Skip to main content
Glama
獬豸(Xiezhi)小说投稿评审 MCP Server

獬豸(Xiezhi)小说投稿评审 MCP Server

by proteus-vue

獬豸 · 小说投稿评审 MCP(Xiezhi)

名字由来:獬豸(xiè zhì)是中国古代神话中的独角神兽,能辨是非曲直,见人相争便触其无理者。它象征"明辨、刚正、一票否决"——正是这套工具要做的事:三审辨优劣、红队挑硬伤、闸门定放行。技术标识仍保留 novel-review-mcp,便于检索与兼容。

给 AI 生成的小说做投稿前严格评审的 MCP Server:三审流水线 + 红队挑刺 + 头部对标 + 反漂移,并用分层拦截与增量机制避免"每次评审都把一卷重读一遍"。

目标平台:七猫、番茄、起点、晋江、美团(占位模板),未知平台自动回退通用档。

平台档案是公开投稿/签约资料的整理,时效性强,实际投稿以各平台官方最新公告为准。美团档案为占位模板,填入 focus/must_have/forbidden 后启用。

它解决什么

诉求

机制

多平台过稿

platforms.yaml 平台档案 + 黄金三章窗口(300/800/2000 字)+ 三审流程

后续不漂移

事实契约硬校验 + 摘要金字塔跨章检查 + 改动 ≥10 处自动复审

严格评审

合规定位(一票否决)→ 内容质量 → 批次终审,加独立红队与 8 维头部对标

评审不空跑

L1/L2 毫秒级前置短路 + 影响半径增量 + hash 缓存 + 并行限流

效率可核对

真实调用数/耗时/token 账本(timing / telemetry),估算字段保留兼容

评审员偏差

P2b 双评审(红队+对标)+ P2c 独立盲评,分歧升级人工、不自动放行

设计原则:形态/结构判据优先于枚举黑名单;可复现技术细节用结构识别;词表扫不出叙述声音与逻辑断链,这类必须进 L3 语义评审。

Related MCP server: vibelore

零基础接入:把这段话发给你的 AI

不用懂命令行。 只要你日常用的 AI 助手支持 MCP(能挂外部工具),把下面这段话原样复制给它,让它替你完成安装和配置。它熟悉命令行,你只需要验收结果。

两个前提(缺的话先跟 AI 说清楚): ① 你的 AI 助手支持 MCP 且能启动外部进程(stdio 方式); ② 有一个 OpenAI 兼容格式的大模型端点(地址和密钥)——没有也能装,但评审只会显示"未定",不会假装修好。

A. 一次性接入话术(复制发给 AI)

我想用一个叫「獬豸」的小说投稿评审工具,它是个 MCP Server。我不懂技术,这一步由你来做,做完告诉我结果:

1. 克隆仓库:git@github.com:proteus-vue/novel-review-mcp.git
   如果 SSH 连不上,改用 https://github.com/proteus-vue/novel-review-mcp.git
2. 存到一个你长期保留、路径里没有中文和空格的目录。
3. 用 Python 3.10+ 建虚拟环境,执行 pip install . 安装。
4. 把它挂成你的 MCP server:协议 stdio,command 用 python 的绝对路径,
   args 是 server.py 的绝对路径,cwd 设为 src 目录。
   如果你支持安装后的 xiezhi-review 命令,就直接用它,省掉 cwd。
5. 运行 python src/server.py --selfcheck,全部为 true 才算成功。
6. 我接下来会给你大模型的 API 地址、密钥、模型名,请把它们设成环境变量:
   NOVEL_REVIEW_LLM_URL / NOVEL_REVIEW_LLM_KEY / NOVEL_REVIEW_LLM_MODEL。
   注意:没配模型前它处于离线桩模式,输出"未定"是正常的,不会假装通过。

做完用一句话告诉我"可以用了",并把 server.py 的绝对路径记下来。以后我发章节给你,你直接用这个工具帮我评审。

把 API 信息发给它时,接着说:

