doughbit studio

这个社区的制作工程是公开的，这件事我第一天就看见了——只是当时不觉得有什么。跟团队做那两周，角色资产、分镜、剧本都有人给我，我要解决的问题只是「把分到我头上的这几集做出来」。别人的工程对我没什么用，因为我的问题已经被别人定义好了。

变化来自一个很具体的处境：手上有三万多积分要花掉，我想用它做一部完全属于自己的片。这一下前提全没了——没有人给我角色设定，没有人给我剧本，连「要做什么」都得自己定。我第一次必须从零回答「一部片子该怎么开始」，才终于开始认真看别人的片究竟是怎么做出来的。

看进去才发现，公开的不是成片，是整个制作工程——用了哪些模型、每一条提示词的原文、参数怎么设、哪些素材在平台里生成、哪些从外面拿进来、节点怎么连。而平台当初鼓励公开时，设想的用法是「你可以看看这部片是怎么做的」，一次一部。一部一部看有个天然的天花板：你只能看到你已经知道要看什么的那些片。我想知道的是「想做某种效果的人一般都怎么写」——那需要横着看一千部，不是深读一部。于是这一周多做的事，是把「一部一部看」改造成「可检索」。

中间最大的一次翻车是：关键词检索根本不管用。想找恐怖向的片，已知的二十部只召回了十二部。原因很直白——创作者的提示词里写画面不写题材（枯枝、白烛、雾），「恐怖」这个概念在文字层面根本不存在。这一下把整个索引层的设计逼着重做了一遍。

复盘最值钱的一条：东西一直摆在那儿，是问题变了我才看见它。跟着团队做的时候资产和剧本都有人给，别人的工程对我毫无用处；等我要从零做一部自己的片，同一批公开工程立刻变成了唯一有用的东西。能不能看见一个资源，取决于你手上是什么问题——而不是这个资源有多显眼。｜第二条：开源者设想的用法，和这批数据真正的用法，可以完全不是一回事。平台想的是「让人看懂一部片」，但把上千份公开工程放在一起看，它是一份从来没人系统读过的、关于「人怎么跟生成模型协作」的一手记录。｜第三条更实用：我想学的东西和数据里存在的东西，中间隔着一层翻译。我问的是概念（恐怖、燃、高级感），语料里存的是画面（枯枝、白烛、雾）。这层翻译不是可选的优化，是这件事能不能成立的前提。

我有一类活是让 AI 做很长的产出——几万字、几十个章节、要跨章节保持一致。为了不靠人肉复核，我给它建了一整套检测：先是几个机械 grep 闸门（编号连不连、格式对不对、某类标记有没有配对），后来又加了八个分布型检测器——看的不是单点，是整体分布：某种结构是不是连续出现了太多次、密度是不是超标。

然后有一次，同一份产出机械闸门四项全绿、八个分布检测器全过。我不放心，自己从头到尾读了一遍，又抓出 25 处问题，其中包括最严重的一类：脚手架泄漏——写作过程里的临时标注混进了成品。检测体系一个都没拦住。

但真正让我警醒的是另一件事。有一条硬线在检测器里跑了整整一个月：某个数量必须不超过 2。执行时为了过这道闸门，就把本该分开写的内容挤进一条记录里——闸门顺利通过，而产出比老实写要糟得多，因为下游是照这份记录去排实际工作的。闸门不但没拦住这个病，它在奖励这个病。更难堪的是：这条口径一个月前就在项目笔记里更正过了，但只改了项目那边、没回扫工具，于是工具里那份继续拿着作废的硬线在判「通过」。而「改口径靠记忆、不做机械回扫」这条根因，我半年前的一次审计里就已经写下来过——这是同一个病复发。

打的补丁有三个：一是检测模块从两份扩成三份，新增一份「整篇通读复核」，跑序是先自跑分布层（便宜、当场能修一半）再进人读；二是凡改口径，收尾动作固定为 grep 全工具回扫旧口径的字面，改完要留回扫记录；三是把一个越长越重的工具拆成三条独立线，并规定三者之间复制内容、不放指针——指针看着更 DRY，但后果是连坐：一条线改了口径另外两条跟着变，而它们本来就该不一样。

