AI 审稿报告怎样才算有用：证据三件套标准

判断一份 AI 审稿报告有没有用，标准可以压缩成三句话：每条问题能被核对，每个分数能被复算，每条结论能变成一个具体的修改动作。第一条靠「证据三件套」纪律，第二条靠机检优先的评价引擎，第三条靠把报告与修订通道直连。三条缺一，报告就退化成一份读完即弃的观后感。

通用点评为什么没用

把剧本丢给通用大模型，得到的典型输出是：「节奏偏慢」「人物弧光不足」「建议加强冲突」。这类点评的问题不在于说错，而在于无法行动：

• 不可定位——「节奏慢」指哪几集、哪几场？改稿无从下手；
• 不可核对——判断依据是什么？模型自己也说不清，编剧无从反驳，也无从采信；
• 不可执行——「加强冲突」翻译成哪一行台词的哪个改法？没有答案。

更结构性的缺陷是维度错位：通用文学点评看「写得好不好」，短剧的生死线却是付费结构——卡点在不在位、钩子强不强、开环有没有偿还。审稿维度必须绑定付费结构，而不是通用文学标准。

标准一：每条问题给齐证据三件套

三件套是对每条问题（finding）的强制字段，缺一条就不允许出现在报告里：

1. 证据原文——可定位的引句，精确到集与场。防的是模型幻觉：引不出原文的问题不成立；
2. 依据数据——量化对照，例如「本集女主对白 2 行 / 全剧均值 14 行」。防的是印象流：让「人物失声」从形容词变成一条可复核的数字；
3. 示范改法——句级示范，直接写出这句话可以怎么改。防的是「知道有病，不知道怎么治」。

三件套的本质是把举证责任压给 AI：报告的每一行都自带可证伪性。编剧核对证据原文后发现不成立，可以直接驳回这条问题——驳回本身也是有效信息，会进入下一轮评价的校准。

标准二：评分确定可复算

评分可信的前提是可复算——同一稿重跑分数不变；分数变了，能指出是哪几条问题的增减导致。做法是机检优先：五个维度中三个走纯机检，零模型调用，天然确定；两个走模型，但强制携带逐集证据块。

扣分规则是明文常量：高、中、低严重度分别扣 15、8、3 分；单维设 20 分地板；同类型问题从第 4 条起半衰，避免一类病刷爆一个维度；总分是激活维度的等权平均，85 与 70 分是色带分界。规则公开的意义在于：分数争议可以对账，逐条问题加起来就是那个数，而不是「模型觉得」。

标准三：结论能变成动作

报告的终点不该是一份 PDF。每条问题携带锚点——维度、集号、字段、引句——点击即进入修订：AI 按示范改法生成行内 del/ins 修订预览，编剧逐条采纳或驳回。这里有一条不可破的红线：AI 永不静默直改——一切修改先出预览，人审采纳才落库，未点名的内容逐字不动。改完增量重审，分数变化与已解决的问题划线可见，「评价 → 修改 → 复评」的闭环由此成立。

有用的报告还必须诚实于覆盖范围：只评已写的集，后程只是计划层就明确标注「评的是已写集，后程仅计划层」——不拿未写的内容凑分，也不给未写的集下诊断。

标准本身也要被校验

最后一层：审稿标准自己也需要证据。这套体系以 13 份稿件、9 个题材做人工-AI 成对对照校验，并用经主编四轮迭代的生产级人工剧本作为黄金标准反向验证——AI 给高分的，人也认可；人挑出的问题，AI 能复现。工程口径上，整本剧本首链审稿约 9 分钟，增量重审约 70 秒，单集定点修订约 16 秒（生产环境真实链路实测，2026）。速度不是标准的一部分，但它决定这套标准会不会真的被每天使用。