AI_NovelGenerator 快速上手指南如何用 LLM 逐章生成 30 章长篇而上下文不断线【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator用大模型写长篇最头疼的不是码字速度而是崩设定写到第十章模型忘了主角的名字或者把第二章节目里立好的人设改掉了。AI_NovelGenerator 就是针对这个痛点做的图形化工具——按阶段生成多章节长篇小说自动衔接上下文和伏笔。它能做什么适合谁它是一个桌面 GUI 工具输入主题和类型产出一整套长篇小说资产——设定文档、章节目录、每章大纲与正文、全局摘要、角色状态外加可选的一致性审校。适合想快速产出 3 万到 10 万字长篇初稿、手头有可用模型 API云端或本地 Ollama的人。两类人不用考虑期望一键出成品可直接发表的文字——它需要你逐章看草稿、点定稿最终质量仍靠人工打磨以及完全不想配置任何模型参数的人。十分钟装好并启动环境要求很低Python 3.9推荐 3.10–3.12加一个可用的模型 API Key。四条命令就能跑起来git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt python main.py启动后在主界面填 API Key、Base URL、模型名、温度以及小说参数主题、类型、章节总数、每章字数、保存路径。配置页支持保存多组模型预设配置文件会写到 config.json字段完整说明可参考 配置示例。建议第一次就新建一个空的保存文件夹所有生成文件和向量库都会集中在这里方便管理。四个生成阶段分别产出什么文件参数填好后主界面有四个核心按钮每个阶段的产物都是纯文本文件可以直接打开修改阶段界面按钮产出文件在保存目录里你要做的事设定Step1. 生成架构Novel_setting.txt世界观、角色、伏笔检查角色与力量体系目录Step2. 生成目录Novel_directory.txt章节标题与简要提示调整章节节奏草稿Step3. 生成草稿outline_X.txt大纲、chapter_X.txt正文填“本章指导”润色正文定稿Step4. 定稿章节更新global_summary.txt、character_state.txt、plot_arcs.txt确认无误再定稿定稿的同时最新章节内容会写入本地向量库保存目录下的 vectorstore 文件夹供后续章节检索。跑熟之后可以用“批量生成”按钮连续产出多章生成结果在“章节”面板里来回切换和编辑。它靠什么记住前文、检查矛盾长篇小说远超任何模型的上下文窗口所以工具没有把前文整体塞进提示词而是用两套互补的手段。向量检索由 novel_generator/vectorstore_utils.py 负责定稿的正文按句子切分用你单独配置的 embedding 模型向量化后存进本地 Chroma 库生成新章节前检索出语义上最相关的历史片段喂给模型。embedding 模型和生成模型互相独立需要在配置页单独设置如果你有现成资料还能用“导入知识库”按钮把本地文档送进同一个向量库作为生成时的参考。状态文件是另一半每次定稿都会更新全局摘要、角色状态和剧情要点这三份文件会直接写进后续阶段的提示词保证关键信息不依赖检索命中。之后你可以点“一致性审校”由 consistency_checker.py 让模型把最新章节和设定、角色状态、摘要、未解决冲突逐一对比发现矛盾就输出在日志区否则返回“无明显冲突”。还有个值得留意的细节配置里允许给不同任务指派不同模型——目录和草稿用快而便宜的模型定稿和审校用更强的模型这是省钱又能稳住质量的常见搭配。一次完整的 10 章小说实操以一部科幻短篇为例走一遍全流程输入API Key主题“废土世界的 AI 觉醒”类型“科幻”10 章、每章约 3000 字新建一个保存文件夹。先过设定和目录跑 Step1 和 Step2生成后务必通读一遍——主角名字、力量体系有问题就直接改文件这两份文件是后面所有章节的依据。逐章推进从第 1 章开始“本章指导”里写一句话例如“本章埋下信号塔的伏笔”生成草稿在编辑器里润色点定稿哪章感觉“不对味”就点一次一致性审校。收尾批量前几章确认流程没问题后用批量生成补齐剩余章节。拿到什么保存文件夹里是设定、目录、10 份大纲和正文、全局摘要、角色状态、剧情要点一套可继续编辑的长篇资产。耗时方面用云端 API 时单章 3000 字的草稿加定稿通常几分钟量级估算10 章总量一天内可以走完估算其中相当一部分时间花在你自己的审校和修改上。避坑清单与实用技巧切换 embedding 模型后要清空向量库新旧向量混存会导致检索不准。界面有“清空向量库”按钮如果它报错就关闭程序后手动删除 vectorstore 文件夹。本地 Ollama 做 embedding 前先启动服务并拉模型ollama serve ollama pull nomic-embed-text认得两个常见报错Expecting value: line 1 column 1 (char 0)表示 API 没返回 JSON多半是返回了 HTML 错误页504 超时就检查接口端点和网络是否稳定。Windows 上个别依赖装不上安装 Visual Studio Build Tools 的 C 桌面开发组件后再装一次即可。设定和目录别跳过审校。这两份文件里的错误会顺着后续所有章节放大事后修补的成本远高于源头修改。留意维护状态作者在 README 中说明主分支维护频率较低重构版在 dev 分支开发。遇到问题先看 中文文档 的疑难解答部分。一句话总结它把“一键出小说”拆成设定、目录、草稿、定稿、审校五个可介入的环节每个环节都留了人工检查点长篇里最要命的连贯性就靠这套流程兜底。相关文件中文文档 配置示例 核心生成逻辑 图形界面代码【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考