可解释性与 Trace

告别调试盲猜

在长篇角色扮演与复杂的提示词系统中，创作者经常会遇到令人头疼的问题：

• “为什么模型突然把某条关键设定抛到了脑后”
• “某条世界观规则在这一轮究竟有没有被激活”
• “上下文超长时，被默默裁剪丢弃的到底是哪一部分信息”

如果系统是一个无法探查的黑盒，创作排查将变成痛苦的盲猜。Loom Studio 将**端到端可解释性（Explainability）**作为核心设计准则

装配流水线的每一步都有记录

在每一次提示词编译过程中，核心引擎都会生成结构化的链路记录（Trace）：

事实收集 → 条件匹配 (Activation Trace)
  ↓
槽位映射与权重排序 (Ordering Trace)
  ↓
Token 预算与动态裁剪 (Budget Trimming Trace)
  ↓
最终发送给模型的完整 Payload (Compiled Output)

创作者可以在检查器中一览无余：

1. 谁被激活了：命中了哪些关键词、场景状态或判定规则
2. 谁被略过了：因何种原因未能进入本轮上下文
3. 最终排布细节：每个片段在整体提示词中的确切顺序与 Token 消耗

变更集与版本安全（Changeset）

不仅是提示词编译，系统内的数据写入同样遵循严格的 Changeset（变更集） 机制：

• 剧情推进、世界线状态更迭与变量修改均通过单事务原子提交
• 每次提交均保留不可变的版本记录
• 回溯操作不会暴力删除历史，而是生成明确的补偿变更

这种严密的底层设计，确保了漫长创作旅程中的数据坚不可摧，也让跨分支的世界线探索变得无比安心踏实