这是我的模型信息:地址 ___ 、密钥 ___ 、模型名 ___ 。请设置好上面那三个环境变量,再跑一次 --selfcheck 确认。以后评审就走这个模型。

B. 日常最简话术(配好后,每次只要这一句)

我接下来发你几章正文,目标平台是【七猫/番茄/起点/晋江/美团,选一个】。
请用獬豸帮我评审:每章告诉我 verdict(放行/修改后发布/禁止发布)、分数、
否决原因和最该改的三点。评完把结论留着,我可能让你据此生成下一章写作约束。

C. 进阶闭环话术(想要"写稿不跑偏"时用)

在上面评审基础上,再帮我做三件事:
1. 用 extract_facts 从正文抽事实契约候选,列出来让我确认后再固化,
   别把没核对的数字当成已确认设定。
2. 用 next_chapter_brief 把评审结论转成下一章写作约束,
   以后你帮我写第 N+1 章时,必须遵守这些约束。
3. 发布前做一次独立复核:先用 blind_review_package 生成隔离包,
   另开一个看不到旧报告的干净会话评审,再用 blind_review 和 blind_compare
   对比,告诉我有没有判定翻转、分数差多少。
另外我改了某几章后,不要全卷重读:先跑 impact_plan 看影响半径,只重评受影响的章节。

给非技术用户的三点提醒

  • 没配模型 = 不会放行:桩模式下所有结论都是"未定",这是诚实设计,不是故障;配好 NOVEL_REVIEW_LLM_* 才会真正打分。

  • 报错不用看懂:任何红字、失败信息,原样复制发回给 AI,让它自己排查,基本不需要你动手。

  • 平台/路径细节交给 AI:目标平台写中文名即可(它会对应到 qimao/fanqie/qidian/jinjiang/meituan);Windows 注意让它用绝对路径。

安装

需要 Python 3.10+。代码里没有平台专属分支,路径全部走 pathlib,Windows / macOS / Linux 同一套源码。

git clone git@github.com:proteus-vue/novel-review-mcp.git
cd novel-review-mcp

创建虚拟环境:

# macOS / Linux
python3 -m venv .venv && source .venv/bin/activate

# Windows PowerShell
py -3 -m venv .venv && .\.venv\Scripts\Activate.ps1

# Windows CMD
py -3 -m venv .venv && .venv\Scripts\activate.bat

安装依赖:

pip install -r src/requirements.txt
# 或打包安装(推荐给非 Python 客户端)
pip install .

pip install . 后会生成 xiezhi-review 命令(Windows 为 xiezhi-review.exe),旧命令 novel-review-mcp 保留兼容。wheel 安装的配置文件位于 <venv>/xiezhi_review/,缓存默认写到 ~/.xiezhi_review/,可用 XIEZHI_CACHE_DIR / XIEZHI_CACHE_ROOT 覆盖。

多语言

调用侧不限语言:Server 走 MCP stdio(JSON-RPC),Node.js / Go / Rust / Java 等任何能启动子进程的客户端都能挂载;返回是纯 JSON,与客户端语言无关。

评审内容目前是中文网文规则:rules.yaml / prompts.md / platforms.yaml 面向七猫 / 番茄 / 起点 / 晋江。要评审英文等其它语种,不需要改代码——另备一套同名配置文件(保持 stage key 与 JSON schema 一致),指向它即可:

# macOS / Linux
export XIEZHI_CONFIG_DIR=/path/to/my-language-pack

# Windows PowerShell
$env:XIEZHI_CONFIG_DIR = "C:\path\to\my-language-pack"

该目录需包含 rules.yaml、platforms.yaml、benchmarks.yaml、prompts.md;配置整体切换,缓存也落在语言包目录。缺文件会明确报错,不会静默回退到中文规则。

接入 LLM(重要)

