@waterwx/dsh-novel-forge 2.1.1 → 2.1.2

package/lib/index.js

@@ -3163,41 +3163,104 @@ function styleFormulaSystemPrompt(depth) {
 }
 //#endregion
 //#region src/ai-scan.ts
-/** 重灾区套话（高频出现即问题） */
-const HEAVY_CLICHES = [
-	"不禁",
-	"仿佛",
-	"一时间",
-	"不由得",
-	"顿时",
-	"然而",
-	"缓缓",
-	"轻轻",
-	"微微",
-	"默默",
-	"似乎",
-	"终于",
-	"显然",
-	"其实",
-	"无法形容",
-	"难以言喻",
-	"不由自主"
-];
-/** 轻微套话（偶尔出现可接受，高频才问题） */
-const LIGHT_CLICHES = [
-	"心中",
-	"脑海",
-	"眼神",
-	"嘴角",
-	"眉头",
-	"身影",
-	"气息",
-	"光芒",
-	"力量",
-	"感觉",
-	"知道",
-	"明白"
-];
+/**
+* 命中模式 -> 它在「已发布书稿语料」中被多少比例的章节命中过。
+*
+* ## 这张表是什么
+*
+* 它是**度量基线**，不是观点：覆盖率越高，说明该写法越接近作者/题材的常态表达，
+* 越不适合当作 AI 味证据。覆盖率 >= 50% 记权重 0（视为功能词），0% 记 1。
+*
+* ## 模式从哪来
+*
+* 并集共 **63 个** = 反 AI 规则里作者声明的 detectPatterns（42 个）+ 度量基线词表。
+* 实测「最后」(72.3%)、「然后」(70.1%) 的覆盖率比「微微」(48.2%) 还高 —— 它们是中文
+* 叙事的正常连接词，权重为 0；而「生活就是」「归根结底」「人总要学会」这类结构性升华句
+* 覆盖率是 **0.000**，才是真正的高价值信号。原先的实现根本没在看后者。
+*
+* ## 与规则的关系（刻意解耦）
+*
+* aiScore 是**独立标定的测量**：用户删掉一条规则，并不会让正文的 AI 味变少，
+* 所以度量不依赖规则的当前状态。规则命中另走 {@link AiScanResult.ruleHits}，
+* 按作者**生效的规则**逐条确定性统计。两者都注入审稿，但互不污染。
+*
+* 覆盖率为 0 的 17 个模式也显式列出，避免「表里没有 = 没在看」的误读。
+* 更换语料或题材后应重新统计。
+*/
+const PATTERN_COVERAGE = {
+	"知道": .784,
+	"最后": .723,
+	"然后": .701,
+	"微微": .482,
+	"轻轻": .481,
+	"感觉": .449,
+	"气息": .392,
+	"终于": .306,
+	"接着": .304,
+	"缓缓": .303,
+	"嘴角": .292,
+	"眼神": .174,
+	"明白": .167,
+	"眉头": .145,
+	"似乎": .144,
+	"身影": .142,
+	"力量": .127,
+	"光芒": .087,
+	"好像": .084,
+	"仿佛": .075,
+	"其实": .07,
+	"显然": .068,
+	"脑海": .05,
+	"这就是": .045,
+	"告诉你": .041,
+	"然而": .027,
+	"默默": .025,
+	"这说明": .02,
+	"一时间": .019,
+	"他感到": .011,
+	"这意味着": .011,
+	"心中": .01,
+	"脑海中": .008,
+	"不由自主": .007,
+	"顿时": .005,
+	"不禁": .005,
+	"说到底": .005,
+	"其实就是": .005,
+	"心里想": .005,
+	"他明白了": .003,
+	"无法形容": .002,
+	"他意识到": .002,
+	"她意识到": .002,
+	"她明白了": .002,
+	"宛如": .002,
+	"不由得": .001,
+	"她感到": 0,
+	"生活就是": 0,
+	"命运总会": 0,
+	"归根结底": 0,
+	"我们都应该": 0,
+	"人总要学会": 0,
+	"真正重要的是": 0,
+	"我们现在要": 0,
+	"接下来就": 0,
+	"首先": 0,
+	"心中暗道": 0,
+	"暗自思忖": 0,
+	"心中暗想": 0,
+	"心里暗道": 0,
+	"犹如": 0,
+	"好似": 0,
+	"难以言喻": 0
+};
+/** 覆盖率 -> 权重：覆盖率 >= 50% 记为功能词（权重 0），0% 记 1。 */
+function patternWeight(coverage) {
+	return Math.max(0, 1 - coverage / .5);
+}
+/**
+* 对话引号：ASCII 双引号 + 全角弯引号（中文书稿主流）+ 单弯引号 + 角括号。
+* 历史实现只认第一种与后两种，漏掉弯引号 —— 那正是 5/6 本书在用的。
+*/
+const DIALOGUE_PATTERN = /(?:"[^"]*"|\u201C[^\u201D]*\u201D|\u2018[^\u2019]*\u2019|\u300C[^\u300D]*\u300D|\u300E[^\u300F]*\u300F)/g;
 /** 解释性叙事开头模式 */
 const EXPOSITORY_STARTS = [
 	"原来",
@@ -3212,28 +3275,103 @@ const EXPOSITORY_STARTS = [
 	"事实上",
 	"实际上"
 ];
-function scanAiFlavor(text) {
-	const paragraphs = text.split(/\n{2,}/).map((p) => p.trim()).filter((p) => p.length > 0);
+/**
+* 分项满分与语料分位点的对应关系（重新标定时只改这里）。
+*
