新闻详情

新闻详情

首页 / 资讯中心 / 详情

RAG如何让长篇小说不崩人设、不丢设定:AI-Novel-Writing-Assistant知识库召回链深度解析

发布时间:2026/11/18 6:38:52来源:尧图网络
RAG如何让长篇小说不崩人设、不丢设定:AI-Novel-Writing-Assistant知识库召回链深度解析
RAG如何让长篇小说不崩人设、不丢设定AI-Novel-Writing-Assistant知识库召回链深度解析【免费下载链接】AI-Novel-Writing-Assistant面向长篇小说创作的 AI Native 开源系统用 Agent、世界观、写法引擎、RAG 和整本生产工作流帮助新手从一句灵感走到完整小说。AI-native engine for end-to-end novel creation — from idea to full chapters, with structured planning, worldbuilding, and agent-driven workflows.项目地址: https://gitcode.com/gh_mirrors/ai/AI-Novel-Writing-Assistant写长篇小说最怕的就是 AI 写到第 50 章把第 3 章的人物设定忘了主角性格突然反转、世界规则前后矛盾、伏笔石沉大海。AI-Novel-Writing-Assistant 用一条完整的 RAG检索增强生成召回链解决这个问题——把世界观、角色资料、拆书结论、写法样本变成可长期复用的资产在每一章生成前精准想起该记得的东西让长篇小说不崩人设、不丢设定。一、为什么长篇创作最需要 RAG大模型的上下文窗口是有限的。几十万字的小说不可能每次生成章节都把全文塞给它。传统的续写工具要么靠你手动复制粘贴前文要么让模型自己凭印象写于是出现三类典型问题崩人设角色语气、动机与前期设定漂移丢设定世界规则、势力关系、地点细节前后矛盾️丢伏笔早期承诺读者的事再也没有下文RAG 的思路是把资料提前向量化入库每次写作前用当前章节任务去检索最相关的片段只把真正有用的资料放进上下文。它不是读全文而是按需取记忆。在 AI-Novel-Writing-Assistant 中知识库不是一个孤立的上传文件的地方而是一条贯穿开书、规划、章节执行、审核修复的召回链。完整说明见官方文档 knowledge-and-rag.md。二、先把资料放进创作资料书架系统把知识库定义为可复用的创作资料书架而不是一次性上传框。你可以往里放资料类型典型内容召回后的作用设定文档世界规则、力量体系、势力关系正文生成时保持规则一致参考作品 / 拆书结论结构、卖点、节奏分析迁移写法不复制情节角色资料背景、说话方式、关系网防止崩人设写法样本风格规则、反模板表达控制叙述口吻章节事实账本已发生事实、未兑现伏笔保证长篇连续性新手不需要一上来就配齐所有资料——知识库是增强能力不是开书前置条件。先跑通创作流程再逐步补资料即可。三、召回链全景一章正文的 5 步记忆过程当章节执行开始时系统并不是拿章节标题去搜资料而是走一条固定的召回链第 1 步按章节任务构造查询GenerationContextAssembler.ts 会把小说标题、章节标题、章节目标、本章必须推进的内容、目标冲突、出场角色、结构化大纲组装成一条贴近本章目的的查询。查询越贴近本章目标召回越容易命中真正有用的资料。第 2 步向量 关键词双路召回HybridRetrievalService.ts 同时发起两路检索向量检索擅长语义相近但用词不同的资料比如你写他变得麻木也能召回描述主角情感封闭的设定关键词检索擅长人名、地名、专有名词保证青云宗宗主这种专名不会漏第 3 步RRF 融合排序两路结果按 RRFReciprocal Rank Fusion算法融合打分谁的排名都靠前谁的融合分就高。这一设计让语义命中和关键词命中互补而不是互相打架。第 4 步可选 Reranker 重排如果配置了 reranker默认关闭融合结果会再经交叉编码器精细重排。它只是增强阶段而非硬依赖——外部服务超时时会自动 fail-open继续用融合结果检索不会因此中断。第 5 步按预算截取最终片段默认只保留 top 8 个片段进入上下文finalTopK可配置。系统刻意控制数量对长篇小说来说准确命中当前章节任务比一次召回大量资料更重要。无关资料塞进上下文只会增加模型噪音。四、资料来源分层本书事实永远优先这是防崩设定最关键的一条设计。RAG 召回的资料不是平权的系统按可信度分了 6 层层级示例使用原则本书事实已写章节、事实账本、角色状态⭐ 最高优先级不被外部资料覆盖本书规划书契约、宏观故事、卷战略指导下一步写作目标用户资料上传知识库、世界样本补充事实和设定拆书结论参考作品结构、卖点分析迁移方法不复制情节写法资产风格规则、反 AI 规则控制表达方式临时对话当前轮输入只影响当前任务长期生效需落库核心规则一句话外部资料用于补充不用于推翻已经写入小说状态的内容。比如知识库里的参考角色再出彩也不能压过本书角色的当前状态参考资料里的世界规则再详细也不能覆盖本书已建立的世界设定。五、闭环才是长篇生产链的灵魂召回链不只取还要回。每章执行完成后系统会把新事实、角色变化、伏笔状态和质量问题回灌入账本自动导演准备书级、世界、角色和章节任务章节执行读取这些资产 RAG 召回资料正文生成后提取事实、角色资源、伏笔变化状态提交与账本同步写回项目下一章读取新状态继续生成这就是长篇生产链和一次性文本生成的核心区别——资料是活的越写越记得住。六、知识库没生效时的 6 步排查清单如果你发现召回不命中按这个顺序查基本能定位问题完整调试路径见 knowledge-and-rag.md✅ 确认文档上传成功✅ 确认索引任务完成上传 ≠ 可检索✅ 确认向量库可连接✅ 用知识库的召回测试验证能否被命中✅ 检查文档标题、摘要是否包含角色名、地点名、设定名✅ 检查当前章节任务是否真的需要这份资料判断口诀单文档召回能命中、但章节没用到问题在章节任务查询或上下文组装单文档召回也不命中问题在索引、分块或关键词。七、给新手的上手路径 先创建小说跑通主流程知识库可以后配 上传资料前一份文档只放一类内容、标题写清用途、参考作品/世界设定/写法样本分开存 用召回测试验证资料可被找到再绑定到具体小说 不用用的资料及时归档减少干扰召回相关源码与文档延伸阅读RAG 服务模块server/src/services/rag/召回链官方说明docs/public/flow/knowledge-and-rag.md知识库模块文档docs/public/modules/knowledge-base.md上下文组装设计docs/wiki/rag/knowledge-and-context-assembly.mdRAG 的目标是让系统知道更多而不是让外部资料拥有最高决策权。理解这条召回—分层—预算—回灌的完整链路你就拿到了长篇小说不崩人设、不丢设定的钥匙。【免费下载链接】AI-Novel-Writing-Assistant面向长篇小说创作的 AI Native 开源系统用 Agent、世界观、写法引擎、RAG 和整本生产工作流帮助新手从一句灵感走到完整小说。AI-native engine for end-to-end novel creation — from idea to full chapters, with structured planning, worldbuilding, and agent-driven workflows.项目地址: https://gitcode.com/gh_mirrors/ai/AI-Novel-Writing-Assistant创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