简介：这是一套基于大语言模型的智能小说创作助手，面向长篇故事创作者、编剧与AI应用开发者，重点解决世界观设定不连贯、角色发展缺失、剧情前后矛盾等创作痛点。压缩包内共一百六十三个文件，其中Python后端脚本与TypeScript/React前端组件占据主体，辅以JSON配置、Markdown文档、SQL数据及模型权重等，整体大小约4.02MB，源码组织合理，便于直接部署与二次开发。工具内置小说设定工坊、智能章节生成、状态追踪与伏笔管理、语义检索引擎、知识库集成及自动审校机制，并支持可视化工作台一键操作，可有效保障长篇作品设定统一、情节连贯。已有99人学习下载，读者不仅能获得完整可运行的AI写作系统，还可借此研究多阶段生成、长程上下文维护、矛盾自动检测等模块的具体实现，适合作为大模型创意写作应用的参考工程。
1. AI 智能小说创作助手.zip：拿上手就能产出章节草稿吗
写长篇的人都知道，卡住的不是“没灵感”，而是“有灵感却没结构”：一个惊艳的开头写完后，第 5 章到第 15 章该怎么铺、配角什么时候登场、伏笔埋在哪里回收，全在脑子里打架。这款基于 AI 的智能小说创作助手，正是冲着这个痛点来的——zip 包里的东西拆开看，通常不只是一个模型壳子，而是一条被编排好的创作管线：能生成世界观、人物卡、分章大纲，也能按章节续写正文，再通过回填摘要维持长篇一致性。它适合两类人：想用现有大模型批量产出可用草稿的写作者，以及正在搭 AI 内容工具的开发者。前者把它当写作搭子，后者拿它当地道的工程模板。
2. 拆开 zip 看架构：从单模型到多角色 AI Agent 的创作管线
2.1 为什么单模型写出来像背景板，多角色协作才像小说
直接给大模型一句“写一个悬疑小说第一章”，多数时候你得到的是人物扁平、视角乱跳、对话全是解释性台词的 2000 字。问题不在模型能力，而在任务拆得不细。写小说是复合劳动：世界观设定、剧情编排、文笔润色、逻辑校验，这些职责硬塞给一次生成，模型只能取平均。
所以常见的做法是把小说创作建模成多 AI 协作的 agent 工作流——一个“主编 Agent”负责任务分发，下属有设定 Agent、编剧 Agent、文笔 Agent、校验 Agent。设定 Agent 产出人物卡和世界规则，编剧 Agent 按章节拆解“目标-冲突-转折”，文笔 Agent 负责把大纲落实成场景和对话，校验 Agent 回读上下文，检查设定是否吃书。这不只是工程上的炫技，它让每个环节的 prompt 短了、参数能单独调，出问题时也知道该改谁。zip 包是否能称得上“智能助手”，看的不是能不能聊，而是有没有把这几类角色拧成一条可控的流水线。
2.2 zip 包里常见的模块划分与数据流向
我解压过不少同类压缩包，它们的目录不一定同名，但核心模块基本能对上。这里给一张常见划分表，你可以拿它去对照手头 zip 里到底缺了什么：
| 模块 | 职责 | 主要产物 |
|---|---|---|
| 设定引擎 | 生成并维护世界观、人物卡、势力关系 | 结构化 JSON 设定库 |
| 大纲编排器 | 把一句话创意扩成卷、章、节三级结构 | markdown 大纲 |
| 正文生成器 | 按章执行生成，支持续写与批注写作 | 正文文本 |
| 记忆管理器 | 滚动摘要、检索设定、控制上下文长度 | 摘要库与检索结果 |
数据流大体是单向加回环：创意先进设定引擎，设定喂给大纲编排器，编排结果驱动正文生成器，正文写完由记忆管理器抽摘要，下一章的生成再带上“历史摘要 + 相关人物卡 + 当前大纲”作为上下文。别小看最后的回环，没有它，第 20 章的模型根本不记得第 1 章埋的伏笔。zip 里如果只有一个可执行文件而没有设定库和摘要目录，那它大概率只适合短篇试玩，撑不起长篇。
2.3 动手部署：环境准备、依赖安装与模型接入
无论 zip 里是什么形态，落地第一步都是把 Python 环境和依赖装干净。我建议先建独立虚拟环境，避免把系统 Python 搞乱：
mkdir ai-novel && cd ai-novel python -m venv .venv source .venv/bin/activate pip install --upgrade pip pip install openai python-dotenv这里的openai不是只能连官方服务，OpenAI 兼容接口的本地模型服务（如 vLLM、Ollama 的 OpenAI 兼容端点）都能用同一个客户端。这样 zip 包里的调用代码就不用因为换模型而改。装好后创建.env文件，把端点、密钥和模型名写进去：
# .env BASE_URL=http://127.0.0.1:8000/v1 API_KEY=sk-local MODEL_NAME=qwen2.5-14b-instruct配置要点是BASE_URL和MODEL_NAME一定要从 zip 包里提供的示例配置复制，不要自己猜。很多翻车现场就是模型名写错一个下划线，导致接口返回 404。用source .venv/bin/activate激活后再跑包里的main.py，如果报缺依赖，就补一个requirements.txt导入，不推荐全局 pip install，后面升级模型服务时你会感谢这个隔离环境。
3. 把一句话创意跑成第一章：编排脚本、提示词模板与生成参数