+* - clicheFullDensity 2.478 = 语料加权密度 p99（63 模式并集口径）；p50 为 0.61、p75 为 1.02
+* - cvTooUniform 0.45 低于语料 CV p5（0.55），即只把最整齐的 0.6% 判为问题
+* - repetitionZeroAt 0.37 = 语料句首重复率 p50；repetitionFullAt 0.63 = p99
+*   （中文「句首二字」天然高频，原来的固定阈值 0.15 几乎每章都命中、形同虚设）
+*/
+const SCORE_SPEC = {
+	clicheMax: 40,
+	clicheFullDensity: 2.478,
+	cvTooUniform: .45,
+	cvMax: 15,
+	expositoryMax: 20,
+	expositoryPerParagraph: 5,
+	repetitionMax: 15,
+	repetitionZeroAt: .37,
+	repetitionFullAt: .63,
+	lowDialogueThreshold: .05,
+	lowDialogueMax: 10,
+	densityFloorChars: 2e3,
+	/**
+	* 规则命中的区分度门槛：只报「对该作者而言不常见」的模式。
+	*
+	* 实测必要性：「句式重复率偏高」这条规则的 detectPatterns 是
+	* ['首先','然后','接着','最后']，而「最后」覆盖 72.3%、「然后」覆盖 70.1% 的已发布
+	* 章节 —— 不设门槛时它会在 **94.4%** 的章上命中，等于每章都告诉模型「你违反了这条
+	* 规则」，比不报还糟。该规则的本质是「比率偏高」，应由 sentenceRepetitionRate 度量。
+	*/
+	ruleHitCoverageMax: .1
+};
+/**
+* 按真实书稿的换行形态切自然段：单换行分隔，剔除 # 标题行。
+* @param text - 章节正文（可含标题行）。
+* @returns 自然段数组（已 trim、去空）。
+*/
+function paragraphsOf(text) {
+	return text.split(/\n+/).map((p) => p.trim()).filter((p) => p.length > 0 && !/^#{1,6}\s/.test(p));
+}
+/** 子串出现次数（不重叠）。 */
+function countOccurrences(text, word) {
+	if (word.length === 0) return 0;
+	let count = 0;
+	let at = text.indexOf(word);
+	while (at !== -1) {
+		count += 1;
+		at = text.indexOf(word, at + word.length);
+	}
+	return count;
+}
+/** 把 x 线性映射到 [0, 1] 并夹逼。 */
+function ratio(x, zeroAt, fullAt) {
+	if (fullAt === zeroAt) return 0;
+	return Math.max(0, Math.min(1, (x - zeroAt) / (fullAt - zeroAt)));
+}
+function scanAiFlavor(text, rules) {
+	const paragraphs = paragraphsOf(text);
 	const totalChars = text.length;
 	const clicheHits = [];
-	let clicheTotal = 0;
-	for (const word of [...HEAVY_CLICHES, ...LIGHT_CLICHES]) {
+	let weightedTotal = 0;
+	for (const word of Object.keys(PATTERN_COVERAGE)) {
 		const count = countOccurrences(text, word);
-		if (count > 0) {
-			clicheHits.push({
-				word,
+		if (count === 0) continue;
+		const weight = patternWeight(PATTERN_COVERAGE[word] ?? 0);
+		clicheHits.push({
+			word,
+			count,
+			weight
+		});
+		weightedTotal += count * weight;
+	}
+	clicheHits.sort((a, b) => b.count * b.weight - a.count * a.weight);
+	const ruleHits = [];
+	for (const rule of rules ?? []) {
+		const matches = [];
+		for (const pattern of rule.detectPatterns ?? []) {
+			const count = countOccurrences(text, pattern);
+			if (count === 0) continue;
+			if ((PATTERN_COVERAGE[pattern] ?? 0) >= SCORE_SPEC.ruleHitCoverageMax) continue;
+			matches.push({
+				pattern,
 				count
 			});
-			clicheTotal += count;
 		}
+		if (matches.length > 0) ruleHits.push({
+			name: rule.name,
+			severity: rule.severity,
+			matches
+		});
 	}
-	clicheHits.sort((a, b) => b.count - a.count);
