新闻详情

新闻详情

首页 / 资讯中心 / 详情

3条命令跑通AI小说生成器,自动衔接上下文与伏笔

发布时间:2026/11/13 9:53:46来源:尧图网络
3条命令跑通AI小说生成器,自动衔接上下文与伏笔
3条命令跑通AI小说生成器自动衔接上下文与伏笔【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 是一个基于大语言模型的小说生成工具输入主题和类型它自动生成世界观设定、章节目录和逐章正文并靠状态文件加向量检索维护长篇上下文回收你自己都容易忘掉的伏笔。适合有写作想法但卡在长篇写不连贯上的普通用户全程图形界面不需要写代码。长篇连载为什么会写到一半就散架写到二十章主角的性格开始和第一章对不上三十五章之前埋的伏笔再也没人提世界观里的力量体系前后描述悄悄漂移。这些不是笔误是长篇创作的结构性难题。AI_NovelGenerator 的思路不是让模型记住前文而是把设定、角色状态、全局摘要落成文件再用向量检索按需召回让每一章都接得上前情。最快出结果的路径先确认 Python 版本要求 3.9 以上推荐 3.10 到 3.12python --version它只是检查版本号低于 3.9 请先升级再往下走。git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator把仓库拉到本地后面所有命令都在这个目录里执行。pip install -r requirements.txt一次装齐界面组件、模型接口封装和向量库等全部依赖。如果 Windows 上个别包编译失败需要先安装 Visual Studio 的 C 编译工具。python main.py弹出约 1350x840 的图形界面即启动成功。首次使用要在配置页填入 API Key、接口地址和模型名称并保存之后所有生成都基于这套设置。四个按钮走通一遍完整创作一键生成完整世界观填好主题、类型、章节数和单章字数后点「Step1. 生成架构」。它产出Novel_setting.txt包含世界观、角色、雷点与暗线伏笔。生成后可以直接在界面里改设定后面所有章节都以这份架构为准。把整本书拆成可编辑的目录点「Step2. 生成目录」。它读取刚生成的设定文件产出Novel_directory.txt每章一个标题加剧情提示。标题和提示都可以手动调整相当于给整本书排了戏。生成能接上前文的章节点「Step3. 生成草稿」填上章节号还可在本章指导里补充对这一章的要求。系统会自动读取设定、目录和已定稿章节用向量检索召回相关前文与角色状态再产出本章大纲outline_X.txt和正文chapter_X.txt。左侧编辑框可以直接改稿底部日志区实时输出进度。审校后定稿状态自动更新先点「一致性审校」它会扫描最新章节的角色逻辑与剧情矛盾冲突明细输出在日志区。没问题后点「Step4. 定稿章节」系统自动更新全局摘要、角色状态和向量库下一章就能接上最新状态。界面还有「批量生成」按钮适合确认流程没问题后连续出章。关键参数速查参数默认行为何时调整temperature0.7文字太套路调高太发散调低retrieval_k4 条剧情跨度大、上下文接不上的时候调大max_tokens8192 或 32768单章目标字数接近该上限时调大word_number无默认手填决定单章目标字数章节数无默认手填决定整体篇幅与工作量三个高频故障的解法报Expecting value: line 1 column 1 (char 0)这是 JSON 解析错误多半是接口返回了 HTML 错误页而不是正常数据。核对 base_url 和 api_key确认权限开通、地址没少斜杠。504 Gateway Timeout接口不稳定或单次输出过长都会触发。把 max_tokens 调小、换一个更稳定的模型或稍后重试。换了 embedding 模型后召回内容全乱旧向量空间和新模型不兼容向量库必须先清空。界面上有红色「清空向量库」按钮也可以直接删掉vectorstore文件夹。后续去处完整配置说明与疑难解答在 README_zh-CN.md提示词模板集中在 prompt_definitions.py章节生成、伏笔与摘要的核心逻辑在 novel_generator/ 目录想改生成策略就从这里入手。先跑通第一章剩下的交给流程。【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_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
📞 ✉