复盘最值钱的一条：一个能被优化的检测指标，一定会被优化——包括被优化坏。那条硬线本意是防臃肿，实际效果是逼着人把内容挤在一起瞒报。检测器不是中立的观察者，它会改变被检测的东西。所以定任何一条硬线之前，得先问一句：如果有人只想让这条线变绿，他会怎么做？那个做法能接受吗？｜第二条：「全绿」和「对」之间隔着一次通读。机械检测查的是「我想到要查的东西」，而长任务里最贵的错误恰恰是我没想到的那一类。所以检测器的定位应该是筛子——便宜地滤掉一半机械问题、让人读的时候不浪费在低级错误上——不是闸门，不能拿它当「可以不读了」的许可。｜第三条：口径改了不回扫，等于没改。而且这个病会复发——我审计过一次、写下过根因，半年后同样的事又发生了一次。所以它不能靠记住，只能靠一个固定的收尾动作。

这不是我一个人在家试 AI 生视频。7 月中旬起，我加进一个做 AI 视频连载的制作团队跟了两周——那是一部 80 集的片子，我认领的是其中 3 集。能「跟着做」这件事本身是有前提的：他们有一套已经跑起来的资产管理规范——统一的制作标准文档、一张覆盖全剧的完整分镜表、按集分配的角色与场景资产、以及文件命名到镜号级的约定。有这套东西在，一个新人才可能在两周内交出可用的东西；没有的话，光是把「这个角色到底长什么样」统一下来就能耗掉两周。

我交付的三集，最终成片总长约 5 分 42 秒（分别是 120 秒、79 秒、143 秒），是从 80 段生成素材里剪出来的，平均一段撑起 4.3 秒画面；配套还有 38 张补帧与分镜补充参考图。中间迭代了七版粗剪，其中两集各走到了 V3。

最有意思的部分藏在文件名里：某集某镜「debug 鳞片」、某集某镜「debug 口型」。AI 视频的返工不是「重生成一遍」，是定位到具体镜号、针对某一处具体缺陷单独出一版——鳞片纹路不对做一版、口型对不上做一版。这跟我原以为的「给个提示词抽卡到满意为止」完全不是一回事。

复盘最值钱的一条：AI 视频真正的瓶颈不在生成质量，在一致性管理。单看一段素材，模型的水平已经很够用了；难的是同一个角色在 80 段素材里要长得一样、口型要对得上、纹理不能这一镜有下一镜没。团队那套资产规范、命名约定、分镜表，解决的全是这件事——它们看上去是项目管理，其实是把一致性问题从「每次生成时祈祷」前移成了「一次性把资产做好」。｜另一条：我原以为 AI 会抹掉工业流程，进去两周之后发现是反的。AI 承担的是最耗人力的中间环节，而前置（设定、分镜、关键帧）和后置（对轴、返工、debug）反而更重要了——因为它们是唯一还能被人精确控制的地方。

SheWrote 是第一个带性别标注的中国古典诗歌开源数据集。本来是当资料翻的，翻着翻着它逼出了一个设计问题：HERSTORY 现有的进度条是一条政治轴——权利被一项项夺回来。但这个数据集展示的是另一件事：大量写过东西的女性，作品和名字根本没能活到今天。

这是一条正交的新轴——档案轴，存续对湮灭。而它的决定变量非常刺眼：一个女性的作品能不能留下来，主要不挂在她写得多好上，挂在「是否存在一个愿意为她编印的男人」——父亲、丈夫、兄长、或者后世的编者。

使用边界也一并记下了：数据集本体开源，但标注层是 CC BY-NC-SA，商业化产品不能内嵌。

复盘最值钱的一条：「她被允许做什么」和「她做了的东西有没有被记下来」是两个独立的失败模式，而后者更隐形——因为它的证据恰恰就是「没有证据」。一部只有政治轴的女性史，会把所有湮灭掉的人算成「没发生过」。

