新闻详情

新闻详情

首页 / 资讯中心 / 详情

用AI小说生成器从设定到定稿,跑通一本20章长篇

发布时间:2026/11/17 13:47:48来源:尧图网络
用AI小说生成器从设定到定稿,跑通一本20章长篇
用AI小说生成器从设定到定稿跑通一本20章长篇【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写长篇最容易崩掉的往往不是开头而是中盘写到第二十章你发现自己已经忘了第三章埋的那把钥匙归谁主角在第十二章受的伤到后面又满血跑了起来。AI小说生成器AI_NovelGenerator就是冲着这类问题去的——它用AI逐章生成多章节长篇小说同时自动维护全局摘要和角色状态文件让上下文衔接与伏笔不再只靠你脑子记。⚙️ 搭环境三条命令跑起来对环境的胃口不高Python 3.10 左右3.9 可以加一个能用的大模型 API 密钥云端 OpenAI、DeepSeek 都可以本地 Ollama 这类 OpenAI 兼容接口也行。git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt装完依赖后python main.py启动GUI 就会弹出来。如果个别依赖装不上按报错提示单独pip install对应包即可。 四步流水线从一句话到一本稿启动后在界面里填好主题、类型、章节数、每章字数和保存路径之后整个创作链路就是四个环节反复滚动每一步的产物都是一份可编辑的 txt 文件你对结果不满意可以直接改文件再往下走。生成设定根据主题和类型产出Novel_setting.txt里面是世界观、角色信息、雷点与暗线。这一步解决的是这本书到底讲什么、主角是谁。生成目录基于设定产出Novel_directory.txt每章一个标题加简短提示。它给后面的逐章写作划定骨架防止情节跑偏。生成章节草稿填章节号还可以在本章指导里写具体要求比如本章让配角退场。系统会读取前文设定、目录和已定稿章节生成outline_X.txt大纲和chapter_X.txt正文。定稿当前章节这一步更新全局摘要global_summary.txt、角色状态character_state.txt和向量库。它是整条链路的记忆锚点——跳过了它后面章节基本就是在失忆状态下写作。之后重复第 3、4 步直到写完。每章定稿后还能点一下一致性审校由 consistency_checker.py 扫描最新章节的角色逻辑和剧情冲突问题会直接打在日志区。 三个值得拆开看的机制目录怎么分块生成。写 200 章的小说一次性生成大纲早就超出模型上下文了。novel_generator/blueprint.py 里的compute_chunk_size按每章约 200 tokens 估算模型容量算出每次该生成几章然后一块一块往后推如果中途断了它会解析已有目录、从断点章节继续不用从头再来。角色状态怎么不漂移。novel_generator/architecture.py 在生成设定时就按核心种子 → 角色动力学 → 世界观 → 剧情架构四步推进并顺手产出一份初始character_state.txt之后每定稿一章角色状态和剧情要点都会被重写一次。也就是说模型下次写作时看到的主角此刻什么样是文件里记的不是它自己回忆的。向量库怎么防偏离。novel_generator/vectorstore_utils.py 基于 Chroma 把已定稿章节切分后存入本地向量库生成新章节草稿时自动检索相关片段塞进提示词。novel_generator/chapter.py 里还会先取最近三章做精准摘要——近景靠摘要远景靠检索两条腿一起走。⚠️ 实操建议与常见坑设定文件允许手改Step1 产出后想调整世界观直接编辑Novel_setting.txt再生成目录目录会跟着你的设定走。切换 embedding 模型后把输出目录里的vectorstore文件夹清掉新旧向量混用会导致检索质量莫名其妙变差。每章写完就定稿别攒着定稿才会更新摘要、角色状态和向量库这是下一章写得准不准的前提。用本地 Ollama 做 embedding 时先ollama serve起服务并ollama pull nomic-embed-text否则向量库初始化会静默失败。报 Expecting value: line 1 column 1 说明 API 返回的不是 JSON大概率是密钥失效或 base_url 填错先查这两项。✅ 从今晚的一个短篇开始回到开头那个场景当你不再需要凭记忆核对第三章的钥匙归谁长篇写作里最容易翻车的部分就交给工具去记了。建议先拿 10 章、每章 3000 字的小目标把四步流水线完整跑一遍确认设定和定稿的产物符合预期再放大到真正的长篇。【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 2026/11/17 7:04:08

【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 2026/11/17 5:42:44

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 2026/11/16 19:23:38

【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 ... 2026/11/17 6:55:04

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 2026/11/17 5:57:47

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 2026/11/16 17:28:18

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
📞 ✉