新闻详情

新闻详情

首页 / 资讯中心 / 详情

本地部署 AI 小说生成器:3 步跑通多章节长篇小说自动写作

发布时间:2026/11/16 3:54:23来源:尧图网络
本地部署 AI 小说生成器:3 步跑通多章节长篇小说自动写作
本地部署 AI 小说生成器:3 步跑通多章节长篇小说自动写作【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_NovelGeneratorAI_NovelGenerator 用大模型生成多章节长篇小说,自动衔接上下文、管理伏笔,解决 LLM 写到后段人物设定和剧情逻辑崩坏的问题。读完本文,你能在本地完成部署,配好 API 密钥后按 4 个步骤生成一部带架构、目录和定稿章节的长篇。它到底能做什么输入主题和题材,它先产出世界观、人物与伏笔的设定文件,再生成章节目录,然后逐章输出草稿并定稿。每章定稿时更新全局摘要、人物状态和向量库,后续章节靠向量检索召回前文,保证长文前后一致。整个流程由图形界面 GUI 层 承载,不用敲命令行。最快上手路径:AI 小说生成器本地部署 3 步教程拿到代码git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator需要 Python 3.9,推荐 3.10–3.12,clone 下来后所有操作都在你自己的本地目录里进行。装依赖pip install -r requirements.txt一次性装好 langchain、chromadb、customtkinter 等第三方库,个别包失败时按提示补装对应编译工具即可。改配置并跑起来cp config.example.json config.json python main.py前一条基于示例配置文件在你的本地目录生成 config.json,后一条启动图形界面。config.json 里只需要填这几处:{ llm_configs: { DeepSeek V4 Flash: { api_key: 你的密钥, base_url: https://api.deepseek.com, model_name: deepseek-v4-flash, temperature: 0.7, max_tokens: 8192 } }, other_params: { topic: 星际探险家意外穿越到魔法世界, genre: 科幻奇幻, num_chapters: 10, word_number: 3000, filepath: ./output } }其余字段保持默认即可。主题那句话别写太泛,具体一点,后面的设定和章节质量会跟着上台阶。调出长篇小说效果的关键参数参数不少,但只有这几个动了才有明显效果:temperature:调高,情节更跳跃、脑洞更大;调低,更严格贴着设定走。要稳在 0.5–0.7,要新奇可以到 0.8–0.9。word_number(单章目标字数):调高,单章更充实但生成更慢;调低,讲同一个故事需要的章节变多。短篇 2000–3000,长篇 3500–5000。retrieval_k(向量检索条数):调高,对远距离伏笔的召回更强,但提示词更长、响应更慢;调低则相反。默认 4 是均衡值。一个典型使用场景:从主题到第一章定稿输入:主题末世 AI 觉醒,题材科幻,10 章、每章 3000 字,已写入 config.json。操作:启动界面后依次点 Step1 生成架构、Step2 生成目录、Step3 生成草稿、Step4 定稿章节。写草稿前可以在This chapter guidance输入框里给本章下指令,比如本章让主角发现基地里有内鬼。得到什么:设定文件 Novel_setting.txt(世界观、人物、伏笔)、Novel_directory.txt(章节标题和简要提示)、outline_1.txt 和 chapter_1.txt,以及更新后的全局摘要与人物状态文件。定稿动作由 核心生成引擎 完成,同时把内容写入向量库,第二章生成时就能检索到第一章的关键信息。跑不通时查这里API 连接失败:核对 api_key 和 base_url 是否匹配服务商;用本地 Ollama 时先确认服务已启动(ollama serve)。Expecting value: line 1 column 1 (char 0):接口没返回合法 JSON,通常是拿到了 HTML 错误页,检查 base_url 和 model_name。HTTP 504 Gateway Timeout:端点或网络不稳,可增大 timeout,或换延迟更低的服务商。换 embedding 模型后检索效果变差:向量库按模型索引,切换模型后清空 vectorstore 目录再生成。依赖装不上:确认 Python 3.9;Windows 上个别包需要 C 桌面开发工作负载提供的编译工具。下一步:把 config.json 里的 base_url 和 model_name 换成你本地 Ollama 的接口,先用零成本的本地模型跑通第一章,再换云端模型调质量。【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
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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/14 17:14:38

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