Merge pull request #139 from CNlaojing/main

修复生成目录时报错问题，新增部分逻辑，优化生成流程

consistency_checker.py

@@ -11,7 +11,7 @@ CONSISTENCY_PROMPT = """\
 - 角色状态（可能包含重要信息）：
 {character_state}
 
-- 全局摘要：
+- 前文摘要：
 {global_summary}
 
 - 已记录的未解决冲突或剧情要点：

embedding_adapters.py

@@ -210,20 +210,41 @@ class SiliconFlowEmbeddingAdapter(BaseEmbeddingAdapter):
     def embed_documents(self, texts: List[str]) -> List[List[float]]:
         embeddings = []
         for text in texts:
-            self.payload["input"] = text
-            response = requests.post(self.url, json=self.payload, headers=self.headers)
-            result = response.json()
-            # 从返回数据中提取第一个 embedding
-            emb = result.get("data", [{}])[0].get("embedding", [])
-            embeddings.append(emb)
+            try:
+                self.payload["input"] = text
+                response = requests.post(self.url, json=self.payload, headers=self.headers)
+                response.raise_for_status()
+                result = response.json()
+                if not result or "data" not in result or not result["data"]:
+                    logging.error(f"Invalid response format from SiliconFlow API: {result}")
+                    embeddings.append([])
+                    continue
+                emb = result["data"][0].get("embedding", [])
+                embeddings.append(emb)
+            except requests.exceptions.RequestException as e:
+                logging.error(f"SiliconFlow API request failed: {str(e)}")
+                embeddings.append([])
+            except (KeyError, IndexError, ValueError, TypeError) as e:
+                logging.error(f"Error parsing SiliconFlow API response: {str(e)}")
+                embeddings.append([])
         return embeddings
 
     def embed_query(self, query: str) -> List[float]:
-        self.payload["input"] = query
-        # print('SiliconFlowEmbeddingAdapter发送',self.payload)
-        response = requests.post(self.url, json=self.payload, headers=self.headers)
-        result = response.json()
-        return result.get("data", [{}])[0].get("embedding", [])
+        try:
+            self.payload["input"] = query
+            response = requests.post(self.url, json=self.payload, headers=self.headers)
+            response.raise_for_status()
+            result = response.json()
+            if not result or "data" not in result or not result["data"]:
+                logging.error(f"Invalid response format from SiliconFlow API: {result}")
+                return []
+            return result["data"][0].get("embedding", [])
+        except requests.exceptions.RequestException as e:
+            logging.error(f"SiliconFlow API request failed: {str(e)}")
+            return []
+        except (KeyError, IndexError, ValueError, TypeError) as e:
+            logging.error(f"Error parsing SiliconFlow API response: {str(e)}")
+            return []
 
 def create_embedding_adapter(
     interface_format: str,

llm_adapters.py

@@ -3,8 +3,7 @@
 import logging
 from typing import Optional
 from langchain_openai import ChatOpenAI, AzureChatOpenAI
-from google import genai
-from google.genai import types
+import google.generativeai as genai
 from azure.ai.inference import ChatCompletionsClient
 from azure.core.credentials import AzureKeyCredential
 from azure.ai.inference.models import SystemMessage, UserMessage
@@ -112,7 +111,7 @@ class GeminiAdapter(BaseLLMAdapter):
             response = self._client.models.generate_content(
                 model = self.model_name,
                 contents = prompt,
-                config = types.GenerateContentConfig(
+                config = genai.types.GenerateContentConfig(
                     max_output_tokens=self.max_tokens,
                     temperature=self.temperature,
                 ),

novel_generator/__init__.py

@@ -1,7 +1,13 @@
 #novel_generator/__init__.py
 from .architecture import Novel_architecture_generate
 from .blueprint import Chapter_blueprint_generate
-from .chapter import generate_chapter_draft, get_last_n_chapters_text
+from .chapter import (
+    get_last_n_chapters_text,
+    summarize_recent_chapters,
+    get_filtered_knowledge_context,
+    build_chapter_prompt,
+    generate_chapter_draft
+)
 from .finalization import finalize_chapter, enrich_chapter_text
 from .knowledge import import_knowledge_file
 from .vectorstore_utils import clear_vector_store

