新闻详情

新闻详情

首页 / 资讯中心 / 详情

用AI_NovelGenerator自动生成长篇小说

发布时间:2026/11/15 8:44:54来源:尧图网络
用AI_NovelGenerator自动生成长篇小说
用AI_NovelGenerator自动生成长篇小说【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想写长篇小说最麻烦的往往不是第一章而是第三十章三个月前角色的状态记不清了开头埋的伏笔还悬在那里。AI_NovelGenerator 是一款基于大语言模型的小说生成工具能在生成多章节长文时自动衔接上下文和伏笔。装好之后你只需要按设定 → 目录 → 草稿 → 定稿四步走就能得到一部结构完整、情节连贯的作品。快速安装与部署 AI_NovelGenerator 环境系统要求不复杂Python 3.9 及以上版本官方推荐 3.10–3.12、pip 包管理器以及一个有效的大模型 API 密钥。云端服务可选 OpenAI、DeepSeek 等本地可以用 Ollama 等兼容 OpenAI 接口的服务。git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt克隆并装完依赖后在 Windows 上若有个别包装不上去安装 C 编译工具记得勾选C 桌面开发。全部就绪后执行python main.py图形界面就会打开。第一次上手从填参数到定稿第一章打开界面后先填基本参数API Key 与服务地址、模型名称、温度值0~1越高文字越天马行空、故事主题、作品类型科幻、玄幻、都市等、章节数和每章字数、保存路径。然后按顺序点四个按钮Step1「生成设定」输出 Novel_setting.txt包含世界观、角色、伏笔暗线可以打开文件直接改。Step2「生成目录」基于设定生成 Novel_directory.txt包含每章标题和简要提示章节描述可以修改。Step3「生成章节草稿」填章节号还能在本章指导输入框里说明本章走向生成后得到章节大纲和 chapter_X.txt 正文在文本框里即可查看和编辑。Step4「定稿当前章节」系统把本章写入全局摘要和角色状态文件同时更新本地检索库。以 3 万字为例10 章 × 3000 字是比较常见的配置。所有章节生成并定稿后整部作品就完成了。长篇质量怎么把控不跑偏长篇小说的核心难题是记不住这个工具的处理方式全部发生在章节生成流程内部。以一个都市异能成长故事为例Step1 的设定文件里记录了主角出身和能力觉醒的触发点。写后续章节时你只需在本章指导里写一句方向系统会先从前面各章检索相关段落。向量检索说白了就是让系统自动记住前面章节埋的伏笔再基于角色状态文件 character_state.txt 生成大纲和正文。定稿时状态文件随之更新主要剧情线记入 plot_arcs.txt。也就是说主角能力觉醒、技能升级、关系变化这些成长节点被逐章记录第三十章里角色的行为和对话依据的是剧情走到这里时的状态。定稿后还可以点一致性审校系统会扫描本章的角色逻辑和剧情矛盾有问题会在日志区给出详细提示。调参与常见问题处理 下面的调参建议属于经验之谈供参考温度值正文贴着设定走时可降到 0.5 左右让文字更稳生成蓝图和设定时可以放到 0.7 以上。每章字数别写太大超过模型 max_tokens最大回复长度会被截断需要长章时同步调大 max_tokens。章节数较多时用目录文件把故事分成几个卷段控制节奏避免伏笔全堆在前半。常见问题可以对照项目疑难解答出现 Expecting value 报错通常是 API 没返回有效 JSON先检查地址和密钥504 Gateway Timeout 需要确认接口稳定和联网状态切换 Embedding把文本变成可检索数值形式的模型后建议清空 vectorstore 目录旧检索内容会干扰结果用本地 Ollama 的 Embedding 时先启动服务并拉取对应模型。章节背后是怎么生成的项目分两块。novel_generator/ 是核心生成逻辑blueprint.py 负责故事蓝图规划chapter.py 负责章节生成finalization.py 负责定稿vectorstore_utils.py 负责构建和检索本地库。ui/ 是图形界面包含主窗口、章节管理和角色设定。consistency_checker.py 负责一致性检查。流程上分四个阶段蓝图规划、设定与目录、章节草稿生成、定稿优化。检索库是一个本地向量数据库定稿时本章文字被切段存入后续章节生成时检索相关段落保证跨章节的上下文一致性。这类工具适合谁用它适合想在较短时间内得到一部结构完整、情节连贯的作品且接受 AI 产出为主稿的人已经会配置大模型 API 的人工具不自带模型密钥需自备对设定一致性有要求的长篇创作。它不太适合追求文学质感和个人文风的人AI 输出仍需要人工润色想全程跑本地模型但机器配置不高的场景耗时和等待成本不低另外官方说明项目正处于重构阶段重构版在 dev 分支开发过渡期内功能可能有变动。开始你的第一部长篇如果你想用 AI 写长篇又不介意把 AI 产出当初稿来改AI_NovelGenerator 值得一试流程清晰每个环节生成的文件都可以手动修改。动手之前建议先读一遍中文文档和配置示例把配置项看明白再开始。【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
📞 ✉