Revert "不知道出了什么问题，先记录一下更新"

This reverts commit aca9e48683.

novel_generator.py

@@ -4,12 +4,17 @@ import os
 import logging
 import re
 from typing import Dict, List, Optional
-from typing import TypedDict
+try:
+    from typing import TypedDict
+except ImportError:
+    from typing_extensions import TypedDict
+
 from langchain_openai import ChatOpenAI
 from langgraph.graph import StateGraph, START, END
 from langchain_openai import OpenAIEmbeddings
 from langchain_community.vectorstores import Chroma
 from langchain.docstore.document import Document
+
 import nltk
 import math
 from sentence_transformers import SentenceTransformer
@@ -29,15 +34,15 @@ from embedding_ollama import OllamaEmbeddings
 from chapter_directory_parser import get_chapter_info_from_directory
 
 # ============ 日志配置 ============
-
 logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s")
 
 def debug_log(prompt: str, response_content: str):
-        logging.info(f"\n[Prompt >>>] {prompt}\n")
-        logging.info(f"[Response >>>] {response_content}\n")
+    """打印Prompt与Response，可根据需要保留或去掉。"""
+    logging.info(f"\n[Prompt >>>] {prompt}\n")
+    logging.info(f"[Response >>>] {response_content}\n")
 
-# ============ 判断接口格式相关 ============
 
+# ============ 接口判断函数 ============
 def is_using_ollama_api(interface_format: str, base_url: str) -> bool:
     """
     当 interface_format == "Ollama" 时返回 True
@@ -55,8 +60,6 @@ def is_using_ml_studio_api(interface_format: str, base_url: str) -> bool:
     return False
 
 
-# ============ 创建 Embeddings 对象 ============
-
 def create_embeddings_object(
     api_key: str,
     base_url: str,
@@ -69,25 +72,27 @@ def create_embeddings_object(
     - 当 interface_format = "Ollama" => OllamaEmbeddings(...)
       （此时把 embed_url 中的 /v1 替换成 /api，以便最后调用 /api/embed）
     - 当 interface_format = "OpenAI" or "ML Studio" => OpenAIEmbeddings
-    - 其它情况视需求可扩展
+    - 其它情况可自行扩展
     """
     if is_using_ollama_api(interface_format, embed_url):
+        # 去除末尾斜杠
         fixed_url = embed_url.rstrip("/")
+        # 如果包含 /v1 则替换为 /api
         fixed_url = fixed_url.replace("/v1", "/api")
         return OllamaEmbeddings(
             model_name=embedding_model_name,
             base_url=fixed_url
         )
     elif is_using_ml_studio_api(interface_format, base_url):
-        # ML Studio / OpenAI 兼容
         return OpenAIEmbeddings(openai_api_key=api_key, openai_api_base=base_url)
     else:
         # 默认使用 OpenAIEmbeddings
         return OpenAIEmbeddings(openai_api_key=api_key, openai_api_base=base_url)
 
+# ============ 日志配置 ============
+logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s")
 
 # ============ 向量库相关 ============
-
 VECTOR_STORE_DIR = os.path.join(os.getcwd(), "vectorstore")
 if not os.path.exists(VECTOR_STORE_DIR):
     os.makedirs(VECTOR_STORE_DIR)
@@ -97,8 +102,8 @@ def clear_vector_store():
     清空本地向量库（删除 vectorstore 文件夹内的内容）。
     """
     if os.path.exists(VECTOR_STORE_DIR):
-        import shutil
         try:
+            import shutil
             for filename in os.listdir(VECTOR_STORE_DIR):
                 file_path = os.path.join(VECTOR_STORE_DIR, filename)
                 if os.path.isfile(file_path) or os.path.islink(file_path):
@@ -121,6 +126,7 @@ def init_vector_store(
 ) -> Chroma:
     """
     初始化并返回一个Chroma向量库，将传入的文本进行嵌入并保存到本地目录。
+    embedding_base_url 若不为空，则用于 Ollama 模式下；否则默认使用 base_url。
     """
     embed_url = embedding_base_url if embedding_base_url else base_url
     embeddings = create_embeddings_object(
@@ -150,7 +156,6 @@ def load_vector_store(
     读取已存在的向量库。若不存在则返回 None。
     """
     if not os.path.exists(VECTOR_STORE_DIR):
-        logging.info("Vector store not found. Initializing a new one...")
         return None
     embed_url = embedding_base_url if embedding_base_url else base_url
     embeddings = create_embeddings_object(
@@ -180,10 +185,8 @@ def update_vector_store(
         embedding_model_name=embedding_model_name,
         embedding_base_url=embedding_base_url
     )
-    
-    # 如果向量库不存在，初始化它
     if not store:
-        logging.info("Vector store does not exist. Initializing a new one for new chapter...")
+        logging.info("Vector store does not exist. Initializing a new one...")
         init_vector_store(
             api_key=api_key,
             base_url=base_url,
@@ -197,7 +200,6 @@ def update_vector_store(
     new_doc = Document(page_content=new_chapter)
     store.add_documents([new_doc])
     store.persist()
-    logging.info("Vector store updated with the new chapter.")
 