L3 语义评审必须由模型判断。未配置模型时 Server 使用离线桩,明确输出 stub_no_judgement / "未定",不会伪造通过率。

export NOVEL_REVIEW_LLM_URL="https://your-endpoint/v1/chat/completions"
export NOVEL_REVIEW_LLM_KEY="your-api-key"
export NOVEL_REVIEW_LLM_MODEL="your-model"

网关是 OpenAI Chat Completions 兼容格式;也可在代码里 llm.set_gateway(your_gateway) 注入自定义实现(任意带 async chat(prompt)->str 的对象)。鉴权与端点细节见 src/llm.py。

运行

cd src
python server.py --selfcheck   # 自检:规则加载/红线命中/短路/平台回退
python demo.py                 # 5 章虚构样例跑完整报告(桩模式)
python test_pipeline.py        # 关键路径验证(假网关,9 项)
python test_p2_telemetry.py    # P2a 真实调用/耗时/token 账本验证(12 项)
python test_p2c_blind.py       # P2c 盲评隔离/校验/回注/对照验证(14 项)
python test_p2b_dual.py        # P2b 双评审合并/分歧/一票否决验证(15 项)
python server.py               # stdio 模式,供写稿 Agent 挂载

在客户端配置 stdio MCP server 时,command 指向 python,args 为 [/绝对路径/src/server.py],cwd 设为 src/。Windows 下 command 用 python.exe 绝对路径,args 形如 ["C:\\...\\novel-review-mcp\\src\\server.py"];若已 pip install .,也可直接用 xiezhi-review 命令,无需 cwd。环境变量用 set(CMD)或 $env:NAME = "值"(PowerShell)设置。

MCP 工具(25 个)

工具

作用

check_redline

L1 形态红线 + L2 关键词打分,毫秒级;致命项直接禁止发布

review_chapter

单章三审:一审合规定位(硬拒短路)→二审质量→三审终审→红队→对标

review_batch

批次评审:影响半径增量 + 摘要金字塔反漂移 + 复审铁律

check_consistency

跨章一致性:事实契约硬校验 + 摘要层 LLM 冲突发现

check_self_consistency

单章内部自洽:时序倒退 / 数字互斥 / 称谓变体,零成本弱信号,只报 suspect + 原文证据

check_pacing

节奏检查:爽点/冲突/钩子密度 + 节奏荒漠检测,机器层为主、LLM 仅跨章探针

red_team

红队挑刺:逻辑漏洞/动机断裂/硬巧合/读者弃书点

benchmark

按结构密度 8 维对标头部,输出 gap

platform_fit

平台收稿偏好适配度评分

check_opening

黄金开篇:前 300 字主角/冲突/悬念 + 800 字金手指

check_chapter_end

章末钩子判定与强度

impact_plan

查看影响半径(零成本,不调 LLM)

extract_facts

P1 闭环:从正文抽硬数据生成候选事实契约(fact_check 兼容),含跨章同单位多值 suspect;零 LLM,候选需复核

foreshadow_register / foreshadow_close

伏笔台账登记(去重)/ 回收,持久化落盘

foreshadow_list / foreshadow_overdue

查看台账 / 超期未收提醒(无章序不臆断)

next_chapter_brief

评审回流:把上轮评审结论 + 未收伏笔 + 人设锚转成下一章写作约束块,含可直接喂写稿 Agent 的 prompt

cache_stats / cache_clear

缓存命中统计 / 清空

blind_review_package / blind_validate_judgements

P2c 盲评:生成隔离输入包 / 校验外部 judgements

blind_review / blind_compare

回注独立盲评跑完整流水线 / 事后对照分数、判定、否决差异

list_profiles

列出平台档案、规则版本、提示词维度

AI 写小说闭环(P1)

评审不该只是事后体检,而要在写下一章前变成护栏。推荐这样串:

写完 N 章 → review_batch(三审+红队+对标)→ 评审报告
         → extract_facts(N章) 得候选契约(人工/LLM 复核后固化)
         → foreshadow_register/close 维护伏笔台账
         → next_chapter_brief(报告, 契约, 人设) 得第 N+1 章约束块
         → 把约束块的 prompt 喂给写稿 Agent → 写完再评审(闭环)
  • extract_facts 用结构化 value_set(单位 + 允许数值集合),中文/阿拉伯数字通吃;同单位未必同量,所以一律标 suspect 候选,复核后才能当正式契约,不冒充确认结论。

  • next_chapter_brief 是评审结论的确定性转写,不新增判断;上轮是桩模式时会在 prompt 里明确标注,避免拿空判定当约束。

  • 伏笔台账落盘到缓存根(wheel 只读环境安全),XIEZHI_CACHE_DIR 可覆盖。

效率观测(P2a)

review_chapter / review_batch 的返回报告新增 timing 与 telemetry,把"评审快"从估算变成可核对的事实:

字段

含义

timing.wall_sec

本次调用真实墙钟耗时

timing.phases

批次各阶段墙钟:L1/L2、单章评审、摘要、跨章、聚合

telemetry.llm_calls / efficiency.llm_calls_actual

真实 LLM 调用次数,非估算

telemetry.llm_cumulative_sec / llm_queue_sec

模型累计耗时 / 限流排队耗时

telemetry.tokens

prompt / completion / total / available

telemetry.stages

按 stage 拆分的 calls / 耗时 / token

  • efficiency.llm_calls_estimate 保留旧字段兼容;对外结论以 llm_calls_actual 为准。

  • 并发限流下 llm_cumulative_sec 可能大于 wall_sec(多次调用并行),这不是错误;timing.phases 才是墙钟拆分。

  • 自定义网关只实现 async chat(prompt) 时仍可用,但没有 usage;此时 tokens.available=false,不会填 0 冒充真实消耗。OpenAI 兼容端点返回标准 usage 会自动入账。

  • 硬拒短路、缓存复用都会如实反映为更少的 llm_calls_actual;评分与闸门完全不受这些新字段影响。

双评审(P2b,默认关闭)

单评审员可能被上下文锚定。P2b 对红队 + 对标两路各跑一次评审再合并,其余阶段仍单评审以控制成本。默认关闭,需显式开启:

# src/rules.yaml
dual_review:
  enabled: true
  stages: [red_team, benchmark]
  disagreement_gap: 10

第二评审员默认复用主网关(同一模型换视角),报告会标 committee.independent=false——这不是独立投票。想要真正的独立判断,必须配第二后端:

export NOVEL_REVIEW_LLM2_URL="https://second-endpoint/v1/chat/completions"
export NOVEL_REVIEW_LLM2_KEY="your-api-key"
export NOVEL_REVIEW_LLM2_MODEL="your-second-model"
# 或在代码里 llm.set_secondary_gateway(your_gateway)

合并规则(见 overall.committee 与 strict_gate.disagreement_chapters):

规则

行为

一票否决

任一评审 blocking / reject / below 即成立,不可被多数票推翻

分数

取两路中位数,不算出虚假的"共识分"

分歧

判定语义冲突或归一百分制分差 ≥ disagreement_gap → disagreement=true

自动放行

有分歧时禁止自动放行,单章/批次都标"双评审分歧待人工复核"

成本

开启后红队+对标各多 1 次调用(单章 5→7),真实反映在 telemetry.llm_calls

  • 默认关闭时行为、判定口径、调用次数与旧版完全一致,升级无感。

  • 同模型双开只提供"多视角",不能替代不同模型的独立判断;要更彻底地解决锚定请配合 P2c 盲评。

盲评回归(P2c)

独立盲评解决的是"评审员被既有报告锚定":把判定交给外部评审员时,只给正文和提示词,不给任何旧分数、报告或人工结论。

推荐流程:

  1. blind_review_package(chapters, platform, persona?, facts?) → 得到只含正文 + 提示词的隔离包,先确认 isolation.safe=true。