novel_generator/blueprint.py

@@ -48,6 +48,7 @@ def Chapter_blueprint_generate(
     llm_model: str,
     filepath: str,
     number_of_chapters: int,
+    user_guidance: str = "",  # 新增参数
     temperature: float = 0.7,
     max_tokens: int = 4096,
     timeout: int = 600
@@ -106,7 +107,8 @@ def Chapter_blueprint_generate(
                 chapter_list=limited_blueprint,
                 number_of_chapters=number_of_chapters,
                 n=current_start,
-                m=current_end
+                m=current_end,
+                user_guidance=user_guidance  # 新增参数
             )
             logging.info(f"Generating chapters [{current_start}..{current_end}] in a chunk...")
             chunk_result = invoke_with_cleaning(llm_adapter, chunk_prompt)
@@ -126,7 +128,8 @@ def Chapter_blueprint_generate(
     if chunk_size >= number_of_chapters:
         prompt = chapter_blueprint_prompt.format(
             novel_architecture=architecture_text,
-            number_of_chapters=number_of_chapters
+            number_of_chapters=number_of_chapters,
+            user_guidance=user_guidance  # 新增参数
         )
         blueprint_text = invoke_with_cleaning(llm_adapter, prompt)
         if not blueprint_text.strip():
@@ -149,7 +152,8 @@ def Chapter_blueprint_generate(
             chapter_list=limited_blueprint,
             number_of_chapters=number_of_chapters,
             n=current_start,
-            m=current_end
+            m=current_end,
+            user_guidance=user_guidance  # 新增参数
         )
         logging.info(f"Generating chapters [{current_start}..{current_end}] in a chunk...")
         chunk_result = invoke_with_cleaning(llm_adapter, chunk_prompt)

novel_generator/chapter.py

@@ -1,16 +1,27 @@
 # novel_generator/chapter.py
 # -*- coding: utf-8 -*-
 """
-章节草稿生成及获取历史章节文本、短期摘要等
+章节草稿生成及获取历史章节文本、当前章节摘要等
 """
 import os
+import json
 import logging
+import re  # 添加re模块导入
 from llm_adapters import create_llm_adapter
-from prompt_definitions import first_chapter_draft_prompt, next_chapter_draft_prompt, summarize_recent_chapters_prompt
+from prompt_definitions import (
+    first_chapter_draft_prompt, 
+    next_chapter_draft_prompt, 
+    summarize_recent_chapters_prompt,
+    knowledge_filter_prompt,
+    knowledge_search_prompt
+)
 from chapter_directory_parser import get_chapter_info_from_blueprint
 from novel_generator.common import invoke_with_cleaning
 from utils import read_file, clear_file_content, save_string_to_txt
-from novel_generator.vectorstore_utils import get_relevant_context_from_vector_store
+from novel_generator.vectorstore_utils import (
+    get_relevant_context_from_vector_store,
+    load_vector_store  # 添加导入
+)
 