 	const paraLengths = paragraphs.map((p) => p.length);
 	const avgLen = paraLengths.length > 0 ? paraLengths.reduce((a, b) => a + b, 0) / paraLengths.length : 0;
 	const variance = paraLengths.length > 0 ? paraLengths.reduce((sum, len) => sum + Math.pow(len - avgLen, 2), 0) / paraLengths.length : 0;
+	const cv = avgLen > 0 ? Math.sqrt(variance) / avgLen : 0;
 	let maxConsecutive = 0;
 	let currentConsecutive = 0;
-	for (const p of paragraphs) if (EXPOSITORY_STARTS.some((s) => p.startsWith(s)) || p.length > 150 && !p.includes("\"") && !p.includes("「") && !p.includes("『")) {
+	for (const p of paragraphs) if (EXPOSITORY_STARTS.some((s) => p.startsWith(s)) || p.length > 150 && !/["\u201C\u300C\u300E]/.test(p)) {
 		currentConsecutive++;
 		maxConsecutive = Math.max(maxConsecutive, currentConsecutive);
 	} else currentConsecutive = 0;
@@ -3247,48 +3385,50 @@ function scanAiFlavor(text) {
 	const sentenceRepetitionRate = sentences.length > 0 ? repeatedStarters / sentences.length : 0;
 	const longParagraphCount = paraLengths.filter((l) => l > 300).length;
 	const shortParagraphCount = paraLengths.filter((l) => l < 20).length;
-	const dialogueChars = (text.match(/["「『][^"」』]*["」』]/g) ?? []).join("").length;
+	const dialogueChars = (text.match(DIALOGUE_PATTERN) ?? []).join("").length;
 	const dialogueRatio = totalChars > 0 ? dialogueChars / totalChars : 0;
-	let aiScore = 0;
-	const clicheDensity = totalChars > 0 ? clicheTotal / totalChars * 1e3 : 0;
-	aiScore += Math.min(40, clicheDensity * 8);
-	if (variance < 2e3 && paraLengths.length >= 5) aiScore += 15;
-	aiScore += Math.min(20, maxConsecutive * 5);
-	aiScore += Math.min(15, sentenceRepetitionRate * 30);
-	if (dialogueRatio < .05 && totalChars > 1e3) aiScore += 10;
-	aiScore = Math.min(100, Math.round(aiScore));
+	const densityDenom = Math.max(totalChars, SCORE_SPEC.densityFloorChars);
+	const clicheDensity = weightedTotal / densityDenom * 1e3;
+	const scoreParts = {
+		cliche: Math.min(SCORE_SPEC.clicheMax, clicheDensity / SCORE_SPEC.clicheFullDensity * SCORE_SPEC.clicheMax),
+		uniformParagraphs: paragraphs.length >= 8 && cv < SCORE_SPEC.cvTooUniform ? SCORE_SPEC.cvMax : 0,
+		expository: Math.min(SCORE_SPEC.expositoryMax, maxConsecutive * SCORE_SPEC.expositoryPerParagraph),
+		repetition: SCORE_SPEC.repetitionMax * ratio(sentenceRepetitionRate, SCORE_SPEC.repetitionZeroAt, SCORE_SPEC.repetitionFullAt),
+		lowDialogue: dialogueRatio < SCORE_SPEC.lowDialogueThreshold && totalChars > 1e3 ? SCORE_SPEC.lowDialogueMax : 0
+	};
+	const aiScore = Math.min(100, Math.round(scoreParts.cliche + scoreParts.uniformParagraphs + scoreParts.expository + scoreParts.repetition + scoreParts.lowDialogue));
 	const issues = [];
-	if (clicheDensity > 3) {