3.1 提示词模板拆解：三个必留的插槽
小说类提示词的核心是“结构化插槽”，而不是整段只读文本。一个经验是至少留三个变量位：题材类型、核心设定、目标章节数。用 Python 字符串模板表示就是这样：
SYSTEM_PROMPT = """你是一位资深小说编辑兼编剧，擅长类型文学。 你负责把作者的一句话创意扩展成可执行的分卷大纲，要求： - 故事必须有明确的对抗力量（人、环境、内心冲突均可）； - 每一卷必须有独立的危机与解决； - 人物弧光要可追踪，不能出场强、后续弱。""" USER_TEMPLATE = """请基于以下创意规划一部 {genre} 小说。 一句话设定：{premise} 计划篇幅：{target_chapters} 章 请先输出 3 卷结构，再输出第 1 卷的 8 章细纲，每章 50 字以内。"""逻辑说明：SYSTEM_PROMPT锁定职业身份和写作纪律，USER_TEMPLATE负责注入变化量。这样做的好处是，换题材只改genre和premise，不用重写一大段提示词。target_chapters这个插槽直接控制输出粒度——写短篇时设 12，写长篇设 72，模型会按卷章结构去组织内容，而不是一股脑输出一个无边无际的文本块。
3.2 让步骤串起来：一个可复现的编排脚本
有模板还不够，要把“生成大纲→生成人物卡→生成第一章”串成自动流程。下面这段脚本把三步串成一次执行，方便你在命令行直接跑：
import os from dotenv import load_dotenv from openai import OpenAI load_dotenv() client = OpenAI(base_url=os.getenv("BASE_URL"), api_key=os.getenv("API_KEY")) MODEL = os.getenv("MODEL_NAME") def ask(system: str, user: str, temperature: float = 0.8) -> str: resp = client.chat.completions.create( model=MODEL, temperature=temperature, messages=[ {"role": "system", "content": system}, {"role": "user", "content": user}, ], ) return resp.choices[0].message.content def generate_pipeline(premise: str, genre: str, chapters: int): outline = ask( SYSTEM_PROMPT, f"请规划一部 {genre}，{chapters} 章。设定：{premise}", ) print("大纲生成完毕，长度：", len(outline)) character_prompt = f"根据以下大纲生成 4 个主要人物卡：\n{outline}" persons = ask( "你是人物设定师，输出 JSON 格式人物卡，包含姓名、性格、动机、缺陷。", character_prompt, temperature=0.7, ) print("人物卡生成完毕：", persons) chapter_one = ask( "你是小说作者，只用中文写作，开头不解释背景，直接进入动作场景。", f"请写第一章正文，上下文：\n大纲：{outline}\n人物卡：{persons}", temperature=0.9, ) print("第一章正文：\n", chapter_one) if __name__ == "__main__": generate_pipeline( premise="退休刑警在小区棋摊发现连环案线索", genre="悬疑", chapters=30, )参数说明：temperature在三步里从 0.8 降到 0.7 再升到 0.9，是刻意为之。大纲和人物卡需要稳定和逻辑，温度太高会产出自相矛盾的设定，所以用偏低值；正文需要文采和意外感，温度调到 0.9 能带来更丰富的遣词变化，但代价是偶尔出戏，需要在后面靠校验模块兜住。输出里的打印只是给你看的，真正的工程包会把大纲和人物卡落盘成 JSON，供下一阶段读取。
3.3 影响小说质感的核心生成参数
同样的提示词，参数不同，成稿质量能差一个量级。下面是四个方面对照参考，也是我调试生成效果时最先动的手：
| 参数 | 建议区间 | 调低时的表现 | 调高时的表现 |
|---|---|---|---|
| temperature | 0.6 ~ 0.9 | 平实稳定、寡淡 | 词汇丰富、偶尔失控 |
