Agent长篇小说生成：从零构建高效创作系统的技术实践

1次阅读

没有评论

共计 1401 个字符，预计需要花费 4 分钟才能阅读完成。

传统的小说生成模板存在明显的局限性，尤其是在处理长篇内容时，问题会逐渐暴露：

角色崩坏：随着故事发展，角色性格和行为模式容易前后矛盾
情节断裂：缺乏全局视角导致伏笔丢失或逻辑不通
风格漂移：不同章节间文风差异明显，影响阅读体验

针对长篇生成的特殊性，我们对比了几种主流方案：

纯 LLM 微调
优点：实现简单，适合短文本
缺点：长文本时显存消耗大，成本高
RAG 检索增强
优点：可引用外部知识库
缺点：对情节连贯性提升有限
Agent 协作系统（最终选择）
优点：自主维护角色记忆，支持多线程情节发展
缺点：架构复杂度较高

决策树参考：

graph TD
    A[需要长文本生成?] -->| 是 | B[需要角色一致性?]
    A -->| 否 | C[使用基础 LLM]
    B -->| 是 | D[采用 Agent 系统]
    B -->| 否 | E[考虑 RAG 方案]

采用三层架构实现职责分离：

记忆层（Redis）
存储角色属性、故事时间线等核心要素
使用 JSON Schema 规范数据结构
决策层（LangChain）
处理情节逻辑和冲突检测
包含子 Agent：角色 Agent、情节 Agent、风格 Agent
执行层（LLM）
负责最终文本生成
支持多模型路由（不同环节选用合适模型）

角色一致性保持的核心算法：

# 角色向量检索模块
def get_character_embedding(character_name):
    """
    从 Redis 获取角色特征向量
    :param character_name: 角色名称
    :return: 512 维 numpy 向量
    """
    redis_client = get_redis_connection()
    vec = redis_client.hget(f'char:{character_name}', 'embedding')
    return np.frombuffer(vec, dtype=np.float32)

# 风格迁移算法
def apply_style_transfer(text, target_style):
    """
    应用预设风格到生成文本
    :param text: 原始文本
    :param target_style: 风格标识（如 '武侠'、'悬疑'）:return: 风格化后的文本
    """
    style_embeddings = load_style_embeddings()
    prompt = f"请用 {target_style} 风格改写下文：\n{text}"
    return llm.generate(prompt)

通过控制变量测试发现：