-		const topCliches = clicheHits.slice(0, 5).map((h) => `${h.word}×${h.count}`).join("、");
-		issues.push(`套话密度偏高（每千字 ${clicheDensity.toFixed(1)} 次）：${topCliches}`);
-	}
-	if (maxConsecutive >= 3) issues.push(`连续 ${maxConsecutive} 段解释性叙事，缺少对话/动作`);
-	if (sentenceRepetitionRate > .15) issues.push(`句式重复率 ${(sentenceRepetitionRate * 100).toFixed(0)}%，开头句式单一`);
-	if (longParagraphCount > 3) issues.push(`${longParagraphCount} 段超过 300 字，段落过长`);
-	if (dialogueRatio < .05 && totalChars > 1e3) issues.push("对话占比过低，整章偏叙述");
-	const summary = issues.length > 0 ? `本地 AI 味扫描（AI 味指数 ${aiScore}/100）：\n` + issues.map((i) => `- ${i}`).join("\n") : `本地 AI 味扫描（AI 味指数 ${aiScore}/100）：未发现明显问题。`;
+	if (clicheDensity > 1) {
+		const top = clicheHits.filter((h) => h.weight > 0).slice(0, 5).map((h) => h.word + "x" + h.count).join("、");
+		issues.push("套话/模板句偏多（按语料稀有度加权 " + clicheDensity.toFixed(2) + "/千字，p50 为 0.61）：" + top);
+	}
+	if (scoreParts.uniformParagraphs > 0) issues.push("段落长度过于整齐（CV " + cv.toFixed(2) + " < " + SCORE_SPEC.cvTooUniform + "，已发布语料 p5 为 0.55）");
+	if (maxConsecutive >= 3) issues.push("连续 " + maxConsecutive + " 段解释性叙事，缺少对话/动作");
+	if (sentenceRepetitionRate > .5) issues.push("句式重复率 " + (sentenceRepetitionRate * 100).toFixed(0) + "%，开头句式单一");
+	if (longParagraphCount > 3) issues.push(longParagraphCount + " 段超过 300 字，段落过长");
+	if (scoreParts.lowDialogue > 0) issues.push("对话占比过低（" + (dialogueRatio * 100).toFixed(1) + "%），整章偏叙述");
+	if (ruleHits.length > 0) {
+		const brief = ruleHits.slice(0, 5).map((h) => h.name + "（" + h.matches.map((m) => m.pattern + "x" + m.count).join("、") + "）").join("；");
+		issues.push("确定性规则命中 " + ruleHits.length + " 条：" + brief);
+	}
+	const head = "本地 AI 味扫描（AI 味指数 " + aiScore + "/100，共 " + paragraphs.length + " 个自然段）";
+	const summary = issues.length > 0 ? head + "：\n" + issues.map((i) => "- " + i).join("\n") : head + "：未发现明显问题。";
 	return {
 		aiScore,
 		clicheHits,
+		paragraphCount: paragraphs.length,
 		paragraphLengthVariance: Math.round(variance),
+		paragraphLengthCv: Math.round(cv * 100) / 100,
 		consecutiveExpositoryParagraphs: maxConsecutive,
-		sentenceRepetitionRate: Math.round(sentenceRepetitionRate * 100) / 100,
+		sentenceRepetitionRate: Math.round(sentenceRepetitionRate * 1e3) / 1e3,
 		longParagraphCount,
 		shortParagraphCount,
 		dialogueRatio: Math.round(dialogueRatio * 100) / 100,
+		ruleHits,
+		scoreParts,
 		summary
 	};
 }
-function countOccurrences(text, word) {
-	if (word.length === 0) return 0;
-	let count = 0;
-	let idx = text.indexOf(word);
-	while (idx !== -1) {
-		count++;
-		idx = text.indexOf(word, idx + word.length);
-	}
-	return count;
-}
 //#endregion
 //#region src/llm-live.ts
 /** 帧缓冲上限（新连接重放用）。 */