 def get_relevant_context_from_vector_store(
     api_key: str,
@@ -210,7 +212,7 @@ def get_relevant_context_from_vector_store(
 ) -> str:
     """
     从向量库中检索与 query 最相关的 k 条文本，拼接后返回。
-    若向量库不存在或没有足够的内容，则返回空字符串。
+    若向量库不存在则返回空字符串。
     """
     store = load_vector_store(
         api_key=api_key,
@@ -219,19 +221,10 @@ def get_relevant_context_from_vector_store(
         embedding_model_name=embedding_model_name,
         embedding_base_url=embedding_base_url
     )
-    
-    # 如果向量库为空，直接返回空字符串
     if not store:
-        logging.info("No vector store found. Returning empty context.")
+        logging.warning("Vector store not found. Returning empty context.")
         return ""
-    
-    # 向量库存在，但没有足够的内容时也避免索引错误
     docs = store.similarity_search(query, k=k)
-    
-    if not docs:
-        logging.info(f"No relevant documents found for query '{query}'. Returning empty context.")
-        return ""
-
     combined = "\n".join([d.page_content for d in docs])
     return combined
 
@@ -263,6 +256,7 @@ def Novel_novel_directory_generate(
     """
     使用多步流程，生成 Novel_setting.txt 与 Novel_directory.txt 并保存到 filepath。
     """
+    # 确保文件夹存在
     os.makedirs(filepath, exist_ok=True)
 
     model = ChatOpenAI(
@@ -333,6 +327,7 @@ def Novel_novel_directory_generate(
         debug_log(prompt, response.content)
         return {"novel_directory": response.content.strip()}
 
+    # 构建状态图
     graph = StateGraph(OverallState)
     graph.add_node("generate_base_setting", generate_base_setting)
     graph.add_node("generate_character_setting", generate_character_setting)
@@ -368,6 +363,7 @@ def Novel_novel_directory_generate(
         logging.warning("生成失败：缺少 final_novel_setting 或 novel_directory。")
         return
 
+    # 写入文件
     filename_set = os.path.join(filepath, "Novel_setting.txt")
     filename_novel_directory = os.path.join(filepath, "Novel_directory.txt")
 
@@ -379,6 +375,7 @@ def Novel_novel_directory_generate(
 
     append_text_to_file(final_novel_setting_cleaned, filename_set)
     append_text_to_file(final_novel_directory_cleaned, filename_novel_directory)
+
     logging.info("Novel settings and directory generated successfully.")
 
 
@@ -397,25 +394,19 @@ def get_last_n_chapters_text(chapters_dir: str, current_chapter_num: int, n: int
             text = read_file(chap_file).strip()
             if text:
                 texts.append(text)
-    if len(texts) < n:
-        texts = [''] * (n - len(texts)) + texts
     return texts
 