我做过一条完整的调研流水线：立题 → 模块分解 → 逐案例解剖 → 跨案例综合 → 自我盘点 → 排列组合，646 行。做处置评估时翻使用记录，结论很干脆：完整跑流水线全发生在最初两个月的探索期，之后半年一直是把里面某一件工具单独拎出来用。

但「没人按流程走」不等于「内容没用」，所以我做了一次双档消融测试（两个模型档各跑三轮），想分辨哪部分是真价值。结果很扎心：两档模型都能自发掌握大部分处方，而且没有出现档位悬崖——也就是说这些「方法」本身模型本来就会。工具真正提供的只剩四样：触发可靠性、覆盖保证、反本能纪律、输出契约。照这个结论重写，646 行压到 234 行，改成七件即取即用的工具，重仪式的完整流水线压成 20 行概述。

两个月后回头看：降档之后它基本也没再被用起来。偶尔被顺手调用过，但没有产出过值得记住的东西。诚实的说法不是「重构成了更好的形态」，是「重构完也没救活」——「降档」是我给「废弃」找的一个体面台阶。

复盘最有用的一条：判断一个「方法论包装」值不值得留，不能靠它看上去多完整，要看模型不带它时会差多少。消融测试已经把答案摆在我面前了——大部分处方模型自己就会——我却还是花力气重写了一版才肯承认它不该存在。于是标准变了：能被模型自发做到的，不写进工具；只写它不带就会犯的错。｜还有一条更反直觉的，是很久之后才看清的：这条流水线的设计原则是「给地图不给终点、不替使用者做决定」。这让它从来没有把我带偏过——但也让它从来没有真正帮我做成过一个决定。「它没误导我」和「它没用」，是同一个设计选择的两面。

之前给写作用的工具加索引层，一直是「我觉得这样查得到」就改。这次先建了一套 eval：七道题，标准答案来自我自己亲读的 23 部完整长文；然后派一个全新上下文的 agent，只给它索引层、禁止读原文，让它盲答。

结果是七道全部答出结构级答案、一次原文都没读。更意外的是有三道比我的标准答案还好——它从十二个数据点里自己排出了一条我没写下来的规律，还把我原来那条判断修正成了一个更准的四段式表述。

但同一场盲测也抓出六个真洞。最要命的一个是：零匹配时的降级链有个空出口——第一级找不到就降到第二级，可如果第二级唯一的样本恰好就是我正在做的这一件（还没有分析报告），这条路在第二级就断了，「永远找得到」在第二级就是假的。加了第三级「分解与近邻检索」才补上。另外两个洞是两份索引互相引用了一个根本不存在的条目，以及有两个库压根不在检索路径上——其中一个库里就躺着这次盲测某道题的标准答案，而我当初是在别的报告的交叉引用里偶然瞥见它的。

复盘最值钱的一条：「我觉得它查得到」和「它真的查得到」之间，隔着一个失忆的读者。我自己测永远测不出来，因为我脑子里有全部上下文——盲测的价值不在于它更聪明，在于它跟我一样蠢，但蠢在不同的地方。｜同一批调研还推翻了我一个直觉：小语料不该上向量库。Anthropic 2025 把 Claude Code 的向量检索删了换成 grep；而「新题目找不到对应」也不是检索失效，是索引键选错了——新手按表面特征检索，专家按结构关系检索。于是问法也改了：不问「哪个最像」，问「哪个改起来最省事」。

游戏原本的脊柱是 18 棒女权运动史——一条政治轴，权利被一项项夺回来。6 月底到 7 月初这几天把另一层叠了上去：不是「她被允许拥有什么权利」，而是「她被允许做什么、去哪、穿什么、身体归谁管」。落成十几条独立的职业与身体线：女性参军与飞行员、医学教育与职业准入、法官、警察、神职、从政与公职掌权、科学家与 Matilda 抹除史、着装史，以及一条 1543 到 2026 的身体史总时间线。