 def get_last_n_chapters_text(chapters_dir: str, current_chapter_num: int, n: int = 3) -> list:
     """
@@ -35,37 +46,228 @@ def summarize_recent_chapters(
     temperature: float,
     max_tokens: int,
     chapters_text_list: list,
+    novel_number: int,            # 新增参数
+    chapter_info: dict,           # 新增参数
+    next_chapter_info: dict,      # 新增参数
     timeout: int = 600
-) -> tuple:
+) -> str:  # 修改返回值类型为 str，不再是 tuple
     """
-    生成 (short_summary, next_chapter_keywords)
-    如果解析失败，则返回 (合并文本, "")
+    根据前三章内容生成当前章节的精准摘要。
+    如果解析失败，则返回空字符串。
     """
-    combined_text = "\n".join(chapters_text_list).strip()
-    if not combined_text:
-        return ("", "")
-    llm_adapter = create_llm_adapter(
-        interface_format=interface_format,
-        base_url=base_url,
-        model_name=model_name,
-        api_key=api_key,
-        temperature=temperature,
-        max_tokens=max_tokens,
-        timeout=timeout
+    try:
+        combined_text = "\n".join(chapters_text_list).strip()
+        if not combined_text:
+            return ""
+            
+        # 限制组合文本长度
+        max_combined_length = 4000
+        if len(combined_text) > max_combined_length:
+            combined_text = combined_text[-max_combined_length:]
+            
+        llm_adapter = create_llm_adapter(
+            interface_format=interface_format,
+            base_url=base_url,
+            model_name=model_name,
+            api_key=api_key,
+            temperature=temperature,
+            max_tokens=max_tokens,
+            timeout=timeout
+        )
+        
+        # 确保所有参数都有默认值
+        chapter_info = chapter_info or {}
+        next_chapter_info = next_chapter_info or {}
+        
+        prompt = summarize_recent_chapters_prompt.format(
+            combined_text=combined_text,
+            novel_number=novel_number,
+            chapter_title=chapter_info.get("chapter_title", "未命名"),
+            chapter_role=chapter_info.get("chapter_role", "常规章节"),
+            chapter_purpose=chapter_info.get("chapter_purpose", "内容推进"),
+            suspense_level=chapter_info.get("suspense_level", "中等"),
+            foreshadowing=chapter_info.get("foreshadowing", "无"),
+            plot_twist_level=chapter_info.get("plot_twist_level", "★☆☆☆☆"),
+            chapter_summary=chapter_info.get("chapter_summary", ""),
+            next_chapter_number=novel_number + 1,
+            next_chapter_title=next_chapter_info.get("chapter_title", "（未命名）"),
+            next_chapter_role=next_chapter_info.get("chapter_role", "过渡章节"),
+            next_chapter_purpose=next_chapter_info.get("chapter_purpose", "承上启下"),
+            next_chapter_summary=next_chapter_info.get("chapter_summary", "衔接过渡内容"),
+            next_chapter_suspense_level=next_chapter_info.get("suspense_level", "中等"),
+            next_chapter_foreshadowing=next_chapter_info.get("foreshadowing", "无特殊伏笔"),
+            next_chapter_plot_twist_level=next_chapter_info.get("plot_twist_level", "★☆☆☆☆")
+        )
+        
+        response_text = invoke_with_cleaning(llm_adapter, prompt)
+        summary = extract_summary_from_response(response_text)
+        
+        if not summary:
+            logging.warning("Failed to extract summary, using full response")
+            return response_text[:2000]  # 限制长度
+            
+        return summary[:2000]  # 限制摘要长度
+        
+    except Exception as e:
+        logging.error(f"Error in summarize_recent_chapters: {str(e)}")
+        return ""
+
+def extract_summary_from_response(response_text: str) -> str:
+    """从响应文本中提取摘要部分"""
+    if not response_text:
+        return ""
+        
+    # 查找摘要标记
+    summary_markers = [
+        "当前章节摘要:", 
+        "章节摘要:",
+        "摘要:",
+        "本章摘要:"
+    ]
+    
+    for marker in summary_markers:
+        if (marker in response_text):
+            parts = response_text.split(marker, 1)
+            if len(parts) > 1:
+                return parts[1].strip()
+    
+    return response_text.strip()
+
+def format_chapter_info(chapter_info: dict) -> str:
+    """将章节信息字典格式化为文本"""
+    template = """
+章节编号：第{number}章
+章节标题：《{title}》
+章节定位：{role}
+核心作用：{purpose}
+主要人物：{characters}
+关键道具：{items}
+场景地点：{location}
+伏笔设计：{foreshadow}
+悬念密度：{suspense}
+转折程度：{twist}
+章节简述：{summary}
+"""
+    return template.format(
+        number=chapter_info.get('chapter_number', '未知'),
+        title=chapter_info.get('chapter_title', '未知'),
+        role=chapter_info.get('chapter_role', '未知'),
+        purpose=chapter_info.get('chapter_purpose', '未知'),
+        characters=chapter_info.get('characters_involved', '未指定'),
+        items=chapter_info.get('key_items', '未指定'),
+        location=chapter_info.get('scene_location', '未指定'),