-
 def summarize_recent_chapters(
-    llm_model: str,
-    api_key: str,
-    base_url: str,
-    temperature: float,
-    chapters_text_list: List[str]
-) -> str:
+        llm_model: str,
+        api_key: str,
+        base_url: str,
+        temperature: float,
+        chapters_text_list: List[str]
+    ) -> str:
     """
-    将最近几章文本拼接，通过模型生成相对简要的“短期内容摘要”。
+    将最近几章的文本拼接后，通过模型生成一个相对详细的“短期内容摘要”。
+    如果没有可用的模型（model=None），则退化为简单截断示例。
     """
-    if not chapters_text_list:
-        return ""
-    if chapters_text_list==['', '', '']:
-        return "暂无摘要。"
     model = ChatOpenAI(
         model=llm_model,
         api_key=api_key,
@@ -423,19 +414,33 @@ def summarize_recent_chapters(
         temperature=temperature
     )
 
+    if not chapters_text_list:
+        return ""
+
     combined_text = "\n".join(chapters_text_list)
-    prompt = f"""你是一名资深长篇小说写作辅助AI，下面是最近几章的合并文本：
+    # 如果未传入model，就做个简单的退化输出
+    if not model:
+        return f"【摘要-演示】\n{combined_text[:800]}..."
+
+    # 构造一个提示词（Prompt），指示模型生成精简摘要
+    prompt = f"""你是一名资深的长篇小说写作辅助AI。下面是最近几章的合并文本内容：
 {combined_text}
 
-请用中文输出不超过500字的摘要，只包含主要剧情进展、角色变化、冲突焦点等要点："""
-
+请你为此文本生成一段简洁扼要的摘要，突出主要剧情进展、角色变化、冲突焦点等要点。
+1.请用中文输出，不超过500字。
+2.仅回复摘要内容，不需要其他信息。
+"""
+    # 调用模型获取摘要
     response = model.invoke(prompt)
     if not response or not response.content.strip():
-        return combined_text[:800] + "..." if len(combined_text) > 800 else combined_text
+        # 若模型无响应或空，返回简单截断
+        return f"【摘要-演示】\n{combined_text[:800]}..."
+
+    # 返回模型生成的摘要文本
     return response.content.strip()
 
 
-# ============ 新增：剧情要点/未解决冲突 ============
+# ============ 新增：更新剧情要点/未解决冲突 ============
 
 PLOT_ARCS_PROMPT = """\
 下面是新生成的章节内容:
@@ -444,9 +449,9 @@ PLOT_ARCS_PROMPT = """\
 这里是已记录的剧情要点/未解决冲突(可能为空):
 {old_plot_arcs}
 
-请基于新的章节内容，提炼本章引入或延续的悬念、冲突、角色暗线等，将其合并到旧的剧情要点中。
+请基于新的章节内容，提炼出本章引入或延续的悬念、冲突、角色暗线等，将其合并到旧的剧情要点中。
 若有新的冲突则添加，若有已解决/不再重要的冲突可标注或移除。
-最终输出更新后的剧情要点列表，以帮助后续保持故事整体的一致性和悬念延续。
+最终输出一份更新后的剧情要点列表，以帮助后续保持故事的整体一致性和悬念延续。
 """
 
 def update_plot_arcs(
@@ -457,6 +462,10 @@ def update_plot_arcs(
     model_name: str,
     temperature: float
 ) -> str:
+    """
+    利用模型分析最新章节文本，提炼或更新“未解决冲突或剧情要点”。
+    并返回更新后的字符串。
+    """
     model = ChatOpenAI(
         model=model_name,
         api_key=api_key,
@@ -471,6 +480,7 @@ def update_plot_arcs(
     if not response:
         logging.warning("update_plot_arcs: No response.")
         return old_plot_arcs
+    debug_log(prompt, response.content)
     return response.content.strip()
 
 
@@ -489,44 +499,28 @@ def generate_chapter_draft(
     word_number: int,
     temperature: float,
     novel_novel_directory: str,
-    filepath: str,
-    interface_format: str,
-    embedding_model_name: str,
-    embedding_base_url: str
+    filepath: str
 ) -> str:
     """
-    生成当前章节的草稿，不更新全局摘要/角色状态/向量库。
+    仅生成当前章节的草稿，不更新全局摘要/角色状态/向量库。
+    并将生成的内容写到 "chapter_{novel_number}.txt" 覆盖写入。
+    同时生成 "outline_{novel_number}.txt" 存储大纲内容。
     """
-    # 根据目录信息获取本章标题、简介
+    # 0) 根据 novel_number 从 novel_novel_directory 中获取本章标题及简述
     chapter_info = get_chapter_info_from_directory(novel_novel_directory, novel_number)
     chapter_title = chapter_info["chapter_title"]
     chapter_brief = chapter_info["chapter_brief"]
 
