Merge pull request #67 from YILING0013/dev-2

任务与提示词流程优化

chapter_directory_parser.py

@@ -1,47 +1,132 @@
-# chapter_directory_parser.py
+# chapter_blueprint_parser.py
 # -*- coding: utf-8 -*-
 import re
 
-def get_chapter_info_from_directory(novel_directory_content: str, chapter_number: int):
+def parse_chapter_blueprint(blueprint_text: str):
     """
-    从给定的 novel_directory_content 文本中，解析 “第X章” 行，并提取本章的标题和可能的简述。
-    返回一个 dict: {
-       "chapter_title": <字符串>,
-       "chapter_brief": <字符串> (若没有则为空)
+    解析整份章节蓝图文本，返回一个列表，每个元素是一个 dict：
+    {
+      "chapter_number": int,
+      "chapter_title": str,
+      "chapter_role": str,       # 本章定位
+      "chapter_purpose": str,    # 核心作用
+      "suspense_level": str,     # 悬念密度
+      "foreshadowing": str,      # 伏笔操作
+      "plot_twist_level": str,   # 认知颠覆
+      "chapter_summary": str     # 本章简述
     }
-    注意：目录文本示例格式:
-        第1章 ：潮起
-        第2章 ：阴影浮现 - 主要角色冲突爆发
-        ...
-    也可能没有简述，只有一个简单标题。
     """
 
-    # 将文本逐行拆分
-    lines = novel_directory_content.splitlines()
+    # 先按空行进行分块，以免多章之间混淆
+    chunks = re.split(r'\n\s*\n', blueprint_text.strip())
+    results = []
 
-    # 章节匹配：形如 “第5章 ：xxx” or “第5章: xxx” or “第5章 xxx”
-    pattern = re.compile(r'^第\s*(\d+)\s*章\s*[:：]?\s*(.*)$')
+    # 兼容是否使用方括号包裹章节标题
+    # 例如：
+    #   第1章 - 紫极光下的预兆
+    # 或
+    #   第1章 - [紫极光下的预兆]
+    chapter_number_pattern = re.compile(r'^第\s*(\d+)\s*章\s*-\s*\[?(.*?)\]?$')
 
-    for line in lines:
-        match = pattern.match(line.strip())
-        if match:
-            chap_num = int(match.group(1))
-            if chap_num == chapter_number:
-                full_title = match.group(2).strip()
-                if ' - ' in full_title:
-                    parts = full_title.split(' - ', 1)
-                    return {
-                        "chapter_title": parts[0].strip(),
-                        "chapter_brief": parts[1].strip()
-                    }
-                else:
-                    return {
-                        "chapter_title": full_title,
-                        "chapter_brief": ""
-                    }
+    role_pattern     = re.compile(r'^本章定位：\s*\[?(.*)\]?$')
+    purpose_pattern  = re.compile(r'^核心作用：\s*\[?(.*)\]?$')
+    suspense_pattern = re.compile(r'^悬念密度：\s*\[?(.*)\]?$')
+    foreshadow_pattern = re.compile(r'^伏笔操作：\s*\[?(.*)\]?$')
+    twist_pattern       = re.compile(r'^认知颠覆：\s*\[?(.*)\]?$')
+    summary_pattern = re.compile(r'^本章简述：\s*\[?(.*)\]?$')
 
-    # 如果没有匹配到，返回默认
+    for chunk in chunks:
+        lines = chunk.strip().splitlines()
+        if not lines:
+            continue
+
+        chapter_number   = None
+        chapter_title    = ""
+        chapter_role     = ""
+        chapter_purpose  = ""
+        suspense_level   = ""
+        foreshadowing    = ""
+        plot_twist_level = ""
+        chapter_summary  = ""
+
+        # 先匹配第一行（或前几行），找到章号和标题
+        header_match = chapter_number_pattern.match(lines[0].strip())
+        if not header_match:
+            # 不符合“第X章 - 标题”的格式，跳过
+            continue
+
+        chapter_number = int(header_match.group(1))
+        chapter_title  = header_match.group(2).strip()
+
+        # 从后面的行匹配其他字段
+        for line in lines[1:]:
+            line_stripped = line.strip()
+            if not line_stripped:
+                continue
+
+            m_role = role_pattern.match(line_stripped)
+            if m_role:
+                chapter_role = m_role.group(1).strip()
+                continue
+
+            m_purpose = purpose_pattern.match(line_stripped)
+            if m_purpose:
+                chapter_purpose = m_purpose.group(1).strip()
+                continue
+
+            m_suspense = suspense_pattern.match(line_stripped)
+            if m_suspense:
+                suspense_level = m_suspense.group(1).strip()
+                continue
+
+            m_foreshadow = foreshadow_pattern.match(line_stripped)
+            if m_foreshadow:
+                foreshadowing = m_foreshadow.group(1).strip()
+                continue
+
+            m_twist = twist_pattern.match(line_stripped)
+            if m_twist:
+                plot_twist_level = m_twist.group(1).strip()
+                continue
+
+            m_summary = summary_pattern.match(line_stripped)
+            if m_summary:
+                chapter_summary = m_summary.group(1).strip()
+                continue
+
+        results.append({
+            "chapter_number": chapter_number,
+            "chapter_title": chapter_title,
+            "chapter_role": chapter_role,
+            "chapter_purpose": chapter_purpose,
+            "suspense_level": suspense_level,
+            "foreshadowing": foreshadowing,
+            "plot_twist_level": plot_twist_level,
+            "chapter_summary": chapter_summary
+        })
+
+    # 按照 chapter_number 排序后返回
+    results.sort(key=lambda x: x["chapter_number"])
+    return results
+
+
+def get_chapter_info_from_blueprint(blueprint_text: str, target_chapter_number: int):
+    """
+    在已经加载好的章节蓝图文本中，找到对应章号的结构化信息，返回一个 dict。
+    若找不到则返回一个默认的结构。
+    """
+    all_chapters = parse_chapter_blueprint(blueprint_text)
+    for ch in all_chapters:
+        if ch["chapter_number"] == target_chapter_number:
+            return ch
+    # 默认返回
     return {
-        "chapter_title": f"第{chapter_number}章",
-        "chapter_brief": ""
+        "chapter_number": target_chapter_number,
+        "chapter_title": f"第{target_chapter_number}章",
+        "chapter_role": "",
+        "chapter_purpose": "",
+        "suspense_level": "",
+        "foreshadowing": "",
+        "plot_twist_level": "",
+        "chapter_summary": ""
     }