@@ -6265,7 +6405,7 @@ function reviewSystemPrompt(project) {
 		"4. 文笔质量：语病、翻译腔、AI 套话（\"不禁\"\"仿佛\"\"一时间\"等高频词滥用）、流水账。",
 		"5. 节奏与爽点：本章是否有推进、有钩子，是否拖沓灌水。",
 		"6. 逻辑漏洞：前后矛盾、时间线错误、对话失真。",
-		"7. 反 AI 规则：逐条核对下方「反 AI 规则」清单——禁止类命中即列为问题，鼓励类只作低优先级建议、不阻塞通过。",
+		"7. 反 AI 规则：下方「本地 AI 味扫描」里已给出**本轮确定性命中的规则与次数**，直接以它为事实依据判级（禁止类命中即列为问题；鼓励类只作低优先级建议、不阻塞通过）。未列出的规则说明本章无确定性命中，不必逐条复述，也不要凭印象补报。",
 		"8. 呈现方式：整章是否纯内心推理铺陈（无对话/无对抗，推理全靠解说）；反派是否纯背景板无行动；重要配角是否无名标签化（瘦高个/灰衣人全程代称）——命中即列为问题。",
 		"9. 内容合规（最高优先级）：逐条核对下方「内容合规红线」，任何一条命中（含影射、暗示、详细描写）必须列为 high，并给出改写建议。",
 		"输出必须是合法 JSON 对象，不要输出任何其他文字：",
@@ -6302,7 +6442,7 @@ async function reviewChapter(ctx, config, project, outputDir, chapterNo) {
 	const body = readChapterFile(outputDir, chapter);
 	if (body === void 0) throw new NovelActionError("contract", `章节 ${chapterNo} 的正文文件不存在`);
 	const bodyText = stripChapterHeadings(body);
-	const aiScan = scanAiFlavor(bodyText);
+	const aiScan = scanAiFlavor(bodyText, effectiveAntiAiRules(project.assets));
 	const blocks = renderContextBlocks(buildChapterContext(project, chapter, outputDir, { stage: "review" }));
 	const crossChapter = [
 		blocks.continuityBlock,
@@ -6374,7 +6514,7 @@ async function reviewChapter(ctx, config, project, outputDir, chapterNo) {
 */
 async function reviewChapterText(ctx, config, project, text, previousReport) {
 	const bodyText = text.slice(0, 2e4);
-	const aiScan = scanAiFlavor(bodyText);
+	const aiScan = scanAiFlavor(bodyText, effectiveAntiAiRules(project.assets));
 	const user = [
 		`书名：《${project.bookName}》`,
 		previousReport !== void 0 ? "==================== 上一轮审稿意见（逐条核对是否已解决） ====================\n" + previousReport.issues.map((it, i) => `${i + 1}. [${it.severity}] ${it.item}${it.suggestion !== "" ? ` → ${it.suggestion}` : ""}`).join("\n") : "",

package/lib/types/ai-scan.d.ts

@@ -3,28 +3,88 @@
  *
  * 用途：生成/润色后自动扫描，结果作为「事实锚点」注入审稿提示词，
  * 让 LLM 做判断而非机械统计。也可用于 UI 展示 AI 味指标。
+ *
+ * ## 度量口径
+ *
+ * 下面五条口径全部用 **1279 章 / 6 本已发布书稿**实测标定过。前两条是**已修复的
+ * 真实缺陷**（不是调参偏好），后三条是把不可比的量纲换成可比的。
+ *
+ * 1. **段落**：书稿正文的自然段由**单换行**分隔（run.ts 写盘即如此），历史实现按
+ *    /\n{2,}/ 切 —— 在真实书稿上整章只切出 **2 段**（1279 章无一例外），于是段落方差、
+ *    过长段、连续解说段三项指标全部失效，其中「连续解说段 >= 3」永不成立。
+ *    现按 /\n+/ 切，并剔除 # 标题行。实测每章 p50 = 68 段，段落均长 p50 = 50 字。
+ * 2. **对话**：中文书稿主流用全角弯引号（语料 6 本里 **5 本**如此：番茄线上正文、
+ *    还债疯了、我养的废柴师妹、归墟玉主、保质期），历史实现的字符类只认 ASCII 双引号
+ *    与角括号，使这 5 本的对话占比**恒为 0**，并因此每章误加 10 分。
+ * 3. **段落整齐度**：用变异系数 CV = sigma / mean，不用方差 —— 方差的量纲是「字符平方」，
+ *    随段长平方缩放，段落均长 50 与均长 500 的章用同一个绝对阈值不可比。
+ *    语料 CV：p5 0.55 / p50 0.69 / p95 0.87。
+ * 4. **套话按稀有度加权**：历史实现把「重度 / 轻度」两档等同计分，而实测「知道」覆盖
+ *    78.4% 的已发布章节、「微微」48.2%，「难以言喻」0.0%、「不由得」0.1%。把前者与后者
+ *    等同，会让所有正常章节的基线虚高。现按相对语料的覆盖率给权重（见 PATTERN_COVERAGE）。