+        foreshadow=chapter_info.get('foreshadowing', '无'),
+        suspense=chapter_info.get('suspense_level', '一般'),
+        twist=chapter_info.get('plot_twist_level', '★☆☆☆☆'),
+        summary=chapter_info.get('chapter_summary', '未提供')
     )
-    prompt = summarize_recent_chapters_prompt.format(combined_text=combined_text)
-    response_text = invoke_with_cleaning(llm_adapter, prompt)
-    short_summary = ""
-    next_chapter_keywords = ""
-    for line in response_text.splitlines():
-        line = line.strip() 
-        if line.startswith("短期摘要:"):
-            short_summary = line.replace("短期摘要:", "").strip()
-        elif line.startswith("下一章关键字:"):
-            next_chapter_keywords = line.replace("下一章关键字:", "").strip()
-    if not short_summary and not next_chapter_keywords:
-        short_summary = response_text
-    return (short_summary, next_chapter_keywords)
+
+def parse_search_keywords(response_text: str) -> list:
+    """解析新版关键词格式（示例输入：'科技公司·数据泄露\n地下实验室·基因编辑'）"""
+    return [
+        line.strip().replace('·', ' ')
+        for line in response_text.strip().split('\n')
+        if '·' in line
+    ][:5]  # 最多取5组
+
+def apply_content_rules(texts: list, novel_number: int) -> list:
+    """应用内容处理规则"""
+    processed = []
+    for text in texts:
+        if re.search(r'第[\d]+章', text) or re.search(r'chapter_[\d]+', text):
+            chap_nums = list(map(int, re.findall(r'\d+', text)))
+            recent_chap = max(chap_nums) if chap_nums else 0
+            time_distance = novel_number - recent_chap
+            
+            if time_distance <= 2:
+                processed.append(f"[SKIP] 跳过近章内容：{text[:120]}...")
+            elif 3 <= time_distance <= 5:
+                processed.append(f"[MOD40%] {text}（需修改≥40%）")
+            else:
+                processed.append(f"[OK] {text}（可引用核心）")
+        else:
+            processed.append(f"[PRIOR] {text}（优先使用）")
+    return processed
+
+def apply_knowledge_rules(contexts: list, chapter_num: int) -> list:
+    """应用知识库使用规则"""
+    processed = []
+    for text in contexts:
+        # 检测历史章节内容
+        if "第" in text and "章" in text:
+            # 提取章节号判断时间远近
+            chap_nums = [int(s) for s in text.split() if s.isdigit()]
+            recent_chap = max(chap_nums) if chap_nums else 0
+            time_distance = chapter_num - recent_chap
+            
+            # 相似度处理规则
+            if time_distance <= 3:  # 近三章内容
+                processed.append(f"[历史章节限制] 跳过近期内容: {text[:50]}...")
+                continue
+                
+            # 允许引用但需要转换
+            processed.append(f"[历史参考] {text} (需进行30%以上改写)")
+        else:
+            # 第三方知识优先处理
+            processed.append(f"[外部知识] {text}")
+    return processed
+
+def get_filtered_knowledge_context(
+    api_key: str,
+    base_url: str,
+    model_name: str,
+    interface_format: str,
+    embedding_adapter,
+    filepath: str,
+    chapter_info: dict,
+    retrieved_texts: list,
+    max_tokens: int = 2048,
+    timeout: int = 600
+) -> str:
+    """优化后的知识过滤处理"""
+    if not retrieved_texts:
+        return "（无相关知识库内容）"
+
+    try:
+        processed_texts = apply_knowledge_rules(retrieved_texts, chapter_info.get('chapter_number', 0))
+        llm_adapter = create_llm_adapter(
+            interface_format=interface_format,
+            base_url=base_url,
+            model_name=model_name,
+            api_key=api_key,
+            temperature=0.3,
+            max_tokens=max_tokens,
+            timeout=timeout
+        )
+        
+        # 限制检索文本长度并格式化
+        formatted_texts = []
+        max_text_length = 600
+        for i, text in enumerate(processed_texts, 1):
+            if len(text) > max_text_length:
+                text = text[:max_text_length] + "..."
+            formatted_texts.append(f"[预处理结果{i}]\n{text}")
+
+        # 使用格式化函数处理章节信息
+        formatted_chapter_info = (
+            f"当前章节定位：{chapter_info.get('chapter_role', '')}\n"
+            f"核心目标：{chapter_info.get('chapter_purpose', '')}\n"
+            f"关键要素：{chapter_info.get('characters_involved', '')} | "
+            f"{chapter_info.get('key_items', '')} | "
+            f"{chapter_info.get('scene_location', '')}"
+        )
+
+        prompt = knowledge_filter_prompt.format(
+            chapter_info=formatted_chapter_info,
+            retrieved_texts="\n\n".join(formatted_texts) if formatted_texts else "（无检索结果）"
+        )
+        
+        filtered_content = invoke_with_cleaning(llm_adapter, prompt)
+        return filtered_content if filtered_content else "（知识内容过滤失败）"
+        
+    except Exception as e:
+        logging.error(f"Error in knowledge filtering: {str(e)}")
+        return "（内容过滤过程出错）"
 