  2. 把隔离包交给独立评审员 / 子代理,按 prompts.md 输出 judgements。

  3. blind_validate_judgements(chapters, judgements) → 先校验结构;valid=false 不跑引擎。

  4. blind_review(chapters, judgements, ...) → 回注完整三审流水线,附 blind.validation 与 blind.audit;运行前后清缓存并恢复网关,避免盲评结果污染普通评审。

  5. blind_compare(original_report, blind_report) → 输出分数差、判定翻转、否决增减;只呈现差异,不自动改写任何报告。

judgements 最小结构:

{
  "<chapter_id>": {
    "first_review": {"pass": true, "verdict": "pass", "redline_hits": [], "issues": []},
    "second_review": {"score": 85, "issues": []},
    "third_review": {"score": 86, "issues": []},
    "red_team": {"blocking": false, "attack_points": [], "verdict": "accept"},
    "benchmark": {"total": 8.5, "gaps": [], "verdict": "near"}
  },
  "summaries": {
    "<chapter_id>": {"chapter_id": "<chapter_id>", "actors": [], "actions": [], "conflicts": [],
      "payoffs": [], "hook": "", "new_foreshadow": [], "closed_foreshadow": [],
      "hard_data": {"time": "", "numbers": []}, "persona_state": ""}
  },
  "anti_drift": {"conflicts": [], "drift_signals": [], "pass": true}
}
  • second_review.score / third_review.score 必须是百分制 0–100。传 0–10 时校验只告警 score_scale_suspect,不自动换算。

  • 回注网关按正文片段定位章节;定位不到或有歧义会记入 blind.audit,绝不静默套用别的章。

  • 盲评不是"自动采信",而是"独立判断 + 事后对照"。冲突项必须回正文逐字核对;P2a 的 telemetry 在盲评报告中同样可用。

评分口径

second_review.score 与 third_review.score 参与加权,统一用百分制 0–100;与 rules.yaml 的 rubric.verdict(pass 80 / revise 70)和 strict_gate(单章 85 / 批次 90)同尺度。其余 stage 的 0–10 项为独立展示分,不参与聚合;benchmark.total 为 0–10 展示分,其 verdict 参与否决。详见 src/prompts.md 顶部说明。

配置

文件

作用

src/rules.yaml

红线/L2 打分/三审流水线/严格闸门/复审铁律/效率参数

src/platforms.yaml

平台档案(focus / must_have / forbidden / hard_window)

src/benchmarks.yaml

8 维头部对标基线与阈值

src/prompts.md

L3 各阶段提示词模板,按 ## key 拆分,输出严格 JSON

缓存 key 含规则版本;升级规则或提示词后建议调 cache_clear。缓存落盘在 src/.review_cache/,已加入 .gitignore。

事实契约(facts)

跨章硬数据约束由调用方以 facts 参数传入,结构:

{"rules": [{"name": "规则名", "must_not": ["正则1", "正则2"]}]}

引擎做确定性正则校验。

单章内部自洽(P0 新增):check_self_consistency 提供确定性弱信号——时序倒退、数字互斥、称谓变体,只报 suspect + 原文证据。注意边界:这是弱信号,不判 fatal/reject,最终仍需 L3 语义层或人工复核;facts 契约仍只管跨章硬数据。

项目结构

novel-review-mcp/
├── src/
│   ├── server.py        # MCP 入口,25 个工具 + selfcheck
│   ├── engine.py        # 三审流水线 / 聚合判定 / 影响半径
│   ├── layers.py        # L1 红线 + L2 打分 + P0 机器层信号 + value_set 契约校验
│   ├── facts.py         # P1 闭环:契约抽取 / 伏笔台账 / 评审回流约束块
│   ├── summarizer.py    # 摘要金字塔(伏笔通用抽取)
│   ├── llm.py           # 可插拔 LLM 网关 + latency/usage 采集
│   ├── telemetry.py     # P2a 真实调用/耗时/token 账本(contextvars 并发安全)
│   ├── committee.py     # P2b 双评审合并 / 分歧判定(纯函数)
│   ├── blind.py         # P2c 盲评隔离包 / judgements 校验回注 / 事后对照
│   ├── cache.py         # hash 增量缓存
│   ├── config.py        # 配置加载(路径相对本文件,不依赖 cwd)
│   ├── demo.py / test_pipeline.py / test_p0_signals.py / test_p1_guardrail.py / test_p2_telemetry.py / test_p2b_dual.py / test_p2c_blind.py
│   └── *.yaml / prompts.md / requirements.txt
├── LICENSE / CHANGELOG.md / CONTRIBUTING.md

