行业都在拿大模型转 galgame，我们写了一台规则编译器

「小说转 galgame」这个方向，行业的默认答案是烧大模型。开源代表作 novel2galgame 用 669 本中文网文微调了一个 8B 模型，九个 agent 排成流水线，离线跑完一整条，产出一个全新的游戏工程。成绩单也是公开的：说话人归因准确率 86.7%，纯文本场景切分 F1 只有 30.5%。86.7% 听着体面，换算一下是大约每八句台词挂错一块名牌。

我们最近把「网页开演」挂到了站上：一本 txt 拖进浏览器，第一章直接以视觉小说的形态演出来，谁在说话，名牌自动归位。 整条链路零 AI 调用，没有模型、没有上传，页面加载完断网也能用。这篇讲它背后那台归因编译器是怎么工作的， 以及为什么在这个问题上，我们赌规则赢过概率。

编译器一共四步

拖入 txt 之后依次发生四件事：识别编码和章节边界；从文本里自举出角色名单；给每一句引语找说话人； 把归因产物装配成场景和台词序列。每一步都是确定性规则，同一本书拖十次，产物逐字节一致。这句话， 大模型方案永远说不出口。

角色名单从哪来

网页版没有角色卡、没有任何配置，编译器连书里有谁都不知道，名单必须从文本自举。做法克制到近乎固执： 只统计说话从句的主语位。秦朝说道：记秦朝一票，除此之外的词频、称谓、独立成段，统统不算数。 一个名字至少要这样出现两次才进名单，上限十六人。单次命中可能是巧合，长尾角色宁缺。

统计的每一步都埋着守卫。对秦朝说道里秦朝是听话的那个人，介词开头的主语段整个排除；搂了宝玉道里宝玉是被搂的，动词后面粘着「了」「着」的一律弃权；指宝玉道同理， 被指的人不说话。反过来，让林夏说里林夏确实在说：使役动词后面才是说话人。 白话小说还有一层剥离：贾母笑道的主语段是「贾母笑」，得把尾巴上的动作字剥掉才能还原真名。

拿《红楼梦》选回压这套统计：三回、两万字、243 处引语，认出 16 个角色，全是真名，零噪音； 「黛玉」和「林黛玉」自动合并成同一个人。频次前三是宝玉 36 次、红玉 22 次、黛玉 21 次。 统计若有错漏，报告页可以手动删改，名单一变，演出即时重排。

五条归因规则，命中即停

名单有了，第二步是给每句引语找主人。五条规则按固定顺序过堂，全部落空就弃权。

规则一，前置说话从句：名字加说话动词，直通引语。林夏说：“走吧。”是最标准的形态。 约束抠得很死：动词必须紧贴名字（至多隔两个字的副词位），动词到引号之间只允许标点。松一寸， 「说道歉」的「说」就会被当成说话动词。

规则二，主语承前省略，白话经典的常态：宝玉便走近黛玉身边坐下……因问：引导句以名字起头、 以说话动词收尾、拿冒号直通引语，而且段里只有这一个人起头，才敢把话归给宝玉。

规则三，后置从句：“今晚不回来了。”秦朝答道。引语在前，从句在后。这条规则里藏着全书最阴的一个坑：林夏说。“嗯。”句号收尾的「林夏说」是在给上一句收尾，后面那个「嗯」是另一个人的回应； 换成冒号才是给下一句报幕。一个标点决定归属，编译器为此专门写了句号裁决。英文书另配一条倒装形态：“…,” said Holmes coldly. 只认具名，said he 一律弃权。

规则四，动作前置的弱归因：他放下杯子。“走吧。”没有说话动词，人类读者却知道是谁说的。 规则只学了一小步：上一句以名字开头、含一小撮明确的肢体动作（放下、抬头、转身这类），并且整段只出现这一个角色， 才给一次低置信度的归因。动作词表宁短勿长。

规则五，交替推断：两人拌嘴进入节奏后，作者会停止标注说话人。四道门全过才敢推：头两句归属都有硬证据、 确实是两个不同的人、段内至多两个角色、引语至少三句。缺任何一道门，整段放弃。我们见过太多「第三人突然插话」 把交替推断带崩的段落。

弃权是地基

五条全落空，引语以旁白念出：原文一字不动，只是不挂名牌。这是整台编译器的地基，因为两种错误的伤害不对称。 漏归因，读者靠上下文自己判断，跟读纸书一个体验；错归因，A 的话安到 B 头上，读者当场出戏， 而且从此不信任何一块名牌。

这套取舍在真书上验过：从一本三百多万字的已出版都市文里人工标注 15 段对话密集的段落做金标，强归因零错认。 「对秦朝说道」的受话人陷阱，就是那轮标注从真书里抓出来的，不是测试用例想出来的。开发期踩过的五个具体的坑，《AI 怎么知道这句话是谁说的》单独记过一篇。

同一套规则在不同文体上的成绩差得很远，页面如实显示。《红楼梦》选回归因率 65%：151 句挂上名牌，80 句进旁白。 福尔摩斯只有 10%：华生的第一人称转述满篇 said I、said he，代词按规则一律弃权。10% 不好看， 但挂出来的每一块名牌都站得住。

零 AI 的副产品：快

没有模型调用，性能上限就只剩解析本身。我们造了一本 5MB 的合成书压测：258 章、174 万字、20898 处引语， 拖进浏览器到分析报告出现，264 毫秒，主线程零长任务；跳到第 200 章，106 毫秒落地。 编译是惰性的，看哪章编哪章，书再大，单章开销不变。

场景切分也顺便交代一句：我们不做纯文本的场景边界推断（那正是开源流水线 F1 只有 30.5% 的行业级难题）， 只认章节标题、插图位这类结构硬锚，认不出就按行数切并如实注明。绕开难题也是一种工程决定。

你可以现在就试

工具在 /labs/story-theater，内置《红楼梦》选回和福尔摩斯两本公版演示书， 你自己的书拖进来永远不上传。想要立绘、配景、演到分岔处让 AI 现场续写的完整形态， 去 Foreverse App 的剧场模式，两边是同一台编译器。

接下来要啃的是覆盖率：65% 意味着还有三分之一的台词坐在旁白席上。规则会继续加，每一条都得先过真书金标。 名牌可以少挂，不能挂错，这条底线不动。