 def build_chapter_prompt(
     api_key: str,
@@ -90,8 +292,13 @@ def build_chapter_prompt(
     timeout: int = 600
 ) -> str:
     """
-    构造当前章节的请求提示词，新增对下一章节元数据的引用
+    构造当前章节的请求提示词（完整实现版）
+    修改重点：
+    1. 优化知识库检索流程
+    2. 新增内容重复检测机制
+    3. 集成提示词应用规则
     """
+    # 读取基础文件
     arch_file = os.path.join(filepath, "Novel_architecture.txt")
     novel_architecture_text = read_file(arch_file)
     directory_file = os.path.join(filepath, "Novel_directory.txt")
@@ -101,7 +308,7 @@ def build_chapter_prompt(
     character_state_file = os.path.join(filepath, "character_state.txt")
     character_state_text = read_file(character_state_file)
     
-    # 获取当前章节信息
+    # 获取章节信息
     chapter_info = get_chapter_info_from_blueprint(blueprint_text, novel_number)
     chapter_title = chapter_info["chapter_title"]
     chapter_role = chapter_info["chapter_role"]
@@ -111,7 +318,7 @@ def build_chapter_prompt(
     plot_twist_level = chapter_info["plot_twist_level"]
     chapter_summary = chapter_info["chapter_summary"]
 
-    # 新增：获取下一章节信息
+    # 获取下一章节信息
     next_chapter_number = novel_number + 1
     next_chapter_info = get_chapter_info_from_blueprint(blueprint_text, next_chapter_number)
     next_chapter_title = next_chapter_info.get("chapter_title", "（未命名）")
@@ -122,11 +329,13 @@ def build_chapter_prompt(
     next_chapter_twist = next_chapter_info.get("plot_twist_level", "★☆☆☆☆")
     next_chapter_summary = next_chapter_info.get("chapter_summary", "衔接过渡内容")
 
+    # 创建章节目录
     chapters_dir = os.path.join(filepath, "chapters")
     os.makedirs(chapters_dir, exist_ok=True)
 