| top_p | 0.85 ~ 0.95 | 收敛、套路化 | 发散、结构松散 |
| frequency_penalty | 0.2 ~ 0.5 | 重复用词增多 | 刻意变换说法、节奏碎 |
| presence_penalty | 0 ~ 0.3 | 话题单调 | 不断引入新话题 |
一句经验：top_p不要单独调到 0.99 配合高温度，两个随机源叠一起，文本会像醉酒说话，连标点都飘。我一般固定top_p=0.9，只调温度和两个 penalty。写对话多的场景，frequency_penalty调高到 0.4，能明显减少“他笑了笑”“她低声说”这类高频套话的出现。
4. 让小说不像“AI 味”：风格锚点、防同质化与记忆窗口
4.1 风格锚点：给模型一个文风指纹而不是“文笔好”
让模型“写得好”是无效指令，它只会回到训练分布的平均值。工程做法是把风格拆成可量化的锚点，写进 system prompt 或生成配置。常见锚点包括句子长度、感官描写密度、比喻偏好和禁用词表。一个可抄作业的写法：
{ "style_anchor": { "avg_sentence_length": "15-25 chars", "sensory_details": "sight and smell only, no sound", "metaphor_type": "domestic objects", "dialogue_style": "short sentences, no tags", "blocked_phrases": ["微微一笑", "眼神深邃", "心中暗想"] } }把这些锚点 JSON 拼进正文生成器的系统提示里，比写十句“要有文采”更见效。原因是模型对具体约束的遵循度远高于抽象评价。blocked_phrases尤其有用，它直接切断 AI 味最重的俗套表达。实测中，加与不加这套锚点，生成文本的重合度能差出 30% 以上，读者第一眼感知就是“像是人写的东西”。
4.2 防同质化：惩罚重复的同时，也要给模型“选择题”
许多 zip 包默认把重复惩罚拉满，结果模型为了不重复同一个词，开始用别扭的同义替换，读起来更怪。更稳的组合是：frequency_penalty用中等强度，同时在提示词里强制模型在生成前先列出三个可选的写法走向。下面是在正文生成器里做候选选择的片段：
candidate_prompt = f""" 根据当前剧情压力点，给出三种下一段的发展可能： A. 主角采取激进行动，代价是暴露身份； B. 反派先手，主角被迫防守； C. 引入第三方势力打破对峙。 选一种最适合当前氛围的，只写发展，写完后直接续写正文。 """逻辑说明：这个技巧把“发散选择”放在正文生成之前，让随机性发生在可控的语义空间里，而不是发生在措辞层面。A/B/C 三种走向实际上是在给模型做一次可校验的头脑风暴，后续无论选哪个，正文都会比直接续写更有方向感。zip 包如果已经包含“多走向候选”模块，那它的架构是懂长篇创作的；如果只有一条生成通路，你可以自己加这一层。
4.3 长篇记忆：滑动窗口与摘要压缩，别把全文塞进模型
大模型有上下文窗口，但长篇小说的全部文本很快会超过任何窗口。我常用的方案是“滚动摘要 + 关键片段检索”双轨。每章生成完，把这一章压缩成 150 字以内的剧情摘要；下一章生成时把最近的 5 条摘要拼进上下文，同时从人物卡里提取与当前章节相关的内容。这里有一个落地类：
class MemoryManager: def __init__(self, max_summaries=5): self.summaries = [] self.max_summaries = max_summaries def add(self, chapter_no: int, summary: str): self.summaries.append({"chapter": chapter_no, "summary": summary}) if len(self.summaries) > self.max_summaries: self.summaries.pop(0) def build_context(self, current_chapter: int) -> str: recent = [s["summary"] for s in self.summaries if s["chapter"] < current_chapter] return "\n".join(f"第 {i+1} 章摘要：{s}" for i, s in enumerate(recent))参数说明：max_summaries=5对应大约 5 章的历史记忆，足够覆盖中短篇的连续性需求。如果你写的是百万字长篇，建议把摘要升级为“分卷摘要 + 最近章节全文 + 相关事件检索”三层结构。注意pop(0)会丢弃最老的摘要，这对时间线强相关的小说并不完全安全，必要时要按“重要事件”分组保存，而不是机械按顺序丢弃。
5. 避坑清单：从 zip 解压到内容审核的五类踩坑记录
