新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI 长篇小说生成完整指南:5 分钟跑通 20 章小说创作流程

发布时间:2026/11/15 7:08:07来源:尧图网络
AI 长篇小说生成完整指南:5 分钟跑通 20 章小说创作流程
AI 长篇小说生成完整指南5 分钟跑通 20 章小说创作流程【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 是一个本地 GUI 工具用来做 AI 小说生成按设定→目录→草稿→定稿四步产出 20 章 × 3000 字的长篇适合想完整写完一本长篇、又怕上下文断裂的创作者。 为什么选它三个断点它都接住了长篇创作的麻烦集中在后段这个项目的做法是把中间状态全部落成文件上下文断裂写到第 15 章时第 2 章的细节早已被挤出模型窗口。它每定稿一章就把摘要和人物状态写入global_summary.txt、character_state.txt后续章节读这些文件而不是读原始正文。伏笔无人管理伏笔容易种下就忘。它在设定阶段就生成触发点与伏笔清单定稿时更新plot_arcs.txt记录未解决冲突生成章节时会被一并喂给模型。前后矛盾人物 A 在第 8 章死了第 12 章又出场。它内置校对环节对照设定、人物状态与前文摘要扫描最新章节冲突明细直接打在日志区。⏱ 五分钟跑起来三条命令到界面环境要求 Python 3.9推荐 3.10–3.12。全部步骤如下git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt python main.py窗口弹出即完成启动界面是图形化的后面所有配置都能填表单不必手改 JSON。个别依赖装不上时单独pip install 包名补装即可。⚙️ 配置一次就够6 个参数决定产出质量配置文件为config.json参考 config.example.json。真正影响产出的只有这几项配置项说明api_key/base_urlLLM 服务密钥与端点支持 OpenAI、DeepSeek 等接口格式model_name生成模型如deepseek-v4-flash、gpt-5.5temperature创造力参数0–1默认 0.7topic/genre主题与类型如星际旅行科幻num_chapters/word_number总章数与每章字数如 20 章 × 3000 字精简示例10 行以内{ llm_configs: { my-model: { api_key: sk-XXXX, base_url: https://api.deepseek.com, model_name: deepseek-v4-flash, temperature: 0.7, max_tokens: 8192 }}, other_params: { topic: 星际旅行中的奇遇与成长, genre: 科幻, num_chapters: 20, word_number: 3000 } }其余参数代理、webdav、多套模型预设、各任务分别路由到哪个模型在界面里按需调整初次使用可以全部忽略。 四步流水线的底层逻辑数据怎么流动把它理解成一条文件流水线比理解按钮更清楚生成设定输入topic、genre、章数由 novel_generator/architecture.py 调用模型输出世界观、人物、触发点与伏笔落到Novel_setting.txt。长章节数会分块生成并暂存partial_architecture.json避免超出上下文限制。生成目录读取Novel_setting.txt由 novel_generator/blueprint.py 产出每章标题加简短提示写入Novel_directory.txt。这一步定下全书骨架。生成草稿输入是前文设定、目录、已定稿章节加上你对本章的指令它先做向量检索召回相关片段再由 novel_generator/chapter.py 产出outline_X.txt本章细纲和chapter_X.txt正文。定稿由 novel_generator/finalization.py 把本章压缩进全局摘要与人物状态并更新向量库供下一章使用。前两步各跑一次第 3、4 步循环到最后一章。 三个值得读的设计它们各自防什么事故状态跟踪——防人物漂移写到后段人物性格、能力与开局设定不一致。它用人物状态轨迹和伏笔清单约束生成实现在 novel_generator/architecture.py 与定稿链路中。向量检索——防细节遗忘几千字之外的事件对模型不可见。已定稿章节被切句入库生成时按语义召回最相关片段拼入提示词基于 Chroma 实现见 novel_generator/vectorstore_utils.py。一致性校对——防剧情矛盾最新章节与设定、人物状态、前文摘要直接冲突而无人发现。校对提示词会把冲突与遗漏的伏笔都列出来无冲突才返回无明显冲突逻辑在 consistency_checker.py。 调参经验三组参数怎么设参数作用建议值temperature控制文本的随机性越高越敢写正文 0.7 起步校对类任务用 0.3num_chapters/word_number决定总篇幅与节奏密度首本书 20 章 × 3000 字跑通再放大user_guidance对当前章节的定向指令如本章揭示主角身世有明确剧情要求才填留空交给模型 踩坑速查三个高频问题Expecting value: line 1 column 1→ 现象生成时报 JSON 解析错误。 → 原因接口没返回 JSON多半是密钥无效或端点被重定向到错误页。 → 处理核对api_key与base_url先用该端点发一次最小请求验证。HTTP 504 超时→ 现象长任务中途网关超时。 → 原因服务端或网络不稳定timeout默认 600 秒已较宽。 → 处理检查网络与代理设置proxy_setting避开高峰时段重试。章节与后文不一致→ 现象某章之后人物或剧情对不上。 → 原因跳过定稿直接写下一章或中途换了嵌入模型导致向量库不兼容。 → 处理每章写完立即定稿切换嵌入模型后删除vectorstore目录重建。 开始第一本书先按20 章 × 3000 字完整跑一遍四步流程确认每章都能定稿再加大篇幅。【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
📞 ✉