AI 长篇小说自动生成 10 分钟上手：AI_NovelGenerator 部署、配置与调参指南-平芜编程栈

AI 长篇小说自动生成 10 分钟上手：AI_NovelGenerator 部署、配置与调参指南

【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 是一个基于大语言模型的长篇小说生成工具：输入主题和章节数，它按「设定 → 目录 → 草稿 → 定稿」四步生成故事，并用向量检索和状态文件自动衔接上下文、管理伏笔。这篇文章带你用 10 分钟跑通一次完整生成，并说明参数怎么调、剧情不连贯时先查哪里。

写长篇最容易翻车的不是文笔

长篇写到 15 章以后人设开始打架，靠人肉回翻原文能救回来吗？很难。AI_NovelGenerator 的做法是让每一步生成都落盘成文件：世界观设定、章节目录、每章大纲与正文、全局摘要、角色状态、未解决的剧情要点，再把这些文件喂给后续生成步骤和一致性检查，把"靠记性写长篇"变成"靠状态文件写长篇"。想验证这套机制有没有用，先把它跑起来。

🛠 环境准备：Python、依赖和 API 密钥

先确认 Python 版本，3.9 以上可用，推荐 3.10–3.12：

python --version

然后准备一个大模型服务的 API 密钥：云端可选 DeepSeek、OpenAI、Gemini，本地可用 Ollama（兼容 OpenAI 接口）。向量检索（Embedding，把文字转成数字以便按语义找相似段落）也需要一个密钥，或直接用 Ollama 的本地模型。密钥和 Python 都就位后，就可以进安装环节。

🚀 一键部署步骤：四条命令起界面

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

python main.py会启动图形界面。如果个别依赖包安装失败，通常需要先装 C++ 编译工具；缺单个依赖就单独pip install 包名补上。界面打开后先别急着点生成，花两分钟把配置理顺，能省掉后面大量的返工。

⚙️ 配置详解：只改三组关键项

项目自带一份内置配置，你也可以参照 config.example.json 复制出 config.json 再改。真正需要动的就三组：

llm_configs（模型预设）：每组里api_key填密钥，base_url填接口地址，model_name填模型名，temperature控制创意度（0–1，示例默认 0.7），max_tokens控制单次回复长度上限。

embedding_configs（向量检索）：model_name例如 text-embedding-3-small，retrieval_k是每次检索返回的相邻段落数（示例为 4）。

choose_configs（任务路由）：把 5 个任务分别指给不同模型——architecture_llm管世界观设定，chapter_outline_llm管章节大纲，prompt_draft_llm管正文草稿，final_chapter_llm管定稿，consistency_review_llm管审校。用便宜模型跑草稿、强模型跑设定和定稿，是省 token 的常用组合。

小说主题、章节数这些参数不在配置文件里，界面上直接填。配置理顺后，下面按界面走一遍完整生成。

📖 一次完整生成流程走查

在"小说参数"区填好主题（topic）、类型（genre）、章节数、每章字数和保存路径，然后按顺序操作：

Step1 生成设定：产出 Novel_setting.txt，包含世界观、角色、雷点暗线；
Step2 生成目录：基于设定产出 Novel_directory.txt，每章一个标题加简要提示，标题可以直接改；
Step3 生成章节草稿：填章节号和"本章指导"，系统读取前文并做向量检索，产出 outline_X.txt 和 chapter_X.txt；
Step4 定稿当前章节：更新全局摘要、角色状态、向量库和剧情要点文件；
可选：一致性审校：扫描最新章节与设定、角色状态、前文摘要的冲突，结果输出在日志区。

第 3–5 步对每一章重复，每步产出都在保存目录里，随时可以手改。提示词模板集中在 prompt_definitions.py，核心生成逻辑在 novel_generator/。跑完一轮，你能大致看出哪些步骤耗时最长，接下来针对它们调参数。

🎛 关键参数怎么调

temperature：0.7 是安全的起点；想要更大胆的情节往 0.9 靠，严肃题材往下调；
max_tokens：示例配置里草稿模型 8192、定稿模型 32768，单章字数目标越大，上限要给足；
retrieval_k：设 4 左右能平衡上下文质量与速度，调太大会把无关段落塞进提示词；
timeout：示例统一 600 秒，长章节生成别调太短；
本地 Ollama 场景：base_url 指向 Ollama 地址即可，Embedding 建议用 nomic-embed-text，启动方式见下一节。

参数只是放大器，真正决定连贯性的是生成流程本身有没有走全。

🧯 剧情不连贯怎么办：避坑清单

定稿步骤别跳过：全局摘要、角色状态、向量库都在 Step4 更新，只生成草稿不定稿，后续章节拿不到最新剧情；
报 "Expecting value: line 1 column 1 (char 0)"：接口没返回 JSON（多半返回了 HTML 错误页），检查 api_key 和 base_url 是否配错；
HTTP 504 Gateway Timeout：接口不稳或网络问题，换个时间点或换服务；
换了 Embedding 模型后检索结果乱：清空输出目录下的 vectorstore 目录再重新定稿；
本地 Ollama 做 Embedding：先启动服务再下载模型——
```
ollama serve ollama pull nomic-embed-text
```
审校发现角色逻辑矛盾：consistency_checker.py 会把冲突列进日志，回到对应章节手改，再重跑审校确认。

排完这些坑，剩下的工作就是重复生成与定稿。