embedding_adapters.py

@@ -0,0 +1,120 @@
+# embedding_adapters.py
+# -*- coding: utf-8 -*-
+import logging
+import requests
+import traceback
+from typing import List
+from langchain_openai import OpenAIEmbeddings
+
+def ensure_openai_base_url_has_v1(url: str) -> str:
+    """
+    若用户输入的 url 不包含 '/v1'，则在末尾追加 '/v1'。
+    """
+    import re
+    url = url.strip()
+    if not url:
+        return url
+    if not re.search(r'/v\d+$', url):
+        if '/v1' not in url:
+            url = url.rstrip('/') + '/v1'
+    return url
+
+class BaseEmbeddingAdapter:
+    """
+    Embedding 接口统一基类
+    """
+    def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        raise NotImplementedError
+
+    def embed_query(self, query: str) -> List[float]:
+        raise NotImplementedError
+
+class OpenAIEmbeddingAdapter(BaseEmbeddingAdapter):
+    """
+    基于 OpenAIEmbeddings（或兼容接口）的适配器
+    """
+    def __init__(self, api_key: str, base_url: str, model_name: str):
+        self._embedding = OpenAIEmbeddings(
+            openai_api_key=api_key,
+            openai_api_base=ensure_openai_base_url_has_v1(base_url),
+            model=model_name
+        )
+
+    def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        return self._embedding.embed_documents(texts)
+
+    def embed_query(self, query: str) -> List[float]:
+        return self._embedding.embed_query(query)
+
+class OllamaEmbeddingAdapter(BaseEmbeddingAdapter):
+    """
+    其接口路径为 /api/embeddings
+    """
+    def __init__(self, model_name: str, base_url: str):
+        self.model_name = model_name
+        self.base_url = base_url.rstrip("/")
+
+    def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        embeddings = []
+        for text in texts:
+            vec = self._embed_single(text)
+            embeddings.append(vec)
+        return embeddings
+
+    def embed_query(self, query: str) -> List[float]:
+        return self._embed_single(query)
+
+    def _embed_single(self, text: str) -> List[float]:
+        """
+        调用 Ollama 本地服务 /api/embeddings 接口，获取文本 embedding
+        """
+        url = self.base_url
+        if "api/embeddings" not in url:
+            url = f"{url}/api/embeddings"
+
+        data = {
+            "model": self.model_name,
+            "prompt": text
+        }
+        try:
+            response = requests.post(url, json=data)
+            response.raise_for_status()
+            result = response.json()
+            if "embedding" not in result:
+                raise ValueError("No 'embedding' field in Ollama response.")
+            return result["embedding"]
+        except requests.exceptions.RequestException as e:
+            logging.error(f"Ollama embeddings request error: {e}\n{traceback.format_exc()}")
+            return []
+
+class MLStudioEmbeddingAdapter(BaseEmbeddingAdapter):
+    def __init__(self, api_key: str, base_url: str, model_name: str):
+        self._embedding = OpenAIEmbeddings(
+            openai_api_key=api_key,
+            openai_api_base=ensure_openai_base_url_has_v1(base_url),
+            model=model_name
+        )
+
+    def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        return self._embedding.embed_documents(texts)
+
+    def embed_query(self, query: str) -> List[float]:
+        return self._embedding.embed_query(query)
+
+def create_embedding_adapter(
+    interface_format: str,
+    api_key: str,
+    base_url: str,
+    model_name: str
+) -> BaseEmbeddingAdapter:
+    """
+    工厂函数：根据 interface_format 返回不同的 embedding 适配器实例
+    """
+    if interface_format.lower() == "openai":
+        return OpenAIEmbeddingAdapter(api_key, base_url, model_name)
+    elif interface_format.lower() == "ollama":
+        return OllamaEmbeddingAdapter(model_name, base_url)
+    elif interface_format.lower() == "ml studio":
+        return MLStudioEmbeddingAdapter(api_key, base_url, model_name)
+    else:
+        raise ValueError(f"Unknown embedding interface_format: {interface_format}")