紧接着把内容的施工规范也补上了：一份卡面写作规范、一套「每棒起伏档案」的模板与首棒样例、一张全棒内容布局总表，还开始了逐卡 review。这些不是内容本身，是让内容能被稳定生产出来的东西——之前每写一张卡都要重新想一遍「这张该长什么样」。

复盘最值钱的一条：一部只有政治轴的女性史，会漏掉大部分实际生活。「拿到选举权」和「能不能穿裤子上班、能不能当法官、生完孩子会不会丢工作」是两条节奏完全不同的线，而后者才是绝大多数人每天真实碰到的那一条。硬把职业塞进运动节点会把两件不同节奏的事焊死，所以它必须作为一条平行轨跑。｜另一条关于工作方式：这几天的产出不小，但因为一直没记，我后来一度以为自己那阵子什么都没做。做了而没记，在感觉上等于没做。

HerStory 网站原本是女权运动史的时间线（18 个节点、四波浪潮）。这回在它上面叠了一层「生活史」——单拉出一条职业时间轴：从 1848 到 2026，女性被一道道门放进来的职业，医学、法律、科学、神职、参军、警察、参政、体育、着装、白领共 10 条线、59 个里程碑。布局是一根竖直的时间主轴，每个时代像伞一样朝右张开、散出那个年代的里程碑；小卡片（年份+关键词）点开是大卡片（完整故事 + 信源 + 跳到相关卡片）。点的颜色不表示行业，而是方向——前进/倒退/至今封死/被抢功/既开又锁；行业放在顶部做筛选。

中间返工过两轮。先做成横向泳道，看着不清晰，按反馈重做成伞状；又在「这跟游戏的 18 棒怎么对应」这个复盘里想通一件事：18 棒是一条「运动事件」的轴（按女权思潮/冲突排的），而职业走的是劳动与物质生活的节奏，两条轴只松散同步——第四波那几棒本就是并行主题、不是时间先后，所以职业到了当代只能塌成一档「第四波」。落地时还把 59 张卡逐条配了可点击的真实信源（多数 Wikipedia，少数书籍/机构页/期刊，全部核实过能打开），只在「同一条线索的前后承接」处连虚线（被禁→重开、问题→多年后再现），点开卡片能直接跳到它的相关卡片、不用自己顺着虚线找。

复盘最有用的一条认识：18 棒当初是按「女权运动 + pattern recognition」搭的一条运动轴，职业是另一条轴。把「她能做什么、能去哪」叠上去，才把「一部运动史」变成「一部女性生活史」——而诚实的做法不是硬把职业塞进运动节点，是让它作为一条平行轨跑（就像这个项目本来就有的种族、公民权利平行轨）。想统一到一个脊柱上，反而会把两件不同节奏的事焊死。

6/19 那版脑波誊写是给国内朋友的（服务端持我一把国产 key、密码进入）。这次做的是另一头：一个放在美国、任何人打开就能用的网页版，走 OpenAI 的 Realtime，边说边出干净文字。关键差别在「谁的 key」——这版是 BYOK（bring your own key）：用户粘自己的 OpenAI key，只存在他自己浏览器的 localStorage 里，录音从他的浏览器直接连 OpenAI。这条路径上没有我们这一站——没有后端、没有数据库、不经手任何数据。

一开始把问题想复杂了：以为「让陌生人用自己的 key」就得配一套后端 + 用户名密码 + 发邮件验证 + key 存哪 + 找回。想通之后发现全不需要——key 只存用户本机，就没有账号、没有注册、没有找回这回事，清了缓存重新粘一次即可。工程上也踩了两个坑：先是拿错了底子（照着国内那版的「录完再转写 + 润色」两段式，还把上游早删掉的冗余 transcribe 又拼了回来），改回真正 brainwave 的 Realtime 单模型（模型直接听音频、直接出润色文字）；再是 GA 握手——OpenAI 在 5/12 废弃了 beta Realtime，浏览器子协议里那行 openai-beta.realtime-v1 会被 GA 模型直接拒掉，去掉就通了。顺手把它安在了新起的 app.doughbit.ai 上：一个照 play 那样模块化的「小工具」门牌，第一张卡是脑波誊写，第二张把 iOS 的 Macaronic 也挂上去外链。

