新闻详情

新闻详情

首页 / 资讯中心 / 详情

大模型写小说不崩人设?AI小说生成器完整上手指南

发布时间:2026/11/16 3:46:23来源:尧图网络
大模型写小说不崩人设?AI小说生成器完整上手指南
大模型写小说不崩人设AI小说生成器完整上手指南【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如果你试过用大模型写长篇多半经历过这种时刻写到第40章主角当初为什么离开村庄自己都说不清楚了。AI_NovelGenerator 是围绕这个问题做的开源项目一个能在本地跑起来的 AI小说生成器把长文里的上下文衔接和伏笔管理尽量自动化。这篇就走一遍它怎么用从跑环境到产出前三章。大模型写长篇为什么会断片问题根源不在模型笨而在上下文窗口有限。四十章的全文塞进 prompt 不现实只保留最近几章模型就只记得近况前面埋的伏笔永远没人管。AI_NovelGenerator 的思路是不让模型读完全部而是把故事蒸馏成几个小状态文件写新章节时只调相关内容。有点像备考策略整本教材背不完但笔记加关键词索引足够定位到考点。AI小说生成器怎么用三条命令跑起本地环境前提是 Python 3.9 以上推荐 3.10–3.12以及一个模型服务——云端 APIOpenAI、DeepSeek 这类或本地 Ollama 都行。git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt python main.py启动后是图形界面。填 API Key、base URL、模型名再填小说参数主题、题材、总章数、每章字数、输出路径。有个细节值得留意设定、大纲、草稿、定稿、校对这五个环节可以分别指派不同模型草稿阶段用便宜模型、定稿留给主力省 token 也省时间。让 AI 记得你埋的伏笔这是这个工具的核心。每章定稿后会进入向量库novel_generator/vectorstore_utils.py章节按约 500 字一段切块嵌入后存进本地向量库。写新章节时流程是先让模型读本章大纲、提取检索关键词再对前文做向量检索拉回最相关的几段。也就是说它不读前三十章只抽对本章真正要紧的段落——你在第 5 章埋的伏笔第 35 章再碰到同样的关键词时会被检索出来。⚠️ 一个坑更换嵌入模型后记得清空 vectorstore 目录新旧向量混着用检索质量会明显变差。角色崩人设怎么办崩人设多数是因为模型不知道角色此刻的状态。AI辅助写长篇里AI_NovelGenerator 用一个结算步骤解决它novel_generator/finalization.py 在每章定稿后干三件事——更新全局摘要 global_summary.txt、更新角色状态 character_state.txt、把没解决的剧情要点记进 plot_arcs.txt。写下一章时系统把这几个文件和新的章节要求一起交给模型。像剧组的人物档案新来的代笔不用补看两百集看档案就知道谁病了、谁死了、哪笔账还没结。从一句话创意到整部大纲分几步界面上是四个按钮生成设定模型根据主题、题材、章数产出 Novel_setting.txt包含世界观、人物设定、伏笔点。生成目录基于设定产出 Novel_directory.txt每章标题加一句简短提示。章节草稿指定章号还可以写本章专属指导涉及角色、关键道具、地点、时间约束。系统读取设定、目录和前文摘要再做向量检索先生成大纲 outline_X.txt再出正文 chapter_X.txt。定稿执行上面说的状态更新把这一章写入向量库。前两步尤其值得提都是纯文本可以直接手改。模型生成的世界观不合你意改掉它后面所有章节都跟着你的版本走。生成之后还能自己改吗可以。每章草稿都会进界面的编辑区文字、对话语气、节奏随便改。另有一个可选按钮一致性校对。consistency_checker.py 会把设定、角色状态、全局摘要、未解决冲突清单和最新章节一起交给模型让它列出明显冲突发现问题会打印在日志区。这一步不代替你自己读更像帮你挑刺的第二双眼睛。一章写完整走一遍草稿 → 定稿 → 校对循环到最后一章。一句话收个尾AI_NovelGenerator 不替你写它把长篇里最费神的三件事自动化了——记住向量检索、接着写状态台账、挑毛病一致性校对。如果你正琢磨用大模型写长篇可以先把仓库 clone 下来跑通出三章看看合不合你的口味。【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
📞 ✉