embedding_ollama.py

@@ -1,59 +0,0 @@
-# embedding_ollama.py
-import requests
-import traceback
-from typing import List
-
-class OllamaEmbeddings:
-    def __init__(self, model_name: str, base_url: str):
-        self.model_name = model_name
-        self.base_url = base_url
-
-    def embed(self, texts: List[str]) -> List[List[float]]:
-        """
-        批量将多段文本转换为embedding向量
-        """
-        embeddings = []
-        for text in texts:
-            embeddings.append(self.embed_single_document(text))
-        return embeddings
-    
-    def embed_documents(self, texts: List[str]) -> List[List[float]]:
-        """
-        兼容langchain的接口写法
-        """
-        return self.embed(texts)
-
-    def embed_query(self, query: str) -> List[float]:
-        """
-        将单条 query 转换为 embedding 向量
-        """
-        return self.embed_single_document(query)
-
-    def embed_single_document(self, text: str) -> List[float]:
-        """
-        调用 Ollama 本地服务接口，获取文本的 embedding。
-        """
-        if self.base_url.endswith("/"):
-            self.base_url = self.base_url.rstrip("/")
-        if "api/embeddings" in self.base_url:
-            # 如果 base_url 已经包含 'api/embeddings'，则保持不变
-            url = f"{self.base_url.rstrip('/')}/api/embeddings"
-        else:
-            if "/v1" in self.base_url:
-                self.base_url = self.base_url.split("/v1")[0]
-            if "/api" in self.base_url:
-                self.base_url = self.base_url.split("/api")[0]
-            url = f"{self.base_url}/api/embeddings"
-        data = {
-            "model": self.model_name,
-            "prompt": text
-        }
-        try:
-            response = requests.post(url, json=data)
-            response.raise_for_status()
-            result = response.json()
-            if "embedding" not in result:
-                raise ValueError("No 'embedding' field in Ollama response.")
-            return result["embedding"]
-        except requests.exceptions.RequestException as e:
-            raise Exception(f"Ollama embeddings request error: {e}\n{traceback.format_exc()}")

llm_adapters.py

@@ -0,0 +1,149 @@
+# llm_adapters.py
+# -*- coding: utf-8 -*-
+import logging
+from typing import Optional
+from langchain_openai import ChatOpenAI
+
+def ensure_openai_base_url_has_v1(url: str) -> str:
+    """
+    若用户输入的 url 不包含 '/v1'，则在末尾追加 '/v1'。
+    """
+    import re
+    url = url.strip()
+    if not url:
+        return url
+    if not re.search(r'/v\d+$', url):
+        if '/v1' not in url:
+            url = url.rstrip('/') + '/v1'
+    return url
+
+class BaseLLMAdapter:
+    """
+    统一的 LLM 接口基类，为不同后端（OpenAI、Ollama、ML Studio 等）提供一致的方法签名。
+    """
+    def invoke(self, prompt: str) -> str:
+        raise NotImplementedError("Subclasses must implement .invoke(prompt) method.")
+
+class DeepSeekAdapter(BaseLLMAdapter):
+    """
+    适配官方/OpenAI兼容接口（使用 langchain.ChatOpenAI）
+    """
+    def __init__(self, api_key: str, base_url: str, model_name: str, max_tokens: int, temperature: float = 0.7):
+        self.base_url = ensure_openai_base_url_has_v1(base_url)
+        self.api_key = api_key
+        self.model_name = model_name
+        self.max_tokens = max_tokens
+        self.temperature = temperature
+
+        self._client = ChatOpenAI(
+            model=self.model_name,
+            api_key=self.api_key,
+            base_url=self.base_url,
+            max_tokens=self.max_tokens,
+            temperature=self.temperature
+        )
+
+    def invoke(self, prompt: str) -> str:
+        response = self._client.invoke(prompt)
+        if not response:
+            logging.warning("No response from DeepSeekAdapter.")
+            return ""
+        return response.content
+
+class OpenAIAdapter(BaseLLMAdapter):
+    """
+    适配官方/OpenAI兼容接口（使用 langchain.ChatOpenAI）
+    """
+    def __init__(self, api_key: str, base_url: str, model_name: str, max_tokens: int, temperature: float = 0.7):
+        self.base_url = ensure_openai_base_url_has_v1(base_url)
+        self.api_key = api_key
+        self.model_name = model_name
+        self.max_tokens = max_tokens
+        self.temperature = temperature
+
+        self._client = ChatOpenAI(
+            model=self.model_name,
+            api_key=self.api_key,
+            base_url=self.base_url,
+            max_tokens=self.max_tokens,
+            temperature=self.temperature
+        )
+
+    def invoke(self, prompt: str) -> str:
+        response = self._client.invoke(prompt)
+        if not response:
+            logging.warning("No response from OpenAIAdapter.")
+            return ""
+        return response.content
+
+class OllamaAdapter(BaseLLMAdapter):
+    """
+    Ollama 同样有一个 OpenAI-like /v1/chat 接口，可直接使用 ChatOpenAI。
+    但是通常 Ollama 默认本地服务在 http://localhost:11434，如果符合OpenAI风格即可直接传参。
+    """
+    def __init__(self, api_key: str, base_url: str, model_name: str, max_tokens: int, temperature: float = 0.7):
+        self.base_url = ensure_openai_base_url_has_v1(base_url)
+        self.api_key = api_key
+        self.model_name = model_name
+        self.max_tokens = max_tokens
+        self.temperature = temperature
+
+        self._client = ChatOpenAI(
+            model=self.model_name,
+            api_key=self.api_key,
+            base_url=self.base_url,
+            max_tokens=self.max_tokens,
+            temperature=self.temperature
+        )
+
+    def invoke(self, prompt: str) -> str:
+        response = self._client.invoke(prompt)
+        if not response:
+            logging.warning("No response from OllamaAdapter.")
+            return ""
+        return response.content
+
+class MLStudioAdapter(BaseLLMAdapter):
+    def __init__(self, api_key: str, base_url: str, model_name: str, max_tokens: int, temperature: float = 0.7):
+        self.base_url = ensure_openai_base_url_has_v1(base_url)
+        self.api_key = api_key
+        self.model_name = model_name
+        self.max_tokens = max_tokens
+        self.temperature = temperature
+
+        self._client = ChatOpenAI(
+            model=self.model_name,
+            api_key=self.api_key,
+            base_url=self.base_url,
+            max_tokens=self.max_tokens,
+            temperature=self.temperature
+        )
+
+    def invoke(self, prompt: str) -> str:
+        response = self._client.invoke(prompt)
+        if not response:
+            logging.warning("No response from MLStudioAdapter.")
+            return ""
+        return response.content
+
+def create_llm_adapter(
+    interface_format: str,
+    base_url: str,
+    model_name: str,
+    api_key: str,
+    temperature: float,
+    max_tokens: int
+) -> BaseLLMAdapter:
+    """
+    工厂函数：根据 interface_format 返回不同的适配器实例。
+    """
+    if interface_format.lower() == "deepseek":
+        return DeepSeekAdapter(api_key, base_url, model_name, max_tokens, temperature)
+    elif interface_format.lower() == "openai":
+        return OpenAIAdapter(api_key, base_url, model_name, max_tokens, temperature)
+    elif interface_format.lower() == "ollama":
+        return OllamaAdapter(api_key, base_url, model_name, max_tokens, temperature)
+    elif interface_format.lower() == "ml studio":
+        return MLStudioAdapter(api_key, base_url, model_name, max_tokens, temperature)
+    else:
+        raise ValueError(f"Unknown interface_format: {interface_format}")