+    # 第一章特殊处理
     if novel_number == 1:
-        prompt_text = first_chapter_draft_prompt.format(
+        return first_chapter_draft_prompt.format(
             novel_number=novel_number,
             word_number=word_number,
             chapter_title=chapter_title,
@@ -143,74 +352,163 @@ def build_chapter_prompt(
             user_guidance=user_guidance,
             novel_setting=novel_architecture_text
         )
-    else:
-        recent_3_texts = get_last_n_chapters_text(chapters_dir, novel_number, n=3)
-        short_summary, next_chapter_keywords = summarize_recent_chapters(
+
+    # 获取前文内容和摘要
+    recent_texts = get_last_n_chapters_text(chapters_dir, novel_number, n=3)
+    
+    try:
+        logging.info("Attempting to generate summary")
+        short_summary = summarize_recent_chapters(
             interface_format=interface_format,
             api_key=api_key,
             base_url=base_url,
             model_name=model_name,
             temperature=temperature,
             max_tokens=max_tokens,
-            chapters_text_list=recent_3_texts,
+            chapters_text_list=recent_texts,
+            novel_number=novel_number,
+            chapter_info=chapter_info,
+            next_chapter_info=next_chapter_info,
             timeout=timeout
         )
-        previous_chapter_excerpt = ""
-        for text_block in reversed(recent_3_texts):
-            if text_block.strip():
-                if len(text_block) > 1500:
-                    previous_chapter_excerpt = text_block[-1500:]
-                else:
-                    previous_chapter_excerpt = text_block
-                break
-        from embedding_adapters import create_embedding_adapter  # 避免循环依赖
+        logging.info("Summary generated successfully")
+    except Exception as e:
+        logging.error(f"Error in summarize_recent_chapters: {str(e)}")
+        short_summary = "（摘要生成失败）"
+
+    # 获取前一章结尾
+    previous_excerpt = ""
+    for text in reversed(recent_texts):
+        if text.strip():
+            previous_excerpt = text[-800:] if len(text) > 800 else text
+            break
+
+    # 知识库检索和处理
+    try:
+        # 生成检索关键词
+        llm_adapter = create_llm_adapter(
+            interface_format=interface_format,
+            base_url=base_url,
+            model_name=model_name,
+            api_key=api_key,
+            temperature=0.3,
+            max_tokens=max_tokens,
+            timeout=timeout
+        )
+        
+        search_prompt = knowledge_search_prompt.format(
+            chapter_number=novel_number,
+            chapter_title=chapter_title,
+            characters_involved=characters_involved,
+            key_items=key_items,
+            scene_location=scene_location,
+            chapter_role=chapter_role,
+            chapter_purpose=chapter_purpose,
+            foreshadowing=foreshadowing,
+            short_summary=short_summary,
+            user_guidance=user_guidance,
+            time_constraint=time_constraint
+        )
+        
+        search_response = invoke_with_cleaning(llm_adapter, search_prompt)
+        keyword_groups = parse_search_keywords(search_response)
+
+        # 执行向量检索
+        all_contexts = []
+        from embedding_adapters import create_embedding_adapter
         embedding_adapter = create_embedding_adapter(
             embedding_interface_format,
             embedding_api_key,
             embedding_url,
             embedding_model_name
         )
-        retrieval_query = short_summary + " " + next_chapter_keywords
-        relevant_context = get_relevant_context_from_vector_store(
-            embedding_adapter=embedding_adapter,
-            query=retrieval_query,
-            filepath=filepath,
-            k=embedding_retrieval_k
-        )
-        if not relevant_context.strip():
-            relevant_context = "（无检索到的上下文）"
-        prompt_text = next_chapter_draft_prompt.format(
-            novel_number=novel_number,
-            word_number=word_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,
-            characters_involved=characters_involved,
-            key_items=key_items,
-            scene_location=scene_location,
-            time_constraint=time_constraint,
-            user_guidance=user_guidance,
-            novel_setting=novel_architecture_text,
-            global_summary=global_summary_text,
-            character_state=character_state_text,
-            context_excerpt=relevant_context,
-            previous_chapter_excerpt=previous_chapter_excerpt,
         
-            # 新增下一章节参数
-            next_chapter_number=next_chapter_number,
-            next_chapter_title=next_chapter_title,
-            next_chapter_role=next_chapter_role,
-            next_chapter_purpose=next_chapter_purpose,
-            next_chapter_suspense_level=next_chapter_suspense,
-            next_chapter_foreshadowing=next_chapter_foreshadow,
-            next_chapter_plot_twist_level=next_chapter_twist,
-            next_chapter_summary=next_chapter_summary
+        store = load_vector_store(embedding_adapter, filepath)
+        if store:
+            collection_size = store._collection.count()
+            actual_k = min(embedding_retrieval_k, max(1, collection_size))
+            
+            for group in keyword_groups:
+                context = get_relevant_context_from_vector_store(
+                    embedding_adapter=embedding_adapter,
+                    query=group,
+                    filepath=filepath,
+                    k=actual_k
+                )
+                if context:
+                    if any(kw in group.lower() for kw in ["技法", "手法", "模板"]):
+                        all_contexts.append(f"[TECHNIQUE] {context}")
+                    elif any(kw in group.lower() for kw in ["设定", "技术", "世界观"]):
+                        all_contexts.append(f"[SETTING] {context}")
+                    else:
+                        all_contexts.append(f"[GENERAL] {context}")
+
+        # 应用内容规则
+        processed_contexts = apply_content_rules(all_contexts, novel_number)
+        
+        # 执行知识过滤
+        chapter_info_for_filter = {
+            "chapter_number": novel_number,
+            "chapter_title": chapter_title,
+            "chapter_role": chapter_role,
+            "chapter_purpose": chapter_purpose,
+            "characters_involved": characters_involved,
+            "key_items": key_items,
+            "scene_location": scene_location,
+            "foreshadowing": foreshadowing,  # 修复拼写错误
+            "suspense_level": suspense_level,
+            "plot_twist_level": plot_twist_level,
+            "chapter_summary": chapter_summary,
+            "time_constraint": time_constraint
+        }
+        
+        filtered_context = get_filtered_knowledge_context(
+            api_key=api_key,
+            base_url=base_url,
+            model_name=model_name,
+            interface_format=interface_format,
+            embedding_adapter=embedding_adapter,
+            filepath=filepath,
+            chapter_info=chapter_info_for_filter,
+            retrieved_texts=processed_contexts,
+            max_tokens=max_tokens,
+            timeout=timeout
         )
-    return prompt_text
+        
+    except Exception as e:
+        logging.error(f"知识处理流程异常：{str(e)}")
+        filtered_context = "（知识库处理失败）"
+
+    # 返回最终提示词
+    return next_chapter_draft_prompt.format(
+        user_guidance=user_guidance if user_guidance else "无特殊指导",
+        global_summary=global_summary_text,
+        previous_chapter_excerpt=previous_excerpt,
+        character_state=character_state_text,
+        short_summary=short_summary,
+        novel_number=novel_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,
+        word_number=word_number,
+        characters_involved=characters_involved,
+        key_items=key_items,
+        scene_location=scene_location,
+        time_constraint=time_constraint,
+        next_chapter_number=next_chapter_number,
+        next_chapter_title=next_chapter_title,
+        next_chapter_role=next_chapter_role,
+        next_chapter_purpose=next_chapter_purpose,
+        next_chapter_suspense_level=next_chapter_suspense,
+        next_chapter_foreshadowing=next_chapter_foreshadow,
+        next_chapter_plot_twist_level=next_chapter_twist,
+        next_chapter_summary=next_chapter_summary,
+        filtered_context=filtered_context
+    )
 