+ * 5. **短章不再爆炸**：密度分母取 max(字数, 2000) —— 历史实现里同样「1 次套话」，在
+ *    444 字的章值 18 分、在 3576 字的章值 2.2 分，同一现象 8 倍权重差。
+ *
+ * 分项满分与语料分位点的对应关系集中在 {@link SCORE_SPEC}，便于日后重新标定。
  */
 export interface AiScanResult {
     /** 总评分 0-100，越高越像 AI 写的 */
     aiScore: number;
-    /** 命中的套话及次数 */
+    /** 命中的套话及次数（weight 为该词按语料稀有度折算的权重，0 = 功能词） */
     clicheHits: Array<{
         word: string;
         count: number;
+        weight: number;
     }>;
-    /** 段落长度方差（过高=段落过于整齐） */
+    /** 判定用的自然段数（口径可自查：真实书稿每章数十段） */
+    paragraphCount: number;
+    /** 段落长度方差（保留原字段，注意其量纲随段长平方缩放，判定请用 cv） */
     paragraphLengthVariance: number;
-    /** 连续解释性叙事段数（≥3 视为问题） */
+    /** 段落长度变异系数 sigma / mean：与段长规模无关，整齐度判定用这个 */
+    paragraphLengthCv: number;
+    /** 连续解释性叙事段数（>=3 视为问题） */
     consecutiveExpositoryParagraphs: number;
     /** 句式重复率（相同开头句式占比） */
     sentenceRepetitionRate: number;
-    /** 过长段落数（>300字） */
+    /** 过长段落数（>300 字） */
     longParagraphCount: number;
-    /** 过短段落数（<20字） */
+    /** 过短段落数（<20 字） */
     shortParagraphCount: number;
     /** 对话占比（0-1） */
     dialogueRatio: number;
+    /** 作者生效规则里的确定性命中（按规则逐条统计；未传规则时为空） */
+    ruleHits: AiScanRuleHit[];
+    /** 各分项得分：便于自查「这章凭什么这么多分」，也是标定与单测的抓手 */
+    scoreParts: AiScanScoreParts;
     /** 问题摘要，可直接注入审稿提示词 */
     summary: string;
 }
-export declare function scanAiFlavor(text: string): AiScanResult;
+/** 评分分项（每项满分与语料分位点的对应见 SCORE_SPEC）。 */
+export interface AiScanScoreParts {
+    /** 套话/模式：满分对应语料加权密度 p99（2.478/千字，63 模式并集口径） */
+    cliche: number;
+    /** 段落过于整齐（CV 低于语料 p5） */
+    uniformParagraphs: number;
+    /** 连续解释性叙事 */
+    expository: number;
+    /** 句首重复率（零点取语料 p50 = 0.37，满分取 p99 = 0.63） */
+    repetition: number;
+    /** 对话占比过低 */
+    lowDialogue: number;
+}
+/** 扫描器需要的规则输入（结构类型，避免 ai-scan 反向依赖协议层）。 */
+export interface AiScanRuleInput {
+    name: string;
+    severity?: 'forbidden' | 'risk' | 'encourage';
+    detectPatterns?: readonly string[];
+}
+/** 一条规则在本章的确定性命中（只报命中的规则）。 */
+export interface AiScanRuleHit {
+    name: string;
+    severity?: 'forbidden' | 'risk' | 'encourage';
+    matches: Array<{
+        pattern: string;
+        count: number;
+    }>;
+}
+export declare function scanAiFlavor(text: string, rules?: readonly AiScanRuleInput[]): AiScanResult;

package/package.json

@@ -1,7 +1,7 @@
 {
   "name": "@waterwx/dsh-novel-forge",
   "description": "AI 编译纯文本小说工作台 for the dsh web GUI: import a novel outline (docx/text), plan volumes & chapters with LLM, generate chapter by chapter (3000-4000 chars each), auto AI review & book audit, and export the full book as Markdown/TXT into your chosen output folder.",
-  "version": "2.1.1",
+  "version": "2.1.2",
   "type": "module",
   "author": "waterwx",
   "repository": {