main.spec

@@ -14,7 +14,8 @@ hiddenimports = ['typing_extensions',
                  'pydantic',
                  'pydantic.deprecated.decorator',
                  'tiktoken_ext.openai_public',
-                 'tiktoken_ext'
+                 'tiktoken_ext',
+                 'chromadb.utils.embedding_functions.onnx_mini_lm_l6_v2'
                  ]
 
 tmp_ret = collect_all('chromadb')
@@ -44,7 +45,7 @@ exe = EXE(
     a.scripts,
     [],
     exclude_binaries=True,
-    name='AI_NovelGenerator_V1.3.2',
+    name='AI_NovelGenerator_V1.3.3',
     debug=True,
     bootloader_ignore_signals=False,
     strip=False,
@@ -65,5 +66,5 @@ coll = COLLECT(
     strip=False,
     upx=True,
     upx_exclude=[],
-    name='AI_NovelGenerator_V1.3.2'
+    name='AI_NovelGenerator_V1.3.3'
 )

prompt_definitions.py

@@ -1,83 +1,212 @@
 # prompt_definitions.py
 # -*- coding: utf-8 -*-
 """
-集中存放所有提示词(Prompt)，新版本更精确、更具创新性，结合部分雪花写作法等理论。
+集中存放所有提示词 (Prompt)，整合雪花写作法、角色弧光理论、悬念三要素模型等
+并包含新增加的短期摘要/下一章关键字提炼提示词，以及章节正文写作提示词。
 """
 
-# ===============  1. 整体设定  ===================
-set_prompt = """\
-请根据主题: {topic}、类型: {genre}、章数: {number_of_chapters}、每章字数: {word_number} 来设计小说的总体结构和世界观。
-写作时请参考雪花写作法等创作理论，结合以下要点：
+# =============== 摘要与下一章关键字提炼 ===============
+summarize_recent_chapters_prompt = """\
+你是一名资深长篇小说编辑，请分析以下合并文本（可能包含最近几章内容）：
+{combined_text}
 
-• 小说标题与大致篇幅（总字数范围）。
-• 类型与基调（如：都市、魔幻、战争、轻松、暗黑等）。
-• 主要写作风格（视角、叙述方式、语言风格等）。
-• 世界观设定（背景时间、地理环境、社会结构、科技或魔法水平、重要历史等）。
-• 整体故事框架（可提及常见叙事结构：三幕、英雄之旅等）。
-• 主线与副线的初步构想，以及它们如何交织。
-• 关键角色群像定位与主要冲突关系。
-• 结局的可能方向（圆满、悲剧、开放式等）。
+现在请你基于目前故事的进展，完成以下两件事：
+1) 用最多200字，写一个简洁明了的「当前情节短期摘要」。
+2) 提炼「下一章」的关键字（例如关键物品、重要人物、地点、事件、情节等），可以用逗号分隔或条目列出。
 
