上的正确率 12%，方向整齐地反着——把机器打磨过 的文案夸成「细节扎实」，把百万真实对话喂出来的人类热门卡贬成「太俗套」。反偏提示只救回 一个模型家族，从 12% 到 83%，其余纹丝不动。

那次实验之后，我们把质检重建在读者可以核验的东西上：词表和句式配额按真实读者的判断校 准，真人抽检当真值，大模型只做同一份文案改前改后的相对比较。这些现在全在仓库里，gold 回归集也在。检测器要是校歪了，漏掉的样本和失灵的规则都是公开的——这比「相信我们的品 味」硬得多，而且不认识我们的人也能查。

还有个更朴素的原因。RP 社区被「披着开放外衣的闭源工具」烫过太多次；而 skill 生态开放半年冒出 28 万个 skill，写角色这件事上几乎是空的。这个空位，我们想用一个经得 起翻看的东西占上。

这些件怎么咬合？

我们自己的用法是一个环：agent 读 skill 写出 card.md，评分器和检测器把关，转卡脚本吐出 v2 JSON 和 v3 PNG，PNG 进你常用的前端。在酒馆里就是那个角色导入按钮；在 Foreverse 里这套 skill 是书架 agent 内置的——写完当场评分、画封面、一键入库，手机上完成全程。 应用内的闭环我们留着，方法论从今天起是大家的。

欢迎 clone、抄指南、在它误伤你的文字时来提 issue。最后这条不是客气话：读者点名的误 报，正是 gold 集长大的口粮。