 def generate_chapter_draft(
     api_key: str,

novel_generator/finalization.py

@@ -29,7 +29,7 @@ def finalize_chapter(
     timeout: int = 600
 ):
     """
-    对指定章节做最终处理：更新全局摘要、更新角色状态、插入向量库等。
+    对指定章节做最终处理：更新前文摘要、更新角色状态、插入向量库等。
     默认无需再做扩写操作，若有需要可在外部调用 enrich_chapter_text 处理后再定稿。
     """
     chapters_dir = os.path.join(filepath, "chapters")

novel_generator/knowledge.py

@@ -8,47 +8,41 @@ import logging
 import re
 import traceback
 import nltk
-from sentence_transformers import SentenceTransformer
-from sklearn.metrics.pairwise import cosine_similarity
+import warnings
 from utils import read_file
 from novel_generator.vectorstore_utils import load_vector_store, init_vector_store
 from langchain.docstore.document import Document
 
+# 禁用特定的Torch警告
+warnings.filterwarnings('ignore', message='.*Torch was not compiled with flash attention.*')
+os.environ["TOKENIZERS_PARALLELISM"] = "false"
+
 def advanced_split_content(content: str, similarity_threshold: float = 0.7, max_length: int = 500) -> list:
+    """使用基本分段策略"""
     nltk.download('punkt', quiet=True)
     nltk.download('punkt_tab', quiet=True)
     sentences = nltk.sent_tokenize(content)
     if not sentences:
         return []
-    model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
-    embeddings = model.encode(sentences)
-    merged_paragraphs = []
-    current_sentences = [sentences[0]]
-    current_embedding = embeddings[0]
-    for i in range(1, len(sentences)):
-        sim = cosine_similarity([current_embedding], [embeddings[i]])[0][0]
-        if sim >= similarity_threshold:
-            current_sentences.append(sentences[i])
-            current_embedding = (current_embedding + embeddings[i]) / 2.0
-        else:
-            merged_paragraphs.append(" ".join(current_sentences))
-            current_sentences = [sentences[i]]
-            current_embedding = embeddings[i]
-    if current_sentences:
-        merged_paragraphs.append(" ".join(current_sentences))
+
     final_segments = []
-    for para in merged_paragraphs:
-        if len(para) > max_length:
-            sub_segments = []
-            start_idx = 0
-            while start_idx < len(para):
-                end_idx = min(start_idx + max_length, len(para))
-                segment = para[start_idx:end_idx].strip()
-                sub_segments.append(segment)
-                start_idx = end_idx
-            final_segments.extend(sub_segments)
+    current_segment = []
+    current_length = 0
+    
+    for sentence in sentences:
+        sentence_length = len(sentence)
+        if current_length + sentence_length > max_length:
+            if current_segment:
+                final_segments.append(" ".join(current_segment))
+            current_segment = [sentence]
+            current_length = sentence_length
         else:
-            final_segments.append(para)
+            current_segment.append(sentence)
+            current_length += sentence_length
+    
+    if current_segment:
+        final_segments.append(" ".join(current_segment))
+    
     return final_segments
 