-请以简洁、逻辑清晰的方式输出，保留足够细节以支撑后续创作。
+请按如下格式输出（不需要额外解释）：
+短期摘要: <这里写短期摘要>
+下一章关键字: <这里写下一章关键字>
 """
 
-# ===============  2. 角色设定  ===================
-character_prompt = """\
-基于已生成的小说整体设定：
-{novel_setting}
+# =============== 1. 核心种子设定（雪花第1层）===================
+core_seed_prompt = """\
+作为专业作家，请用"雪花写作法"第一步构建故事核心：
+主题：{topic}
+类型：{genre}
+篇幅：约{number_of_chapters}章（每章{word_number}字）
 
-请进一步扩展角色设置，至少包含三名核心角色。对每位角色说明：
-• 角色背景、外貌与主要性格特征。
-• 内在冲突、目标与动机。
-• 暗藏的秘密或潜在弱点（可与世界观或其他角色有关）。
-• 与其他角色的关系或对立点，如何推动或阻碍情节发展。
+请用单句公式概括故事本质，例如：
+"当[主角]遭遇[核心事件]，必须[关键行动]，否则[灾难后果]；与此同时，[隐藏的更大危机]正在发酵。"
 
-请重点突出角色的多重面向，为后续情节埋下伏笔。
+要求：
+1. 必须包含显性冲突与潜在危机
+2. 体现人物核心驱动力
+3. 暗示世界观关键矛盾
+4. 使用25-100字精准表达
+
+仅返回故事核心文本，不要解释任何内容。
 """
 
-# ===============  3. 暗线与伏笔  ===================
-dark_lines_prompt = """\
-在当前世界观与角色关系中：
-{character_info}
+# =============== 2. 角色动力学设定（角色弧光模型）===================
+character_dynamics_prompt = """\
+基于核心种子：
+{core_seed}
 
-请构思若干暗线、伏笔或隐藏冲突，结合雪花写作法“细节逐步扩展”的思路。要求：
-• 每条暗线给出初始迹象、后续发展与可能的爆发条件。
-• 与角色背景、世界观或关键事件相呼应。
-• 保持合理的悬念设置，与现有设定不冲突。
-• 为后续剧情保留足够展开空间，强调持续影响故事进程。
+请设计3-6个具有动态变化潜力的核心角色，每个角色需包含：
+特征：
+- 背景、外貌、性别、年龄、职业等
+- 暗藏的秘密或潜在弱点(可与世界观或其他角色有关)
 
-请避免一次性透漏全部细节，以逐步揭示的方式为后文做铺垫。
+核心驱动力三角：
+- 表面追求（物质目标）
+- 深层渴望（情感需求）
+- 灵魂需求（哲学层面）
+
+角色弧线设计：
+初始状态 → 触发事件 → 认知失调 → 蜕变节点 → 最终状态
+
+关系冲突网：
+- 与其他角色的关系或对立点
+- 与至少两个其他角色的价值观冲突
+- 一个合作纽带
+- 一个隐藏的背叛可能性
+
+要求：
+仅给出最终文本，不要解释任何内容。
 """
 
-# ===============  4. 最终设定整合  ===================
-finalize_setting_prompt = """\
-基于以下内容，请整合并输出终稿《小说设定》：
-1. 整体设定：
-{novel_setting_base}
-2. 角色设定：
-{character_setting}
-3. 暗线与伏笔：
-{dark_lines}
+# =============== 3. 世界构建矩阵（三维度交织法）===================
+world_building_prompt = """\
+为服务核心冲突"{core_seed}"，请构建三维交织的世界观：
 
-整合要求：
-• 以整体视角整理世界观、角色与暗线，形成一个有机结合的故事框架。
-• 注意角色动机与暗线如何与世界观互相呼应，并兼顾主线与副线节奏。
-• 语言通顺、层次分明。直接输出文本，不使用Markdown格式。
+1. 物理维度：
+- 空间结构（地理×社会阶层分布图）
+- 时间轴（关键历史事件年表）
+- 法则体系（物理/魔法/社会规则的漏洞点）
+
+2. 社会维度：
+- 权力结构断层线（可引发冲突的阶层/种族/组织矛盾）
+- 文化禁忌（可被打破的禁忌及其后果）
+- 经济命脉（资源争夺焦点）
+
+3. 隐喻维度：
+- 贯穿全书的视觉符号系统（如反复出现的意象）
+- 氣候/环境变化映射的心理状态
+- 建筑风格暗示的文明困境
+
+要求：
+每个维度至少包含3个可与角色决策产生互动的动态元素。
+仅给出最终文本，不要解释任何内容。
 """
 
-# ===============  5. 小说目录  ===================
-novel_directory_prompt = """\
-根据以下最终《小说设定》：
-{final_novel_setting}
+# =============== 4. 情节架构（三幕式悬念）===================
+plot_architecture_prompt = """\
+基于以下元素构建三幕式悬念架构：
+核心种子：{core_seed}
+角色体系：{character_dynamics}
+世界观：{world_building}
 