-    # 从向量库检索多次上下文（示例：对本章简介、用户指导分别做查询，再合并）
-    queries = []
-    if user_guidance.strip():
-        queries.append(user_guidance)
-    if chapter_brief.strip():
-        queries.append(chapter_brief)
-    # 也可加一句“回顾剧情”之类
-    queries.append("回顾剧情")
-
-    relevant_context = ""
-    for q in queries:
-        partial_context = get_relevant_context_from_vector_store(
-            api_key=api_key,
-            base_url=base_url,
-            query=q,
-            interface_format=interface_format,
-            embedding_model_name=embedding_model_name,
-            embedding_base_url=embedding_base_url,
-            k=2
-        )
-        if partial_context.strip():
-            relevant_context += "\n" + partial_context
-    # 如果检索结果为空，使用默认值（如空字符串）
-    if not relevant_context:
-        relevant_context = "暂无相关内容。"
+    # 1) 从向量库检索上下文 (此处仅演示 query="回顾剧情")
+    relevant_context = get_relevant_context_from_vector_store(
+        api_key=api_key,
+        base_url=base_url,
+        query="回顾剧情",
+        interface_format="OpenAI",
+        embedding_model_name="",
+        embedding_base_url="",
+        k=2
+    )
 
     model = ChatOpenAI(
         model=model_name,
@@ -535,10 +529,10 @@ def generate_chapter_draft(
         temperature=temperature
     )
 
-    # 1) 生成本章大纲
+    # 2) 生成大纲
     outline_prompt_text = chapter_outline_prompt.format(
         novel_setting=novel_settings,
-        character_state=character_state + "\n\n【检索到的上下文】\n" + relevant_context,
+        character_state=character_state + "\n\n【历史上下文】\n" + relevant_context,
         global_summary=global_summary,
         novel_number=novel_number,
         chapter_title=chapter_title,
@@ -556,10 +550,10 @@ def generate_chapter_draft(
     clear_file_content(outline_file)
     save_string_to_txt(chapter_outline, outline_file)
 
-    # 2) 生成正文草稿
+    # 3) 生成正文草稿
     writing_prompt_text = chapter_write_prompt.format(
         novel_setting=novel_settings,
-        character_state=character_state + "\n\n【检索到的上下文】\n" + relevant_context,
+        character_state=character_state + "\n\n【历史上下文】\n" + relevant_context,
         global_summary=global_summary,
         chapter_outline=chapter_outline,
         word_number=word_number,
@@ -594,12 +588,13 @@ def finalize_chapter(
 ):
     """
     对当前章节进行定稿：
-    1. 读取草稿文本
-    2. 若字数太短则再次扩写
-    3. 更新全局摘要、角色状态
-    4. 更新剧情要点
-    5. 更新向量库
+    1. 读取 chapter_{novel_number}.txt 的最终内容；
+    2. 更新全局摘要、角色状态文件；
+    3. 如果字数明显少于 word_number 的 80%，则自动调用 enrich_chapter_text 再次扩写；
+    4. 更新向量库；
+    5. 新增：更新剧情要点/未解决冲突 -> plot_arcs.txt
     """
+    # 读取当前章节内容
     chapters_dir = os.path.join(filepath, "chapters")
     chapter_file = os.path.join(chapters_dir, f"chapter_{novel_number}.txt")
     chapter_text = read_file(chapter_file).strip()
@@ -615,9 +610,9 @@ def finalize_chapter(
     old_global_summary = read_file(global_summary_file)
     old_plot_arcs = read_file(plot_arcs_file)
 
-    # 若篇幅过短，二次扩写
+    # 1) 若字数明显不足，做 enrich
     if len(chapter_text) < 0.8 * word_number:
-        logging.info("Chapter text is shorter than 80% of desired length. Enriching...")
+        logging.info("Chapter text seems shorter than 80% of desired length. Attempting to enrich content...")
         chapter_text = enrich_chapter_text(
             chapter_text=chapter_text,
             word_number=word_number,
@@ -628,8 +623,9 @@ def finalize_chapter(
         )
         clear_file_content(chapter_file)
         save_string_to_txt(chapter_text, chapter_file)
+        logging.info("Chapter text has been enriched and updated.")
 
