新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI_NovelGenerator 使用教程:用 AI 自动生成长篇小说的完整指南

发布时间:2026/11/12 19:18:34来源:尧图网络
AI_NovelGenerator 使用教程:用 AI 自动生成长篇小说的完整指南
AI_NovelGenerator 使用教程用 AI 自动生成长篇小说的完整指南【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让大模型写长篇最折磨人的地方是写到第 5 章角色名记串、伏笔忘收、设定前后打架。AI_NovelGenerator 就是为了解决这个问题它基于大语言模型把写作拆成设定 → 目录 → 章节草稿 → 定稿四步流水线用状态文件 向量检索自动衔接上下文、管理伏笔并内置一致性审校检查剧情矛盾。全程图形界面操作不用写代码适合想试水 AI 写作的爱好者和有本地模型的开发者。这个项目能产出什么先说成果再谈怎么用。跑完之后你会在保存路径里得到这样一套文件Novel_setting.txt世界观、角色、剧情伏笔的完整设定Novel_directory.txt全书章节目录每章带标题和剧情提示outline_X.txt/chapter_X.txt每章的大纲和正文global_summary.txt/character_state.txt全局摘要和角色状态这是后文不忘前文的关键一致性审校日志自动检测角色逻辑、剧情前后矛盾实现这些的模块可以随手翻到章节生成核心在 novel_generator/一致性检查在 consistency_checker.py整个图形工作台在 ui/。它和一句话生文的玩具工具的区别在于每定稿一章全局摘要、角色状态、向量库都会同步更新后面的章节生成时会自动回查前文相关剧情。三条命令装好并启动环境要求只有两条Python 3.9 以上推荐 3.10–3.12以及一个可用的大模型 API Key云端如 OpenAI、DeepSeek本地 Ollama 也支持。在终端依次执行git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator把项目代码拉到本地。cd AI_NovelGenerator pip install -r requirements.txt自动装好全部依赖包括图形界面和 AI 接口模块若个别包报缺 C 编译环境装上对应编译工具再补装即可。python main.py启动图形界面创作工作台直接可用。四步生成一章循环到全书写完启动后在界面上填好主题topic、类型genre、章节数、每章字数和保存路径然后按固定节奏推进Step1. 生成设定基于主题和类型产出世界观、角色、伏笔暗线写入Novel_setting.txt生成后可以手动改Step2. 生成目录根据设定产出全书章节标题和简要提示写入Novel_directory.txt不满意可以改Step3. 生成章节草稿填章节号在本章指导框里写上你对本章的剧情期望系统会读取前文设定、目录和已定稿章节再用向量检索召回相关上下文产出大纲和正文草稿Step4. 定稿当前章节更新全局摘要、角色状态、向量库和剧情要点保证后续章节调用的是最新信息之后重复第 3、4 步直到全书完成。每章定稿后还可以点「[可选] 一致性审校」让模型扫描最新章节的角色逻辑和剧情冲突问题会输出到日志区。关键配置与三个避坑提示模型相关参数在config.json中配置完整示例见 config.example.json也可以直接在界面里填。核心参数api_key/base_url/model_name大模型的密钥、接口地址和模型名temperature创意度0–1 之间越高越放飞topic/genre/num_chapters/word_number主题、类型、总章节数、单章目标字数choose_configs按任务分配不同模型比如架构设定用一个模型、定稿章节用更强的模型灵活省钱Embedding 配置向量检索用的接口和模型名本地可用 Ollama 的nomic-embed-text避坑提示报Expecting value: line 1 column 1或 504 超时基本是 API 返回了非 JSON 内容或接口不稳定先检查密钥和 base_url 是否正确、网络是否通畅切换 Embedding 模型后记得清空vectorstore/目录旧向量和新模型不兼容会污染检索结果用本地 Ollama 做 Embedding 前先启动服务并拉好模型ollama serve、ollama pull nomic-embed-text云端 Embedding 则确认 API 权限已开通下一步按上面的命令把项目 clone 下来配好你的 API Key先拿一个小设定比如 10 章、每章 3000 字把四步流程完整跑一遍验证设定质量和审校效果后再放大到整本书。【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 2026/11/13 0:43:49

【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 2026/11/12 9:50:02

【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 ... 2026/11/12 9:25:38

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 2026/11/12 15:57:44

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 2026/11/13 0:02:27

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
📞 ✉