-请列出共 {number_of_chapters} 章的目录，并保证每章的标题或简述能呼应主要冲突、角色成长及暗线埋设。
-目录格式示例：
-第1章 ：<标题> - <简要说明>
-第2章 ：<标题> - <简要说明>
-...
-第{number_of_chapters}章 ：<标题> - <简要说明>
+要求按以下结构设计：
+第一幕（触发） 
+- 日常状态中的异常征兆（3处铺垫）
+- 引出故事：展示主线、暗线、副线的开端
+- 关键事件：打破平衡的催化剂（需改变至少3个角色的关系）
+- 错误抉择：主角的认知局限导致的错误反应
 
-每章可酌情加入一句简述，引导读者了解本章看点。直接输出文本，不使用Markdown。
+第二幕（对抗）
+- 剧情升级：主线+副线的交叉点
+- 双重压力：外部障碍升级+内部挫折
+- 虚假胜利：看似解决实则深化危机的转折点
+- 灵魂黑夜：世界观认知颠覆时刻
+
+第三幕（解决）
+- 代价显现：解决危机必须牺牲的核心价值
+- 嵌套转折：至少包含三层认知颠覆（表面解→新危机→终极抉择）
+- 余波：留下2个开放式悬念因子
+
+每个阶段需包含3个关键转折点及其对应的伏笔回收方案。
+仅给出最终文本，不要解释任何内容。
+"""
+
+# =============== 5. 章节目录生成（悬念节奏曲线）===================
+chapter_blueprint_prompt = """\
+根据小说架构：\n
+{novel_architecture}
+
+设计{number_of_chapters}章的节奏分布：
+1. 章节集群划分：
+- 每3-5章构成一个悬念单元，包含完整的小高潮
+- 单元之间设置"认知过山车"（连续2章紧张→1章缓冲）
+- 关键转折章需预留多视角铺垫
+
+2. 每章需明确：
+- 章节定位（角色/事件/主题等）
+- 核心悬念类型（信息差/道德困境/时间压力等）
+- 情感基调迁移（如从怀疑→恐惧→决绝）
+- 伏笔操作（埋设/强化/回收）
+- 认知颠覆强度（1-5级）
+
+输出格式示例：
+第n章 - [标题]
+本章定位：[角色/事件/主题/...]
+核心作用：[推进/转折/揭示/...]
+悬念密度：[紧凑/渐进/爆发/...]
+伏笔操作：埋设(A线索)→强化(B矛盾)...
+认知颠覆：★☆☆☆☆
+本章简述：[一句话概括]
+
+第n+1章 - [标题]
+本章定位：[角色/事件/主题/...]
+核心作用：[推进/转折/揭示/...]
+悬念密度：[紧凑/渐进/爆发/...]
+伏笔操作：埋设(A线索)→强化(B矛盾)...
+认知颠覆：★☆☆☆☆
+本章简述：[一句话概括]
+
+要求：
+- 使用精炼语言描述，每章字数控制在100字以内。
+- 合理安排节奏，确保整体悬念曲线的连贯性。
+- 在生成{number_of_chapters}章前不要出现结局章节。
+
+仅给出最终文本，不要解释任何内容。
+"""
+
+chunked_chapter_blueprint_prompt = """\
+根据小说架构：\n
+{novel_architecture}
+
+需要生成总共{number_of_chapters}章的节奏分布，
+
+当前已有章节目录（若未空则说明是初始生成）：\n
+{chapter_list}
+
+现在请设计第{n}章到第{m}的节奏分布：
+1. 章节集群划分：
+- 每3-5章构成一个悬念单元，包含完整的小高潮
+- 单元之间设置"认知过山车"（连续2章紧张→1章缓冲）
+- 关键转折章需预留多视角铺垫
+
+2. 每章需明确：
+- 章节定位（角色/事件/主题等）
+- 核心悬念类型（信息差/道德困境/时间压力等）
+- 情感基调迁移（如从怀疑→恐惧→决绝）
+- 伏笔操作（埋设/强化/回收）
+- 认知颠覆强度（1-5级）
+
+输出格式示例：
+第n章 - [标题]
+本章定位：[角色/事件/主题/...]
+核心作用：[推进/转折/揭示/...]
+悬念密度：[紧凑/渐进/爆发/...]
+伏笔操作：埋设(A线索)→强化(B矛盾)...
+认知颠覆：★☆☆☆☆
+本章简述：[一句话概括]
+
+第n+1章 - [标题]
+本章定位：[角色/事件/主题/...]
+核心作用：[推进/转折/揭示/...]
+悬念密度：[紧凑/渐进/爆发/...]
+伏笔操作：埋设(A线索)→强化(B矛盾)...
+认知颠覆：★☆☆☆☆
+本章简述：[一句话概括]
+
+要求：
+- 使用精炼语言描述，每章字数控制在100字以内。
+- 合理安排节奏，确保整体悬念曲线的连贯性。
+- 在生成{number_of_chapters}章前不要出现结局章节。
+
+仅给出最终文本，不要解释任何内容。
 """
 
