新闻详情

新闻详情

首页 / 资讯中心 / 详情

15 分钟跑通本地 AI 小说生成器:AI_NovelGenerator 自动连载从空目录到第一章

发布时间:2026/11/15 1:41:59来源:尧图网络
15 分钟跑通本地 AI 小说生成器:AI_NovelGenerator 自动连载从空目录到第一章
15 分钟跑通本地 AI 小说生成器AI_NovelGenerator 自动连载从空目录到第一章【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写长篇最怕的不是开头而是写到第三十章时你已经忘了第一页埋过什么伏笔。AI_NovelGenerator 是本地搭建的 AI 写作工具把世界观设定、章节目录、章节草稿到定稿整理成一条流水线自动衔接上下文帮你管理伏笔和角色状态你只需要在每一步做检查和拍板。这篇文章不按装完再用的顺序平铺而是先带你用最小配置跑通出一章的闭环再讲剧情控制、模型分工和常见坑——先看到结果再谈调优。装好环境5 分钟只需要一个 API Key先确认两件事Python 版本不低于 3.9推荐 3.10–3.12以及手里有一个可用的大模型 API 密钥。密钥来自任意兼容 OpenAI 格式的服务商DeepSeek、OpenAI、Gemini 都行如果想在完全离线的环境用也可以接本地跑 Ollama 的地址。克隆项目并安装依赖git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt看到 pip 滚动输出Successfully installed ...即表示依赖装好了。个别包在 Windows 上编译失败时按项目 README 的提示补装 C 编译工具再装一次即可。3 行配置接入大模型先跑通最小闭环配置文件不用从零写复制一份示例再填空就行cp config.example.json config.json打开config.json在llm_configs里随便挑一个预设如 DeepSeek V4 Flash把三处填上就能跑api_key、base_url、model_name。DeepSeek V4 Flash: { api_key: sk-你的密钥, base_url: https://api.deepseek.com, model_name: deepseek-v4-flash }interface_format字段告诉程序按哪种接口的格式发请求DeepSeek、OpenAI、Gemini 各选对应值照抄示例里的就行。然后运行python main.py弹出带 Step1 到 Step4 按钮的图形界面说明已经装通。四步流程出第一章从世界观到定稿界面上的四个按钮对应一条固定的生成流水线每一步都有产出文件可以人工修改后再进下一步Step1. 生成架构填好主题、类型、章节数、单章字数和保存路径后点击生成Novel_setting.txt世界观、角色设定、剧情蓝图。打开这个文件读一遍、改掉你不满意的设定再往下走。Step2. 生成目录基于设定产出Novel_directory.txt包含每章标题和剧情提示。目录可以随意增删改它就是后文每一章的提纲。Step3. 生成草稿填章节号在本章指导里写任何你想强加的剧情本章让主角误入旧城区不要提前揭穿反派身份点击后生成outline_X.txt大纲和chapter_X.txt正文。这一步会自动读取前文设定、目录和已定稿章节并做向量检索回顾剧情所以写到的章节越靠后它越依赖你前面定稿的内容。Step4. 定稿章节对草稿做最终处理同时把全局摘要、角色状态、剧情要点写入global_summary.txt、character_state.txt等文件——这些状态文件就是自动衔接上下文的实现后续章节靠它们回忆前文而不是靠模型自己的记忆。看到chapter_1.txt出现定稿文本第一章就跑通了。控制剧情走向本章指导、参数与模型分工想让 AI 按你的意思写除了本章指导配置里还留了更细的字段characters_involved本章出场角色、key_items关键道具、scene_location场景、time_constraint时间限制写在other_params里即可相当于给单章画框。choose_configs允许给不同环节分配不同模型按任务强弱搭配任务建议模型示例理由架构、章节大纲Gemini 3.5 Flash一次要看全盘创意和结构能力更吃紧草稿、一致性审校DeepSeek V4 Flash高频调用图快和省钱章节定稿DeepSeek V4 Pro篇幅长需要更大的max_tokens上限想换服务商只改llm_configs里的model_name和base_url界面下拉框即可切换不用改代码。两个旋钮值得记住temperature控制创意度0.7 附近比较稳调低更严谨、调高更天马行空向量检索embedding默认检索 4 条相关记忆写得越长越该启用它。用本地 Ollama 跑 embedding 的话记得先ollama serve启动服务并ollama pull nomic-embed-text拉模型切换 embedding 模型后清空vectorstore目录旧向量和新模型不匹配。常见坑报错、不连贯、连不上现象报Expecting value: line 1 column 1 (char 0)→ 接口返回的不是 JSON多半是 HTML 错误页说明密钥或base_url填错 → 核对这两项或换一个服务商。现象章节越写越脱节人物行为对不上前文 → 长程上下文只靠模型自身记忆撑不住 → 启用向量检索配好 embedding并坚持每章定稿更新状态文件。现象HTTP/1.1 504 Gateway Timeout→ 接口端不稳定或超时太短 → 把timeout调大或换更稳的服务商需要代理时在proxy_setting里配置。跑通第一章之后接下来做什么直接进第 2 章重复 Step3、Step4重点看本章指导对草稿的牵引是否生效没生效就把指导写得更具体点名、定场景、卡时间。对已定稿章节点一致性审校它专查人物逻辑和前后矛盾冲突提示会打在日志区照着改。写到十章以上时验证长程记忆随便挑一个第 1–3 章的伏笔看后文草稿有没有接住它——接住了这套自动连载就算真正立住了。【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 2026/11/14 3:51:47

【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 2026/11/12 23:59:09

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 2026/11/14 3:51:43

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
📞 ✉