复盘最值钱的一条：「允许别人用自己的 key」和「要建后端存数据」是两件事，我一开始把它们焊死在了一起。只要 key 存在用户浏览器、请求从用户浏览器直接打到模型厂商，我这边就是一个纯静态页面——没有数据库要维护、没有密钥要保管、没有合规负担，也正好是我想要的「变成谁谁谁的本地版本」。BYOK 不是「零数据」的反面，它就是实现零数据的那条路。

Macaronic 的网页版，做给一个在国内、用不了 OpenAI/Claude 的朋友：浏览器录音 → 转写 → LLM 润色出干净文字，密码进入、按密码记用量。难点几乎全在「找国产替代」——要一个能转写中英混说、又能在国内直连的 API。

一路排查：Kimi、MiniMax 的 API 根本没有语音转录（ASR），DeepSeek 也没有——因为在中国 ASR 被当成商品层外包掉了（大厂多接讯飞），没人拿它当卖点。最后落在 SiliconFlow：它托管了开源的 SenseVoice（转写）+ DeepSeek（润色），一把 key 两段都能跑。但又撞一道墙：SiliconFlow 国内版（.cn）有 SenseVoice 却要中国实名，海外版（.com）不要实名却没有 ASR——只能找国内朋友开了个 .cn 账户才接通。

复盘一个挺通用的 learning：中国 AI 公司基本都有「境内实名版」和「海外版」两套、通常分开，而且能力还不对称（境内有 ASR、海外没有）。以后只要做中文版、又不想绕开 GPT/Claude，大概率都会撞上这个。还有笔地理账：境内 API 从美国调很慢（跨太平洋，实测每趟往返约 1.7 秒），所以正确做法是按「用户在哪」选——海外用户走海外版、境内用户走境内版，而不是按开发者在哪。

f-media.org 根域之前只是 301 跳到 herstory 镜像；这回做了张落地页，把两摊收拢：herstory 中文镜像（女性运动史）+ 脑波誊写（语音记笔记）。f-media 是各种东西「独立中文版」的家，刻意和 doughbit 英文系列分开放。

把 doughbit.ai 落地页改成 HerStory → Play → Research 三栏 + 游戏直链；play.doughbit.ai 也从原来的单游戏跳转改成两个游戏的总表页。同一天，studio.doughbit.ai 这个进展站开张——就是你现在看的这个。

加了 52 张「可存活」的时代通用事件卡，稀释纯死亡、让每一局不再动不动就团灭；善终收尾做到每个角色一套；注脚扩写到约 280 条。又补了 6 张只属于女性处境的卡——评职称的两个钟、产假火种、Man vs Bear。

从 6/10 的初版到这里，整体是：卡池 283 → 405 张、死法 40 → 59 种、可选身份 0 → 30 种。

给 18 个历史节点全部加上日常生活模块：讲台底下，一个普通女性的一天到底怎么过、她的钱归谁、她会怎样死去。

复盘这些内容其实是 5 月 6 号为做游戏补的那波调研——清洗一下就能上网，所以这一步本质是「游戏阶段的研究反哺回了网站」。

把原来独大的「纯洁螺旋」按波拆开，再加上先驱死等等，死法体系从 51 种重构到 58 种；机制层加了非对称权重、时代基线、环境损耗、后期高方差，让自我 / 身体 / 话语 / 钱 / 人缘五个维度都可能致命。选项双框也去掉了红绿、改成中性配色，不再暗示哪个选项「对」。

复盘之前跑 100 局实测，发现死法极不平衡——纯洁螺旋一家独大，其它维度几乎不致命。这一波就是把「怎么死」做得和真实历史处境一样多样。

先在节点 01 试点日常生活模块；小卡片也重设计成「一眼看 highlight、点开看全部」；7 列的对照表在手机上改成横向滚动 + 首列吸附，不再挤成一团；全站日期从 170 年校准到 178 年。