已知边界

  1. 未接模型时 L3 明确"未定",不伪造通过率。

  2. 平台规则为公开资料整理,需自行核对官方最新口径。

  3. facts.json 类契约只覆盖跨章硬数据,单章内部逻辑靠语义层。

  4. 红队与对标的"否决"是策略判断,阈值可在 rules.yaml 调整。

  5. 成本账本依赖网关返回 usage;自定义网关未提供时只标 tokens.available=false,不猜 token 数。

  6. 盲评包只能剔除工具可见的评审字段,无法约束外部评审员进程是否偷偷读了别的文件;真正隔离需由调用方保证。

  7. P2b 同网关双开只是多视角,不是独立投票;独立判断需配第二模型后端,且即便如此也只是"双评审"而非真实编辑部。

License

MIT — 见 LICENSE。

Available Tools

25 tools
benchmarkC

对标头部:按结构密度维度打分,输出与头部基线的 gap。

Inputs: text (required), platform.

blind_compareB

事后对照原评审与盲评的分数/判定/否决差异;只呈现,不自动改写判定。

Inputs: blind_report (required), original_report (required).

blind_reviewC

P2c:用独立盲评 judgements 回注完整三审流水线,附校验与命中审计;前后清缓存防污染。

Inputs: chapters (required), judgements (required), facts, persona, +3 more.

blind_review_packageB

P2c 盲评输入包:只含正文+提示词,显式剔除既有评审字段,供独立评审员产出 judgements。

Inputs: chapters (required), facts, persona, platform, +1 more.

blind_validate_judgementsB

校验外部盲评 JSON 的结构与评分口径;不补分、不自动换算。

Inputs: chapters (required), judgements (required).

cache_clearA

清空评审缓存(规则/提示词升级后建议调用)。

Inputs: no named parameters.

cache_statsC

缓存命中统计与清空能力(clear=false 只看)。

Inputs: no named parameters.

check_chapter_endC

章末钩子判定与强度。

Inputs: text (required).

check_consistencyC

跨章一致性:事实契约硬校验 + 摘要层 LLM 冲突发现。

Inputs: chapters (required), facts.

check_openingC

黄金开篇:前 300 字主角/冲突/悬念 + 800 字金手指。

Inputs: text (required), platform.

check_pacingB

节奏检查:爽点/冲突/钩子密度 + 节奏荒漠检测。机器层为主,LLM 仅跨章探针。

Inputs: chapters (required).

check_redlineC

L1 形态红线 + L2 关键词打分,毫秒级;致命项直接判禁止发布。

Inputs: text (required), platform, chapter_id.

check_self_consistencyA

单章内部自洽弱信号:时序倒退/数字互斥/称谓变体。零成本,只报 suspect 与原文证据,不判 fatal。

Inputs: text (required).

extract_factsC

从正文抽硬数据生成候选事实契约(fact_check 兼容)。零 LLM,候选需复核,含跨章同单位多值 suspect。

Inputs: chapters (required).

foreshadow_closeC

回收伏笔:按文本匹配把台账 open 条目标记为 closed。

Inputs: items (required), chapter_id (required), evidence.

foreshadow_listC

查看伏笔台账:status=open|closed|all。

Inputs: status.

foreshadow_overdueB

超期未收伏笔提醒;无章序信息时不臆断,返回空。

Inputs: max_age, current_chapter_index.

