企业官网建设流程全解析

AI_NovelGenerator：把一章小说的生成过程拆开讲

【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

AI_NovelGenerator 是一个自动写作平台，把「写几十章的长篇小说」拆成可以逐章推进的流水线：上下文自动衔接、伏笔自动追踪、章节一致性检查都替你做。读完这篇，你能带走它对向量检索、提示词分层和模型调度的整套设计思路。

30 秒判断值不值得用

• 跨章一致性：每章生成前自动汇总前文摘要、检索相关剧情，写第 50 章也能记得第 8 章埋的伏笔
• 伏笔与角色追踪：内置「未解决冲突/剧情要点」记录，生成时主动检查哪些线索该推进了
• 章节一致性检查：每章定稿后可单独跑一次校验，比对设定、角色状态和前文摘要，冲突直接列出来
• GUI 全流程：从世界观设定、章节蓝图到正文、校对，全部有界面操作，不用自己写脚本

一句话总结：如果你写过「让 LLM 一次性生成长文然后越写越飘」的翻车现场，这套分阶段生成 + 向量检索的链路值得花时间研究；如果只是想要单篇短篇，它略重。

从 clone 到界面跑起来

git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator && pip install -r requirements.txt python main.py

需要 Python 3.9+（推荐 3.10~3.12）。默认配置参考config.example.json，复制为config.json后，模型参数都在llm_configs分组里，每个任务用哪个模型在choose_configs里分配。首次启动最常见的两个坑：某个包编译失败，装上对应平台的 C++ 构建工具后重装即可；界面里测试模型连接超时，检查base_url是否带了版本后缀（如/v1）。

一章小说是怎么被生成的

整条链路是「输入 → 检索 → 生成 → 校验」，我们按这个顺序走一遍。

输入：进入这一环节的是章节目录文件、全书总纲和角色状态文件。novel_generator/chapter.py里的build_chapter_prompt读取本章大纲、下一章信息，再把前几章的原文压缩成一份摘要，第一章还会走单独的提示词模板。出来的是「这一章要写什么」的结构化素材。

检索：相当于给全书做一次关键词联想搜索。系统先让模型基于本章大纲生成检索关键词，再去向量库里取回最相关的历史片段。向量库由novel_generator/vectorstore_utils.py维护（底层是 Chroma），每章定稿后增量更新，所以它是一份持续生长的长期记忆。这一步解决的是上下文窗口装不下整本书的问题——不是硬塞全文，而是按相关性抽片段。

生成：摘要、检索片段、本章大纲、角色设定被按分层提示词工程拼进一个提示词模板（模板集中在prompt_definitions.py，按「定稿/蓝图/草稿/校验」阶段分层，互不干扰），交给草稿模型出正文，再经过novel_generator/finalization.py按目标字数扩写润色。多章节批量生成时，ui/generation_handlers.py用后台线程逐个调度，属于 LLM 并发调度的简化形态：串行触发、异步等待，避免界面卡死。

校验：consistency_checker.py拿全书设定、角色状态、全局摘要、未解决冲突清单和最新章节做一次比对，让模型把冲突逐条列出来，没有冲突就返回「无明显冲突」。这一步刻意用了低温（0.3）模型，因为校验要的是判断不是发挥。

值得翻一翻的 4 个文件

• novel_generator/chapter.py：最值得学的是「提示词组装」的写法——它把读文件、生成摘要、向量检索、格式化全集中在build_chapter_prompt一个函数里，提示词本体却留在prompt_definitions.py，改文案不碰逻辑，这比把长字符串内联在逻辑里好维护得多。
• novel_generator/vectorstore_utils.py：看它如何按句子边界切分章节再入库（split_text_for_vectorstore），以及检索结果为什么要过一道「相关性过滤」再进提示词。直接存长段会让相似度搜索召回一堆半相关的内容。
• llm_adapters.py：经典的适配器模式教学样本，十来个厂商各一个类、共用一个create_llm_adapter工厂函数。想接新模型时你只需要加一个子类，全项目其他代码一行不改。
• novel_generator/common.py：一个call_with_retry和invoke_with_cleaning就撑起了整个系统的容错——重试、兜底返回值、响应清洗都收敛在这里。把「怎么可靠地调一次 API」和「调 API 干什么」分开，是这类项目最该有的纪律。

调参、限流与踩坑

两个我们实际会踩的坑：一是 API 限流，批量生成十几章时中途 429 很常见，项目靠novel_generator/common.py的重试（默认 3 次、间隔 2 秒）扛住短时限流，但连续失败时更稳的做法是调大sleep_time或错开高峰跑；二是向量索引别攒着不更新，每章定稿后都会增量写入向量库，如果手动改过章节内容却不重建索引，检索回来的就是旧剧情。

接下来可以怎么玩

• 换一套提示词体系：在prompt_definitions.py里按自己的叙事方法改写草稿模板，这是零代码成本最大的自定义入口
• 接新模型：仿照llm_adapters.py里任意一个子类加一个适配器，再在config.json里登记即可
• 定制校验规则：consistency_checker.py的CONSISTENCY_PROMPT就是校验的全部标准，加几条你关心的冲突类型（比如时间线、能力上限）直接生效

把生成链路想清楚——输入从哪来、检索取什么、校验看什么——比换模型更能决定长篇写作的最终质量。

【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