桃心越少、屏幕边缘越红，配上越来越快的合成心跳；加回「佛系遛弯」当默认档（之前默认太快）；把血量条改成一根二手烟进度条；通关给分档的胜利演出 + 真音效，高档位还更炸。

退回左右滑、每局从 3 种身份里随机露 2 个，重玩会换不同的一对；属性条加粗 + 增减高亮；注脚改成全屏；还加了一张百合配音演员的卡（N16，整部里少有的快乐暗线）。

用「静音媒体会话提升」让静音模式下也有声（和微信一致）；修了 Safari / Chrome 工具栏口径不同导致的画布偏移（改用 visualViewport）；右上角加了喇叭开关；换了一只更顺眼的持杯手。

复盘整条「没声音」血泪史的真凶，多半是环境（静音键、标签页静音），不是代码。教训是：以后先排查环境那几项，再去动代码。

按「后段应该像金字塔、越往后越厚」的想法分四批扩建，给中后期每一棒加第二、第三种职业身份——记者、律师、贝斯手、编剧、导演、独立开发者……同期还上线了章节选择 + 断点续玩、注脚扩写、封面和音效。

复盘之前审计发现「后期素材很厚，游戏里却只有三四包」，所以这波是把研究的厚度真正铺进可玩内容。早期的棒故意保持单一路——1848 年的女性几乎只有一条路可走，这是历史准确，不是偷懒。

抓线上版、剥掉 Cloudflare 注入物，搬进 play 仓的 herstory 文件夹；旧地址改成跳转页，老链接不死。

把资产前缀统一成 smoke_em_out-…、绿底抠图脚本同步改名；9 个角色做了「走路叼烟 / 打中变无烟」两个状态；背景图和「持杯 / 掷出」两态手图接进引擎；误伤路人现在会头顶冒💢逃走。

游戏挪到固定路径 play.doughbit.ai/smoke-em-out/（英文 /en/），旧地址留跳转；同一套构建按路径切中英文，零漂移。这样以后链接寿命长、改根目录也不会断。

有人报「手机没声」，就把音频从 Web Audio 改成 HTML5（塑料音、微信还卡），又试着加 masterGain 反而把声音弄哑，来回退了几次，最后回到最朴素的 Web Audio 直连。

复盘后来才知道根本不是代码问题，是 iPhone 的静音模式。教训有两条：AI 听不到声音就别瞎猜，先搭个度量桥（离线渲染算响度）；没定位到病因之前，别反复改代码。

GitHub Pages + Cloudflare 自有域名；配上短链 /her 和 /game。用系列伞牌、不用单游戏子域，是为了链接能长期复用。

先做配平、把单一死法拆皮（298 卡 / 49 死法）；接着职业系统上线、先铺 4 棒（317 卡 / 9 种身份）。这阶段游戏先挂在 herstory.doughbit.ai/game。

前面十几个版本全在本地，到 v0.12 觉得能玩了，才推上线、发给朋友收手感反馈。反馈是「爽点挺到位」，这之后才一层层叠真人美术（v0.14）、命中香烟打飞 + 飞溅、大头 Q 版 10 人角色。

复盘爽点立住了，大家对美术反而宽容——美术的要求就从「必须很好」降到「够用就行」。先验证玩法、再赌最贵的美术工。

一个单文件滑卡游戏，做成「接力」——18 棒，每棒一位不同时代的女性，左滑右滑替她做选择，5 条滑条两端都可能致命。接力是有意为之：你这一棒可以不激进、没点起火把，但在那个时代善终；也可以点起火把、把历史的复杂性接着往下传。卡面文字全部来自已有的 herstory 人物 verified 引文，不是编的；初版 283 张卡 / 40 种死法、还没有职业。

复盘「接力」这个方向是边做原型、边找人试玩慢慢清楚的——想让人能某种程度上亲历这段历史，而不只是旁观。后来也陆陆续续找到几个伙伴一起共创，给了不少建议。

马卡龙脑的图标、夜间深蓝配色 + 外观切换；macaronic.app 落地页（双语 hero + 三步演示）。现在在开发者模式下日常用，很快上 App Store。