 # =============== 6. 全局摘要更新 ===================
@@ -88,7 +217,14 @@ summary_prompt = """\
 这是当前的全局摘要（可为空）：
 {global_summary}
 
-请根据本章新增内容，更新全局摘要。保留既有重要信息，同时融入新剧情要点，勿剧透未来。控制在不超过3000字的范围内，语言简练流畅。
+请根据本章新增内容，更新全局摘要。
+要求：
+- 保留既有重要信息，同时融入新剧情要点
+- 以简洁、连贯的语言描述全书进展
+- 客观描绘，不展开联想或解释
+- 字数控制在2000字以内
+
+仅返回全局摘要文本，不要解释任何内容。
 """
 
 # =============== 7. 角色状态更新 ===================
@@ -99,45 +235,157 @@ update_character_state_prompt = """\
 这是当前的角色状态文档（可为空）：
 {old_state}
 
-请更新角色状态，内容包括：
-• 角色的物品、能力或心理状态变化。
-• 角色间关系的最新进展或冲突。
-• 是否触发或加深了某些暗线或关键事件。
-• 任何新增角色或临时出场人物的基本信息。
+请更新角色状态，内容格式：
+角色A属性：
+├──物品:
+    ├──某物(道具)：描述
+    ├──XX长剑(武器)：描述
+    ...
+├──能力
+    ├──技能1：描述
+    ├──技能2：描述
+    ...
+├──状态
+    ├──身体状态：
+        ├──Buff/Debuff
+    ├──心理状态：描述
     
-请直接在已有文档基础上进行增删，语言尽量简洁、有条理。
+├──主要角色间关系网
+    ├──角色B：描述
+    ├──角色C：描述
+    ...
+├──触发或加深的事件
+    ├──事件1：描述
+    ├──事件2：描述
+    ...
+
+角色B属性：
+├──物品
+    ├──...
+├──能力
+    ├──...
+├──状态
+    ├──...
+├──主要角色间关系网
+    ├──...
+├──触发或加深的事件
+    ├──...
+
+角色C属性：
+......
+
+新出场角色：
+- 任何新增角色或临时出场人物的基本信息
+
+要求：
+- 请直接在已有文档基础上进行增删
+- 不改变原有结构，语言尽量简洁、有条理
+
+仅返回更新后的角色状态文本，不要解释任何内容。
 """
 
-# ===============  8. 章节大纲设计  ===================
-chapter_outline_prompt = """\
-这是当前小说的重要信息：
-- 小说设定：{novel_setting}
-- 角色状态：{character_state}
-- 全局摘要：{global_summary}
+# =============== 8. 章节正文写作 ===================
 
-我们即将写第 {novel_number} 章，标题：{chapter_title}，简述（若有）：{chapter_brief}
+# 8.1 第一章草稿提示
+first_chapter_draft_prompt = """\
+即将创作：第 {novel_number} 章《{chapter_title}》
+本章定位：{chapter_role}
+核心作用：{chapter_purpose}
+悬念密度：{suspense_level}
+伏笔操作：{foreshadowing}
+认知颠覆：{plot_twist_level}
+本章简述：{chapter_summary}
 
-请按照以下思路设计本章大纲：
-1. 本章的主要冲突或情节目标，如何与标题呼应。
-2. 出场角色及其动机，对剧情走向的推动或阻碍。
-3. 暗线或伏笔如何有所进展或被揭示。
-4. 本章结尾的悬念或转折，如何为下一章做铺垫。
+可用元素：
+- 核心人物(可能未指定)：{characters_involved}
+- 关键道具(可能未指定)：{key_items}
+- 空间坐标(可能未指定)：{scene_location}
+- 时间压力(可能未指定)：{time_constraint}
 
-请以简要分点方式输出，不要使用Markdown格式。
+参考文档：
+- 小说设定：
+{novel_setting}
+
+请完成第 {novel_number} 章的正文，至少设计下方2个具有动态张力的场景：
+1. 对话场景：
+   - 潜台词冲突（表面谈论A，实际博弈B）
+   - 权力关系变化（通过非对称对话长度体现）
+   - 至少1处双关语暗示未来危机
+
+2. 动作场景：
+   - 环境交互细节（至少3个感官描写）
+   - 节奏控制（短句加速+比喻减速）
+   - 动作揭示人物隐藏特质
+
+3. 心理场景：
+   - 认知失调的具体表现（行为矛盾）
+   - 隐喻系统的运用（连接世界观符号）
+   - 决策前的价值天平描写
+
+文末设置一个"钩链转折"：结尾时回收旧悬念/创造新悬念/抛出新危机/颠覆某个认知/神转折等。
+
+格式要求：
+- 仅返回章节正文文本；
+- 不使用分章节小标题；
+- 不要使用markdown格式。
+
+额外指导(可能未指定)：{user_guidance}
 """
 
-# ===============  9. 章节正文写作  ===================
-chapter_write_prompt = """\
-以下信息供你参考：
-1. 小说设定：{novel_setting}
-2. 角色状态：{character_state}
-3. 全局摘要：{global_summary}
-4. 本章大纲：{chapter_outline}
+# 8.2 后续章节草稿提示
+next_chapter_draft_prompt = """\
+参考文档：
+- 小说设定：
+{novel_setting}
 
