Agent长篇小说生成技术解析：从架构设计到生产实践

1次阅读

共计 2337 个字符，预计需要花费 6 分钟才能阅读完成。

上下文窗口限制 ：传统 Transformer 模型（如 GPT）的上下文长度有限，难以维持数万字文本的全局一致性。当生成超过 2048 个 token 时，早期设定的角色特征和伏笔容易丢失。
角色行为漂移 ：随着章节推进，同一个角色的说话风格、行为模式可能发生突变。例如：第一章沉稳的侦探在第五章突然变成话痨。
情节逻辑断裂 ：传统续写模式容易产生时间线混乱（如 ” 死者突然复活 ”）或地理矛盾（如 ” 角色同时出现在两个城市 ”）。

短期记忆 （最近 3 - 5 个段落）：
使用滑动窗口缓存最近的文本片段
通过键值对存储当前场景的状态（时间 / 地点 / 在场角色）
长期记忆 ：
角色档案库：记录每个角色的外貌特征、口头禅、关键经历
情节时间轴：以有向图形式存储已发生的重要事件
元记忆 ：
风格模板：管理整体文风（如 ” 悬疑推理 ” 需要保持 30% 的描写 +70% 的对话）
冲突检查器：防止出现物理规律矛盾（需预定义常识规则库）

class CharacterModel:
    def __init__(self, base_persona: Dict):
        self.core_traits = base_persona  # 不可变的初始设定
        self.dynamic_states = {'mood': 0.5,  # [-1,1] 情绪值
            'relationships': {}  # 与其他角色的亲密度}

    def update(self, event: str):
        """根据事件更新角色状态"""
        if "战斗" in event:
            self.dynamic_states['mood'] -= 0.2
        elif "获得奖励" in event:
            self.dynamic_states['mood'] += 0.3

锚点重注入 ：每生成 500token 后，自动将关键信息（主角姓名、当前目标等）重新插入到模型输入
回溯校验 ：
使用 NLP 规则检查时间 / 地点突变（如检测到 ” 第二天 ” 但前文是 ” 午夜 ” 则触发警告）
通过实体识别验证角色称呼一致性（避免 ” 王警官 ” 突然变成 ” 老王 ”）

from transformers import GPT2LMHeadModel, GPT2Tokenizer
import torch

class NovelAgent:
    def __init__(self, model_name="gpt2-medium"):
        self.tokenizer = GPT2Tokenizer.from_pretrained(model_name)
        self.model = GPT2LMHeadModel.from_pretrained(model_name)
        self.memory = {'short_term': [],
            'characters': {},
            'timeline': []}

    def generate(self, prompt: str, max_length=200) -> str:
        # 记忆注入：将关键信息拼接到原始输入
        enriched_input = self._augment_with_memory(prompt)

        inputs = self.tokenizer(enriched_input, return_tensors="pt")
        with torch.no_grad():
            outputs = self.model.generate(
                inputs.input_ids,
                max_length=max_length,
                temperature=0.7,
                top_k=50,
                no_repeat_ngram_size=3  # 避免短语重复
            )

        new_text = self.tokenizer.decode(outputs[0], skip_special_tokens=True)
        self._update_memory(new_text)
        return new_text

    def _augment_with_memory(self, text: str) -> str:
        """将角色设定等记忆信息注入到输入文本"""
        memory_prompt = ""for name, char in self.memory['characters'].items():
            memory_prompt += f"{name} 的特征：{char['description']}\n"
        return f"{memory_prompt}\n 当前情节：{text}"