引擎是 Realtime 两段式（最后选了 gpt-realtime-mini）；单屏 app 在真机上验收「可以用、效果还不错」，中英混说也 A/B 测过。

复盘护城河不是「用了 OpenAI」，而是在 API 之上自己搭的那层语言处理——whisper 之类会锁单一语言，混说得专门处理。

市面上自带 key（BYO-key）的听写工具不少，但没人真正占住「可靠的中英混说（code-switching）」这个角——这就是它的切入点。定了商业模式（免费 + 一次性解锁、不做订阅）、走 Organization 账号；注册了 macaronic.app。名字来自 Macaronic verse——中世纪故意把两种语言混在一句的文学传统。

给调研 skill 加了一个 youtube_distill——最早就是为了啃那些 GDC 的 indie 开发分享，把长视频总结成一份能直接抄的「草根教科书」：讲者的观点、论据、踩过的坑都留下来，不用回头再看视频。

去看了 Hair Nah 的两键形态，定下「借形态、不借叙事」；爽感原则定成荒诞对准行为、不对准人。这几个版本全是泼洒特效、全屏、提速、设置档、胜利演出，占位件到底、没碰美术，只调节奏、难度、失败惩罚。

复盘美术能「够用就行」，是被爽感撑住的。所以先用最便宜的占位件验证玩法，把最贵的美术工留到最后。

做这个游戏的由头是一条新闻：一个女孩在禁止吸烟的公共场合劝一个男的别抽，起了口角，她用奶茶把烟头浇灭了——结果警察反而偏袒男方、把女孩拘留还羞辱了一番，男的只罚了点款，引起公愤。看完就想：能不能做个小游戏，让大家泄个愤，也提醒一句「你其实可以做点什么」。

动手时最开始我以为布局是最重要的，就先把地铁站台的布局、小人怎么走来走去定了下来，想着布局稳了再决定操作怎么做。操作上同时铺了两套方案——一套是四个方向（多键 + 区域判定），一套是两个方向（左右甩奶茶），当时觉得两条路都能往下走、回头再挑。可真把它放到手机上玩，才发现四向那套把「看到吸烟的人就甩过去」那种即时的乒乓节奏给拆碎了，手感发木。

复盘这一下让我明白，不该一上来就赌布局和操作方案——这类反应型小游戏，得先把那口「看到就甩」的爽感调出来，别的都是后面的事。这成了后面所有项目「先做爽感、再上美术」的起点。

我没做过游戏。入门是机缘巧合——调研时被推荐了几款游戏，玩着觉得有意思，就去翻它们的幕后故事，翻到一堆 GDC 分享。一个个看太累，干脆做了个 YouTube distill 的 skill，把这些 talk 像教科书一样总结：game design 有哪些 component、哪些 theory、indie 开发踩过哪些坑。

攒得差不多就回到 herstory，定下方向：做成 Reigns 那种左右滑的卡牌——它把自己叫「casual but regal」，这种反差挺有意思。再配上 8-bit 像素和「do it but don’t claim it」的分发策略。

拿已有的 18 节点内容对照 Reigns 卡牌结构，逐项 audit。结论是质量够、不用重做，但要补两层——把长文原子化（切成卡），再给每个时代补一份日常生活素材。

复盘最大的风险不是「内容不够」，而是「内容太多压不进游戏」。所以接下来的活是减法和原子化，不是再去研究更多。

补了跨时代人物弧（13 份）、每个节点的对抗 NPC 名册（18 份）、每个节点的日常生活素材（18 份），几百个可直接写进卡牌的具体场景，里头还有黑人女性的工作线、各时代的 hazard 和死法素材。这一波后来既喂了游戏，也喂了网站的日常模块。

feminist 游戏、叠纸、原神、黑神话、culture war、中国小游戏生态……做了 13 篇以上的行业景观调研，搞清楚这条赛道长什么样再动手。

把「普通人权利怎么一步步扩张」做成一条时间线，和女权、种族平权三轨对照，看少数群体相对主流到底慢了多少年。

这站背后是一个憋了很久的问题：到处都在说「赚女人的钱」、商业好像都围着女性转，但女性在里头的主体性其实并不高——这事到底该怎么评估？一开始没抓手，就一轮一轮调研慢慢建认识。