-    # 更新全局摘要
+    # 2) 更新全局摘要
     model = ChatOpenAI(
         model=model_name,
         api_key=api_key,
@@ -647,7 +643,7 @@ def finalize_chapter(
 
     new_global_summary = update_global_summary(chapter_text, old_global_summary)
 
-    # 更新角色状态
+    # 3) 更新角色状态
     def update_character_state(chapter_text: str, old_state: str) -> str:
         prompt = update_character_state_prompt.format(
             chapter_text=chapter_text,
@@ -658,7 +654,7 @@ def finalize_chapter(
 
     new_char_state = update_character_state(chapter_text, old_char_state)
 
-    # 更新剧情要点
+    # 4) 更新剧情要点
     new_plot_arcs = update_plot_arcs(
         chapter_text=chapter_text,
         old_plot_arcs=old_plot_arcs,
@@ -668,7 +664,7 @@ def finalize_chapter(
         temperature=temperature
     )
 
-    # 写回文件
+    # 5) 覆盖写入文件
     clear_file_content(character_state_file)
     save_string_to_txt(new_char_state, character_state_file)
 
@@ -678,10 +674,10 @@ def finalize_chapter(
     clear_file_content(plot_arcs_file)
     save_string_to_txt(new_plot_arcs, plot_arcs_file)
 
-    # 更新向量库
+    # 6) 更新向量库
     update_vector_store(
-        api_key=api_key,
-        base_url=base_url,
+        api_key=api_key, 
+        base_url=base_url, 
         new_chapter=chapter_text,
         interface_format=interface_format,
         embedding_model_name=embedding_model_name
@@ -699,6 +695,7 @@ def enrich_chapter_text(
 ) -> str:
     """
     当章节篇幅不足时，调用此函数对章节文本进行二次扩写。
+    可以让模型补充场景描写、角色心理等，保证与现有文本风格一致。
     """
     model = ChatOpenAI(
         model=model_name,
@@ -716,21 +713,20 @@ def enrich_chapter_text(
         return chapter_text
     return response.content.strip()
 
-
 # ============ 导入外部知识文本 ============
 
 def import_knowledge_file(
-    api_key: str,
-    base_url: str, 
-    interface_format: str,
-    embedding_model_name: str,
-    file_path: str, 
-    embedding_base_url: str = ""
-) -> None:
+        api_key: str,
+        base_url: str, 
+        interface_format: str,
+        embedding_model_name: str,
+        file_path: str, 
+        embedding_base_url: str = ""
+    ) -> None:
     """
     将用户选定的文本文件导入到向量库，以便在写作时检索。
     """
-    logging.info(f"开始导入知识库文件: {file_path}, 接口格式: {interface_format}, 模型: {embedding_model_name}")
+    logging.info(f"开始导入知识库文件: {file_path}，当前接口格式: {interface_format}，当前模型: {embedding_model_name}")
     if not os.path.exists(file_path):
         logging.warning(f"知识库文件不存在: {file_path}")
         return
@@ -764,12 +760,11 @@ def advanced_split_content(content: str,
                            similarity_threshold: float = 0.7,
                            max_length: int = 500) -> List[str]:
     """
-    将文本先按句子切分，然后根据语义相似度进行合并，最后按max_length二次切分。
+    将文本先按句子切分，然后根据语义相似度进行合并，最后根据max_length进行二次切分。
     """
-    # 纠正下载punkt包：'punkt' 而非 'punkt_tab'
-    nltk.download('punkt', quiet=True)
-
+    nltk.download('punkt_tab', quiet=True)
     sentences = nltk.sent_tokenize(content)
+
     if not sentences:
         return []