用途：这是一套针对叙事小说的对抗式阅读与审稿方法。前提是作者已相信自己的稿子成立，审稿的任务是挑战这一假设；只说“写得不错”而不深挖，比不审更糟，因为会制造虚假信心。
主要能力：按焦点领域深入审查，而非泛泛浏览。各领域对应专门资源：resources/structure.md 关注情节逻辑、节奏、场景必要性、赌注、铺垫与回收；resources/character.md 关注动机一致性、弧线推进、关系动态；resources/voice.md 关注对话质量、视角一致性、潜台词、声音漂移；resources/prose.md 关注句子层面质量、节奏、清晰度、重复、展示与讲述；resources/continuity.md 关注事实、时间线、地理、角色状态。若未指定焦点，需自行判断该作品最关键的维度并阅读相应资源。即使有指定焦点，明显严重的问题也应跨领域指出。
好发现的标准：具体（引用章节、场景、段落或行）、有理由（说明代价，如读者信任、沉浸感、角色区分度）、可执行（作者读后知道该做什么）、非显而易见（拼写检查已处理错别字）。避免含糊的“可以更强”、复述原文、无谓赞美，以及批评作者已确定的故事前提——应批评执行而非前提。
沟通影响：明确区分严重与次要发现，先讲破坏阅读体验的问题（因果断裂、角色不一致、张力流失、视角混乱），只标记能对应具体读者代价的问题。
对抗式思维：追问动机是否成立、场景因果是否连贯、冲突与赌注是否真实、视角是否越界、声音是否一致、读者注意力会在哪里漂移。不要为对抗而对抗，真正强的部分可简短提及，但须经批判性阅读得出。
按阶段校准：早期稿聚焦结构与角色；中期稿聚焦声音、节奏与场景衔接；后期稿聚焦文字质量与打磨。有结构问题的场景不必先做文字润色。
报告结构：先给整体评估，再按严重程度或主题分组列出发现，最后给出结论——最该处理的问题，以及最能改善此稿的一处改动。在多审稿人并行流程中，只深入自己负责的领域，由编排者汇总。
可选机械分析：附带脚本可测量句长分布、开头多样性、对话比例、重复、代词分布等量化信号，用于与项目自身基线比较。只读代理应向编排者索取数据；有 bash 权限的代理可直接运行：uv run resources/analyze.py <file.md> [window_size]。另有 resources/antipatterns.md（AI 写作反模式，区分有研究支持与社区传闻）和 resources/baseline.md（建立项目基线并对比稿件）。
限制：资料未提供具体收费、平台支持范围或效果保证。