foreshadow_registerC

登记伏笔到持久化台账(去重);chapter_index 用于超期计算。

Inputs: items (required), chapter_id (required), chapter_index.

impact_planB

查看影响半径:哪些章全文重评、哪些只走摘要、哪些复用缓存。零成本,不调 LLM。

Inputs: chapters (required), radius, revised_ids.

list_profilesB

列出可用平台档案、规则版本与提示词维度。

Inputs: no named parameters.

next_chapter_briefB

评审回流:把上轮评审结论+未收伏笔+人设锚转成下一章写作约束块(含可直接喂给写稿 Agent 的 prompt)。

Inputs: review (required), facts, persona, platform, +2 more.

platform_fitC

平台适配度:按目标平台收稿偏好打分并列出差距。

Inputs: text (required), platform.

red_teamB

红队挑刺:专找逻辑漏洞/动机断裂/硬巧合/读者会弃书的点。

Inputs: text (required), revision_note.

review_batchC

批次评审:影响半径增量 + 摘要金字塔跨章反漂移 + 复审铁律触发。chapters=[{id,text}]。

Inputs: chapters (required), facts, persona, platform, +1 more.

review_chapterC

单章三审流水线:一审合规定位(硬拒短路)→二审内容质量→三审终审漂移→红队挑刺→对标头部。

Inputs: text (required), facts, persona, platform, +2 more.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    C2.9/5.0

    Scored across 25 tools

    Disambiguation3/5

    The set has many clearly dimension-specific probes, but several tools overlap: review_chapter already embeds check_redline, red_team, benchmark, and platform_fit, so an agent must decide between the aggregate pipeline and component calls. cache_stats also advertises a clear capability that duplicates cache_clear. Descriptions help but do not fully eliminate these boundary questions.

    Naming Consistency4/5

    All names are snake_case and largely follow grouped verb_noun or prefixed conventions (check_*, review_*, foreshadow_*, cache_*, blind_*). A few standalone names are noun phrases (red_team, benchmark, platform_fit, impact_plan) rather than verb-led, and verb choice varies, but the pattern remains readable and casing is consistent.

    Tool Count3/5

    25 tools is at the heavy end; the domain is genuinely complex, covering redlines, single/batch review, consistency, pacing, foreshadowing, blind review, and caching, so most tools earn a place. Still, the aggregate-vs-component duplication and granular probes make the surface larger than an agent can comfortably navigate, fitting the borderline-heavy range.

    Completeness4/5

    Coverage is unusually thorough for novel submission review: compliance, quality, pacing, consistency, foreshadowing lifecycle, platform fit, blind review, and next-chapter brief all have tools. Minor gaps remain: there is no explicit fact-contract review/approve/update operation after extract_facts, and no history/retrieval tool for prior review outputs beyond cache statistics. These are workable gaps.

    Maintenance

    ActivityMaintained
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      A
      quality
      C
      maintenance
      Enables AI tools to collaboratively write novels by managing chapters, characters, and story state through commands like validate, context, draft, review, and approve.
      8
      MIT
    • A
      license
      A
      quality
      B
      maintenance
      Enables AI hosts to plan, draft, and check long-form novel chapters while honoring canon settings, character state, arcs, and check ordering, with approval-gated atomic commits. It keeps world, character, and chapter files as the human-editable source of truth, with snapshots and rollback for recovery.
      27
      17 npm
      Apache 2.0
    • A
      license
      A
      quality
      C
      maintenance
      Enables AI coding agents to submit work for external review before declaring a task done, receiving evidence-backed fix lists and verdicts based on git-measured changes and calibrated quality scoring.
      3
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables AI agents to draft long-form web novels with persistent, disk-backed memory, assembling a pre-writing task brief from structured settings, outlines, foreshadowing ledgers, and timelines, then committing post-chapter fact increments. It also audits pacing, checks per-chapter six-dimension consistency, gates commits on unresolved review findings, and can replay the commit chain to rebuild state when records and manuscripts disagree.
      1
      MIT