5.1 解压后第一步就报错：依赖装不上、路径带中文
现象：双击启动脚本后，窗口闪过一堆 ModuleNotFoundError 或者 UnicodeDecodeError，还没看到界面就退出。
原因：大多数 zip 包是在 macOS 或 Linux 环境下打包的，依赖列表里没锁 Python 版本；另外有些 Windows 用户把包解压到了带中文和空格的目录，模型加载路径乱码。
解决：先确认 Python 版本是否在包要求的区间内，再换镜像源重装依赖：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple尽量把项目路径改成纯英文且无空格，比如D:\novel\ai-novel。如果你解压后看到.venv目录，直接删掉自己重新建虚拟环境，别用包里面带的——跨操作系统后它基本是坏的。
5.2 角色对话稍一出格，整章生成被安全策略拦成空白
现象：模型生成到激烈冲突场景时突然返回空内容，或者只给出一句“抱歉，我无法生成”。有些本地模型服务会返回 400 或 500 状态码。
原因：不是你的提示词错了，而是底层模型自带的内容安全策略，加上部分 zip 包内置了关键词过滤器，过滤逻辑粗糙，把正常剧情冲突也误判了。
解决：不要把过滤器全部拆掉，这既不安全也容易让生成内容失控。更稳的做法是把词表过滤升级为二次判断：命中敏感词时，不直接断生成，而是给模型追加一条“剧情需要冲突，但请改用场景张力描写，避免直白暴力词汇”的重写指令。同时，小说开篇尽量避免出现此类极端设定，先把人物关系和职业背景写扎实，后续冲突让模型通过悬念和压力来表现，而非依赖敏感描写。
5.3 越写越短：上下文窗口被历史塞满，模型开始“失忆”
现象：前 10 章每章能生成 3000 字，到第 12 章开始输出不到 800 字就停，而且人名前后不一致。
原因：把全部历史章节塞进 system prompt，把上下文窗口耗尽了，模型生成时只剩很少的可用 token，只好提前结束。
解决：改用第 4.3 节的摘要管理器，严格控制送进模型的 token 数。每次生成前，打印一下拼接后的上下文字符数，超过窗口的 60% 就压缩摘要。另外要提醒，max_tokens也要随上下文动态调小，否则会报长度超限的错误。
5.4 输出格式乱套：引号变半角、章节标题带 Markdown 符号
现象：生成的小说正文里中文和英文引号混用，或者段落间冒出**、#这些标记，直接发布会被渲染成一堆格式垃圾。
原因：模型在训练时被大量网络断落污染，对中文引号把握差；某些 zip 包的后处理脚本没有清理 Markdown 标记。
解决：在生成后加一道轻量清洗函数，把半角标点转全角，剥离纯标记行。这一层不要省，它是稿子能不能直接进排版系统的关键。正则替换时注意别把**误伤成乘法运算——小说正文里很少出现数学符号，但保险起见先判断上下文再替换。
5.5 连续生成后吃书：人物称呼、时间线前后矛盾
现象：第 6 章还叫“沈明远”，第 8 章就写成了“沈远明”；前几天是冬天，后一章突然满地落叶。
原因：每次生成都是独立的请求，模型没有可靠的状态同步。人物卡虽然生成了，但正文生成器没有强制读取卡上的姓名和时间锚点。
解决：把“人物卡 + 当前时间线 + 历史摘要”拼成一个不可省略的固定前缀，并在 system prompt 里加规则：“所有姓名、时间、地点必须用前缀中的设定，禁止自行变更”。这是成本最低的防吃书手段，比靠模型自觉可靠得多。
6. 再进一步：把创作助手改成长线写作系统的三个进阶技巧
技巧一是给每个章节写结构化日志。不要只存正文，要把本章的事件、人物状态、伏笔状态拆成字段落盘。一个人物 30 章后的性格变化、一个伏笔从埋下到回收的轨迹，靠这些字段能自动校验。zip 包里若没有这个模块，建议自己补一个chapter_log.json，每次生成后追加记录，这能让你肉眼看出哪一章开始人物走形。
技巧二是引入轻量检索。当设定库超过几万字时，全量塞进上下文既不现实也浪费 token。做法是每次生成前只检索与当前场景相关的人名、地名、事件条，检索可以通过简单的关键词匹配完成，不一定非要上向量库。关键是把“所有设定都带上”变成“当前场景需要的设定才带上”，这样模型注意力更聚焦，生成的细节也更贴设定。
技巧三是双候选加人工审校。对关键章节同时生成两版正文，一版高温度放飞，一版低温度保底，再让模型以编辑身份挑出更优的一版并说明理由。这个“模型审校模型”的流程比自己一篇篇读效率高很多，遇到双版本都不满意的，才需要人工干预重写。我自己的经验是，20 章以内的中篇，双候选加自动审校能把废稿率从 30% 压到 10% 左右，而真正重要的高光章节，人工修一遍依然不可省。
坚持这样跑完整部小说后你会形成一种直觉：AI 助手最值得投入的从来不是让它直接写完一整本，而是让它在设定、大纲、记忆这些体力活上替你打底，把你的精力留给真正的创作时刻。我是从写过几部废稿的写手转来做工具的，最深的教训是“别让模型替你决定故事走向，但它帮你记住所有决定”。希望帮到你。
本文还有配套的精品资源，点击获取