后来借了约翰·伯格《观看之道》里那句「Men act, women appear」（男人行动、女人现身），把它变成一个可分析的维度——appear（被看 / 被评价）对 act（行动 / 主体性）。顺着这个维度展开各种调研，攒成了 research.doughbit.ai 的材料，本地整理了好多轮才上线、分享给朋友。

起因是读各种女性主义的书，每本都只讲一段历史、拼不成全貌；就想搞清楚——这段历史到底是在不断重复，还是每个阶段都很不一样？如果重复，是不是有东西可学？很快发现一个问题：关于女性的很多事不积累、不传承，每一代人好像都在重新造轮子。干脆用调研 skill 系统地理一遍：学术上怎么划阶段、有哪些关键节点、节点之间有没有反复出现的模式。

1848 到 2026 四波，每个节点按统一结构理：那个时代怎么推进、推进方和反对方各自在说什么、女性的权利扩张了什么又退回了什么、主要事件和人物是谁、甚至那个时代的金句。

复盘理下来最直接的感受是——一百多年前的很多说法，今天听一点不过时，措辞都差不多；确实存在反复出现的模式。这个发现也是后来想把它做成游戏、让人能把整条线走一遍的起点。

先上线 682 张卡、19 个节点；随即大改版——故事卡、推进 vs 反对的双栏对照、种族平行暗线、传播渠道卡（推进方和反对方的宣传渠道也分开看）。

把 2 月做的那个 dashboard 重新平台化成静态站，挂上自有域名 doughbitmedia.com。

伞牌落地页 + 跨站导航条，第一次把散开的几摊收到一起。

地铁图版式的中文版，和英文站近乎同代码。

核心就两条：宽度搜索把面铺开、深度搜索往下挖；再把调研分成几类（比较选型、归因解释、找最佳实践、competitive 跟踪），每类配一套打法。有了这个框架，输出才稳定、不会东一榔头西一棒。

从这时候起，工作方式慢慢变成「遇事不决先调研」。早期调研的多半是很宏观的东西——因为很多事当时根本没概念，得先把面铺开、建立认知。

英文跑通之后，想看看中文里高产女作者的叙事 agency 长什么样，就把同一套五维分析扩到中文——亦舒两百多部、琼瑶四十多部，两位都做了全量分析。都是言情领域极高产的女作者，比下来两人其实挺不一样。

中文这批的源头不像 Gutenberg 整理得那么干净，有些排版特别错乱的章节就跳过了，但能分析的都正常分析。（具体时间记不太准，大概三四月。）这一摊之后基本就先搁这儿了。

先搜了一轮哪里有版权开放的小说全文（Internet Archive、Project Gutenberg 之类），最后锁定整理得最规整的 Gutenberg，选了它 top 25 作者的主要长篇——去掉诗歌和戏剧，落在约 22 位作者、25 部经典小说。

做法是一章一章地读：把整章原文喂给大模型，让它读完按语义打五个维度——叙事视角（谁在讲）、叙事对象（在写谁）、人物活动（做什么，锁死 8 类）、情绪（感受什么），以及角色的 agency（谁推动情节、谁被动反应，按性别分主动 / 被动）。光英文这一摊就跑了约 2661 章、一章一次 API 调用；模型先拿几部小说横向比了 Gemini、本地 Qwen、GPT-4.1-mini 几个，最后收敛到 GPT-4.1-mini。

复盘当时是拼 API、一章一章读出来的。我最在意的不只是数关键词，而是让模型真的把每一章读完再归类——好处是以后想加个维度，直接拿这些章节再读一遍就行，不用从头重来。