把「我想把某站点的数据做成 AMMDS 能导入的备份包」这件事,压缩成 填 4 个空 + 说一句话。
你不需要懂 manifest.json、字段名、图片命名、zip 结构——这些都在 Rule/ 里写死了,
由一个零依赖的 Python 脚本负责生成和自检。你只回答 4 个问题,然后让 AI 跑流程。
- 打开
TODO.md,回答 4 个问题(只有 4 个),保存。 没主意可以先看docs/示例-TODO.md(一份填好的参考)。 - 对 AI 说一句:「完成待办事项」。
- 等它交付。产物在
output/:ammds-backup-<type>-<时间戳>.zip—— 备份包本体deliver.md—— 交付说明(条目数、图片数、体积、SHA-256、导入步骤、遗留风险)
想自己手动跑一遍:
python tools/auto_backup.py init # 铺开 work/ 工作区(幂等) python tools/auto_backup.py todo # 预检 TODO 是否填完整 python tools/auto_backup.py build # 打包 + 自检 + 写交付说明Windows 上也可以直接用
run.cmd init/run.cmd todo/run.cmd build。 只需要 Python 3.8+,不需要装任何第三方库。
想先确认这套框架本身没坏:
python tools/auto_backup.py selftest(用内置 mock 数据跑通 4 种类型 × 2 种图片策略,44 项断言;会覆盖work/与output/)。
| # | 问题 | 为什么必须问 |
|---|---|---|
| Q1 | 数据从哪个站点/入口来?抓多少? | 抓取目标无法从文件里推断 |
| Q2 | 要哪一种包?movie / actor / comic / novel 四选一 |
决定 manifest.type 与整套字段结构 |
| Q3 | 图片怎么处理?pack(打包)/ link(外链)/ none(不要图) |
决定包体积与是否需要下载图片 |
| Q4 | 你已经有数据文件了,还是要 AI 去抓? | 决定走转换管线还是抓取管线 |
其余全部由 AI 自动识别:字段映射、目录结构、文件名安全化、manifest.json、imageFiles 登记、
sha256、图片扩展名、日期格式、枚举 code、条目匹配键……都不用你操心。
AMMDS-BackupPackage/
├── TODO.md ← 【你填这里】4 个问题
├── AI.md ← 【AI 读这里】收到「完成待办事项」后的执行合同
├── README.md ← 本文件
├── Rule/ ← 规则区:只读,不要改
│ ├── AI备份包生成规范.md ← 格式唯一权威(字段表 / 铁律 / 自检清单)
│ └── ammds_backup_pack.py ← 生成 + 校验参考实现(零依赖)
├── docs/
│ ├── 生成记录规范.md ← 中间产物(records / images)怎么组织
│ └── 示例-TODO.md ← 一份填好的 TODO,供参考
├── tools/
│ ├── auto_backup.py ← 模板仓库的自动化驱动(init / todo / build / verify / report)
│ └── selftest.py ← 框架自检(内置 mock 数据,无需外部依赖)
├── run.cmd ← Windows 一键入口
├── work/ ← 【AI 工作区】脚本产物,可随时删掉重来
│ ├── _meta.json ← TODO 归一化后的机器配置(打包参数的唯一事实来源)
│ ├── source/ ← 原始留痕(抓取结果 / 用户提供的原文件副本)
│ ├── scripts/ ← AI 写的抓取与转换脚本
│ ├── records/ ← 【参与打包】movie.json / actor.json / comic.json / novel.json
│ ├── images/ ← 【参与打包】pack 策略下的本地图片池,按 ref 建目录
│ └── build_config.json ← 构建开关(run_verify / fail_on_warning)
└── output/ ← 产物:*.zip + deliver.md
关键分工:work/source/ 只留痕,work/records/ + work/images/ 才进包。
删掉 work/ 与 output/ 不会影响规则,重跑即可(init 幂等,不会覆盖已有文件)。
TODO.md ──AI 归一化──▶ work/_meta.json ──参数──┐
work/source/* ──转换──▶ work/records/<type>.json ──┐
work/images/<ref> ──图片池──────┤
▼
Rule/ammds_backup_pack.py build_backup()
│
output/ammds-backup-*.zip │
▼
verify_backup() + 质量自查 → 0 ERROR 才算交付
生成的包满足 AMMDS 的全部硬性要求:根目录 manifest.json + data.json、
format=ammds-backup、formatVersion=1、count 与数组长度严格一致、
imageFiles[].path 与 zip 条目逐字符一致、data.json 图片值与 ref 完全一致、
条目名无 ../\/:。细节见 Rule/AI备份包生成规范.md。
| type | 匹配键(必填) | 结构要点 |
|---|---|---|
movie |
uniqueid(数组) |
poster/fanart/thumb 是数组,posterHd 等是单值;actors 是对象数组 |
actor |
name |
poster 是单值,thumb 是数组;身高体重三围写数字 |
comic |
title(有 isbn 更利于匹配) |
cover/backCover 单值;chapters[].pages[].imagePath 承载每页图片;完整迁移必须选 pack |
novel |
title |
cover/backCover 单值;chapters[{title, content, sort}],sort 从 1 递增 |
Q:我需要装什么?
A:只要 Python 3.8+。Rule/ammds_backup_pack.py 与 tools/auto_backup.py 都是标准库实现。
Q:为什么不让我直接写 JSON? A:字段名拼错不会报错,只会「静默丢数据」(规范第 11.3 节)。让 AI 按规范生成、让脚本自检, 比人工比对 60 多个字段名靠谱。
Q:图片一定要下载吗?
A:不一定。link 只写外链,包体积极小,但依赖源站图片长期可访问;pack 离线可用。
漫画/相册的完整迁移必须选 pack。
Q:包有多大 / 要跑多久? A:取决于图片量。元数据包通常几十 KB~几 MB;整个漫画库可能上百 MB~GB 级。交付说明里会写清体积。
Q:AI 会不会瞎编数据?
A:AI.md 第 0 节与第 7 节明确禁止编造与占位符;抓不到的字段一律省略。交付说明也会列出抓取失败清单。
Q:导入后怎么用?
A:AMMDS → 系统 → 备份恢复 → 数据导入 → 选 zip → 「解析预览」显示校验通过 →
选冲突策略(首次导入推荐 skip 或 overwrite)→ 开始导入,确认 failed=0。
Q:我改坏了 work/ 怎么办?
A:直接删掉 work/ 和 output/,重跑 python tools/auto_backup.py init 并让 AI 重做。
Rule/ 是只读规则,别删。