新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI小说生成器:输入一个主题,自动扩写出30章前后一致的长篇

发布时间:2026/11/14 23:13:36来源:尧图网络
AI小说生成器:输入一个主题,自动扩写出30章前后一致的长篇
AI小说生成器输入一个主题自动扩写出30章前后一致的长篇【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在主题框里敲下废土世界的AI叛乱填好30章、每章3000字按下按钮几分钟内得到的不是几段文字而是世界观、人物关系和每一章的完整目录。这就是 AI_NovelGenerator一个输入单一主题就能扩写长篇的AI小说生成器上下文衔接和伏笔回收都自动维护。最快跑起来的路径前提只有两个Python 3.9和一个大模型 API KeyDeepSeek、OpenAI 这类云端服务或者本地 Ollama 都行git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt python main.py启动后会弹出一个图形工作台一边填 API、主题、类型、章节数和字数另一边就是生成设定 → 生成目录 → 生成章节草稿 → 定稿四步按钮。按下按钮之后发生了什么你输入的只有主题和几个数字剩下的流程走的是这样一条管线novel_generator/architecture.py把你的主题展开成Novel_setting.txt——这个世界的角色有哪些、规则是什么、核心冲突在哪一次写全。接着novel_generator/blueprint.py依据设定生成整本书的目录每章一个标题加一句剧情提示分几批生成会根据你模型的 token 容量自动计算。正文交给novel_generator/chapter.py它每写一章之前先取前 3 章原文再用向量检索捞相关上下文然后产出大纲和正文两个文件。定稿环节是关键。novel_generator/finalization.py在你点定稿后会把这一章回写到全局摘要、角色状态、剧情要点三本台账里。下一章的生成、一致性检查读的都是这些台账。模型接口封在llm_adapters.py和embedding_adapters.py里配置时可以给不同任务分派不同模型——正文用大模型检查用便宜模型成本省一半。拿一部30章都市悬疑走一遍主题是普通白领被卷入同事失踪案都市悬疑30章每章2000字。点生成设定你会得到一份带人物小传和暗线雷点的设定文档文件可以直接删改。再点生成目录30个章节标题各配一句剧情提示出来不满意就手动调。之后进入主循环。写每章前你可以在本章指导里塞几句话比如本章主角注意到保险柜细节这一步的智能章节生成会产出大纲和chapter_X.txt正文。看着满意就点定稿有问题直接改文本程序以你手改后的版本为准。中途随时点一次一致性检查它把设定、角色状态、未回收冲突和最新章节放在一起比对有问题列出没问题就返回无明显冲突。文件内容谁来动Novel_setting.txt世界观、人物、暗线随时手改Novel_directory.txt30章目录提示生成章节前可编辑chapter_X.txt单章正文草稿→定稿plot_arcs.txt未解决冲突清单定稿时自动更新这张表的价值在于中间产物全部可见可改AI不是黑盒你也不是旁观者。几个容易忽略但很管用的细节你可能第3章埋了个大伏笔第15章就忘了。定稿时程序会把未解决的剧情要点抽进plot_arcs.txt一致性检查会专门看这份清单有没有被推进被忽略的冲突会直接提醒你。你可能第1章写主角是个冷血硬汉第20章他却突然心软。consistency_checker.py拿着角色状态台账和最新章节逐条对照行为与性格对不上的地方逐条输出不用你自己翻稿。你手里可能有自己写的世界观文档或参考资料。novel_generator/knowledge.py能把这些本地文档按句切分后灌进向量库生成正文时和剧情一起被检索调用模型是真的看过你给的材料。谁适合用脑子里有想法但理不出结构 / 赶稿期的职业作者 / 游戏策划想写世界观设定 / 想试试AI辅助写作工具这个AI小说生成器把大模型长篇创作里机械的部分接走了故事本身还是你的。克隆仓库跑起来你的第一个30章就开始了。【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
📞 ✉