-请写出第 {novel_number} 章的正文，标题为“{chapter_title}”。需要：
-• 字数不少于 {word_number} 字，与标题和简述相呼应。
-• 保持连贯叙述，可增加环境、心理、对话等细节描写。
-• 适度呼应前文暗线或角色矛盾，为后续发展留出悬念。
+- 全局摘要：
+{global_summary}
 
-直接输出正文内容，不使用分章节小标题，章节末模仿正常小说中断或转场。
+- 角色状态：
+{character_state}
+
+本地知识库检索到的片段：
+{context_excerpt}
+
+即将创作：第 {novel_number} 章《{chapter_title}》
+本章定位：{chapter_role}
+核心作用：{chapter_purpose}
+悬念密度：{suspense_level}
+伏笔操作：{foreshadowing}
+认知颠覆：{plot_twist_level}
+本章简述：{chapter_summary}
+
+可用元素：
+- 核心人物(可能未指定)：{characters_involved}
+- 关键道具(可能未指定)：{key_items}
+- 空间坐标(可能未指定)：{scene_location}
+- 时间压力(可能未指定)：{time_constraint}
+
+前章结尾段：
+{previous_chapter_excerpt}
+
+请依据前章结尾片段，继续完成第 {novel_number} 章的正文，至少设计下方2个具有动态张力的场景：
+1. 对话场景：
+   - 潜台词冲突（表面谈论A，实际博弈B）
+   - 权力关系变化（通过非对称对话长度体现）
+   - 至少1处双关语暗示未来危机
+
+2. 动作场景：
+   - 环境交互细节（至少3个感官描写）
+   - 节奏控制（短句加速+比喻减速）
+   - 动作揭示人物隐藏特质
+
+3. 心理场景：
+   - 认知失调的具体表现（行为矛盾）
+   - 隐喻系统的运用（连接世界观符号）
+   - 决策前的价值天平描写
+
+文末设置一个"钩链转折"：结尾时回收旧悬念/创造新悬念/抛出新危机/颠覆某个认知/神转折等。
+
+格式要求：
+- 仅返回章节正文文本；
+- 不使用分章节小标题；
+- 不要使用markdown格式。
+
+额外指导(可能未指定)：{user_guidance}
 """

tooltips.py

@@ -0,0 +1,37 @@
+# tooltips.py
+# -*- coding: utf-8 -*-
+
+tooltips = {
+    "api_key": "在这里填写你的API Key。如果使用OpenAI官方接口，请在 https://platform.openai.com/account/api-keys 获取。",
+    "base_url": "模型的接口地址。若使用OpenAI官方：https://api.openai.com/v1。若使用Ollama本地部署，则类似 http://localhost:11434/v1。",
+    "interface_format": "指定LLM接口兼容格式，可选DeepSeek\OpenAI\Ollama\ML Studio等。\n\n注意："+
+                        "OpenAI 兼容是指的可以通过该标准请求的任何接口，不是只允许使用api.openai.com接口\n"+
+                        "例如Ollama接口格式也兼容OpenAI，可以无需修改直接使用\n"+
+                        "ML Studio接口格式与OpenAI接口格式也一致。",
+    "model_name": "要使用的模型名称，例如deepseek-reasoner、gpt-4o等。如果是Ollama等，请填写你下载好的本地模型名。",
+    "temperature": "生成文本的随机度。数值越大越具有发散性，越小越严谨。",
+    "max_tokens": "限制单次生成的最大Token数。范围1~100000，请根据模型上下文及需求填写合适值。\n"+
+                  "以下是一些常见模型的最大值：\n"+
+                  "o1：100,000\n"+
+                  "o1-mini：65,536\n"+
+                  "gpt-4o：16384\n"+
+                  "gpt-4o-mini：16384\n"+
+                  "deepseek-reasoner：8192\n"+
+                  "deepseek-chat：4096\n",
+    "embedding_api_key": "调用Embedding模型时所需的API Key。",
+    "embedding_interface_format": "Embedding模型接口风格，比如OpenAI或Ollama。",
+    "embedding_url": "Embedding模型接口地址。",
+    "embedding_model_name": "Embedding模型名称，如text-embedding-ada-002。",
+    "embedding_retrieval_k": "向量检索时返回的Top-K结果数量。",
+    "topic": "小说的大致主题或主要故事背景描述。",
+    "genre": "小说的题材类型，如玄幻、都市、科幻等。",
+    "num_chapters": "小说期望的章节总数。",
+    "word_number": "每章的目标字数。",
+    "filepath": "生成文件存储的根目录路径。所有txt文件、向量库等放在该目录下。",
+    "chapter_num": "当前正在处理的章节号，用于生成草稿或定稿操作。",
+    "user_guidance": "为本章提供的一些额外指令或写作引导。",
+    "characters_involved": "本章需要重点描写或影响剧情的角色名单。",
+    "key_items": "在本章中出现的重要道具、线索或物品。",
+    "scene_location": "本章主要发生的地点或场景描述。",
+    "time_constraint": "本章剧情中涉及的时间压力或时限设置。"
+}