AI 小说创作实战：如何用大模型构建长篇叙事

AI 小说创作实战：如何用大模型构建长篇叙事

直接用大模型让 AI 一次写完几万字小说，结果通常是中段崩盘、人物失忆、逻辑闭环断裂。要做出真正可读的长篇叙事，核心不在于 Prompt 怎么花哨，而在于如何管理上下文窗口以及如何拆解任务粒度。我通过搭建一套分层创作系统，把“让 AI 写作”变成了“让 AI 写分镜脚本”，最终能把单次生成的幻觉率降低到可接受的水平。

核心痛点：为什么 AI 写不长？

我刚开始尝试用 LLM 写小说时，输入了“写一个关于侦探悬疑的小说”，结果写到第三章，主角忘了自己手里有枪，反派突然变成了正派，而且情节开始原地打转。这不是模型笨，而是典型的上下文溢出与注意力稀释问题。

目前的商业大模型上下文通常在 128k 到 1M token 之间，但这不代表它能有效记住所有内容。当输入量超过窗口的 50% 时，模型对早期信息的检索能力会呈指数级下降。对于长篇叙事，我总结了三个必须规避的坑：

• 单轮生成过长：不要试图让模型一次性输出 5000 字以上的高密度剧情，一旦中间出错，回滚成本极高。
• 缺乏外部记忆存储：单纯依赖 Prompt 里的“记住这个人”，模型很快就会忘记。必须建立独立的“世界书”数据库。
• 风格一致性漂移：随着对话轮数增加，模型的语气会从“严肃文学”逐渐滑向“网文小白文”，需要引入风格锚点。

实战架构：RAG 驱动的分章写作

我的解决方案是引入 RAG（检索增强生成）架构，但不是为了搜索引擎，而是为了角色档案和剧情时间线。我把整个创作过程拆分为“大纲层”、“章节层”和“润色层”。

在工程实现上，我最小化可用的工作流如下。我用 Python 脚本将角色卡和剧情要点存入向量数据库，每次生成新章节前，先检索相关设定注入 Context：

import chromadb
from openai import OpenAI

client = OpenAI()
# 初始化本地向量库，存储角色和已发生剧情
client_db = chromadb.Client()
colLECTION = client_db.get_or_create_collection("novel_memory")

def get_relevant_context(query: str, top_k=3):
    # 检索与当前剧情最相关的设定
    results = colLECTION.query(query_embeddings=[embed(query)], n_results=top_k)
    return "\n".join([doc['content'] for doc in results['documents'][0]])

def write_chapter(scene_outline: str, prev_chapter_summary: str):
    # 动态注入背景信息
    background = get_relevant_context(scene_outline)
    prompt = f"""
    当前剧情目标：{scene_outline}
    前情概要：{prev_chapter_summary}
    相关角色/场景设定：{background}
    
    请根据以上信息，撰写本章正文（约1500字），要求文笔细腻，不要总结。
    """
    response = client.chat.completions.create(
        model="gpt-4o", 
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7
    )
    return response.choices[0].message.content

在这个架构下，我不再是“问 AI 写小说”，而是在“喂 AI 素材并约束输出”。chromadb 在这里起到了类似人脑海马体的作用，确保主角在第 10 章出现的物品，在第 1 章就有迹可循。

保持连贯性的具体技巧

有了架构，具体操作时还有哪些细节决定成败？我踩过最坑的一个点是时间线的混乱。AI 很容易把“三年前”和“今天”搞混。

我的处理方式是建立严格的状态追踪机制：

1. 每章结束后强制摘要：不要让 AI 直接生成分章结果，要求它先生成一段 200 字的“本章剧情摘要”和“角色状态变更”。这段摘要将作为下一章的 prev_chapter_summary 输入，而不是直接把全文塞回去。
2. 分离事实与描写：在 Prompt 中明确区分“事实层”和“修辞层”。例如，告诉模型“角色 A 此时心里很愤怒”是事实，但“他眼神如寒冰般冷冽”是修辞。前者存入数据库，后者由模型自由发挥。
3. 多视角校验：对于关键转折剧情，我通常会跑两个不同的 Seed（随机种子），生成两个版本，然后人工比对逻辑漏洞。如果两个版本在某处细节上产生冲突，那里往往就是逻辑崩坏点。

很多初学者容易陷入“一直让模型重写直到满意”的怪圈，这不仅烧钱而且效率极低。更好的做法是先由 AI 生成粗糙的骨架，再由人类填补血肉。你可以让模型输出章节大纲（Scene Outline），人工调整大纲的逻辑顺序后，再让模型扩写正文。这样即使扩写质量不佳，修改成本也只是几百字而非几万字。

下一步探索

如果你已经掌握了基础的 RAG 写作流，可以尝试引入记忆衰减机制，即越久远的剧情检索权重越低，模拟人类记忆的模糊感，这会让叙事节奏更加自然。此外，结合 LoRA 微调你喜欢的作者风格，也是进阶的好方向。