 def import_knowledge_file(

novel_generator/vectorstore_utils.py

@@ -7,10 +7,19 @@ import os
 import logging
 import traceback
 import nltk
+import numpy as np
+import re
+import ssl
+import requests
+import warnings
 from langchain_chroma import Chroma
+
+# 禁用特定的Torch警告
+warnings.filterwarnings('ignore', message='.*Torch was not compiled with flash attention.*')
+os.environ["TOKENIZERS_PARALLELISM"] = "false"  # 禁用tokenizer并行警告
+
 from chromadb.config import Settings
 from langchain.docstore.document import Document
-from sentence_transformers import SentenceTransformer
 from sklearn.metrics.pairwise import cosine_similarity
 from .common import call_with_retry
 
@@ -131,8 +140,8 @@ def split_by_length(text: str, max_length: int = 500):
 
 def split_text_for_vectorstore(chapter_text: str, max_length: int = 500, similarity_threshold: float = 0.7):
     """
-    对新的章节文本进行分段后，再用于存入向量库。
-    先句子切分 -> 语义相似度合并 -> 再按 max_length 切分。
+    对新的章节文本进行分段后,再用于存入向量库。
+    使用 embedding 进行文本相似度计算。
     """
     if not chapter_text.strip():
         return []
@@ -143,33 +152,24 @@ def split_text_for_vectorstore(chapter_text: str, max_length: int = 500, similar
     if not sentences:
         return []
     
-    model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
-    embeddings = model.encode(sentences)
-    
-    merged_paragraphs = []
-    current_sentences = [sentences[0]]
-    current_embedding = embeddings[0]
-    
-    for i in range(1, len(sentences)):
-        sim = cosine_similarity([current_embedding], [embeddings[i]])[0][0]
-        if sim >= similarity_threshold:
-            current_sentences.append(sentences[i])
-            current_embedding = (current_embedding + embeddings[i]) / 2.0
-        else:
-            merged_paragraphs.append(" ".join(current_sentences))
-            current_sentences = [sentences[i]]
-            current_embedding = embeddings[i]
-    
-    if current_sentences:
-        merged_paragraphs.append(" ".join(current_sentences))
-    
+    # 直接按长度分段,不做相似度合并
     final_segments = []
-    for para in merged_paragraphs:
-        if len(para) > max_length:
-            sub_segments = split_by_length(para, max_length=max_length)
-            final_segments.extend(sub_segments)
+    current_segment = []
+    current_length = 0
+    
+    for sentence in sentences:
+        sentence_length = len(sentence)
+        if current_length + sentence_length > max_length:
+            if current_segment:
+                final_segments.append(" ".join(current_segment))
+            current_segment = [sentence]
+            current_length = sentence_length
         else:
-            final_segments.append(para)
+            current_segment.append(sentence)
+            current_length += sentence_length
+    
+    if current_segment:
+        final_segments.append(" ".join(current_segment))
     
     return final_segments
 
@@ -226,3 +226,19 @@ def get_relevant_context_from_vector_store(embedding_adapter, query: str, filepa
         logging.warning(f"Similarity search failed: {e}")
         traceback.print_exc()
         return ""
+
+def _get_sentence_transformer(model_name: str = 'paraphrase-MiniLM-L6-v2'):
+    """获取sentence transformer模型，处理SSL问题"""
+    try:
+        # 设置torch环境变量
+        os.environ["TORCH_ALLOW_TF32_CUBLAS_OVERRIDE"] = "0"
+        os.environ["TORCH_CUDNN_V8_API_ENABLED"] = "0"
+        
+        # 禁用SSL验证
+        ssl._create_default_https_context = ssl._create_unverified_context
+        
+        # ...existing code...
+    except Exception as e:
+        logging.error(f"Failed to load sentence transformer model: {e}")
+        traceback.print_exc()
+        return None

prompt_definitions.py

@@ -2,21 +2,156 @@
 # -*- coding: utf-8 -*-
 """
 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。
+并包含新增加的前三章摘要/下一章关键字提炼提示词，以及章节正文写作提示词。
 """
 
-# =============== 摘要与下一章关键字提炼 ===============
+# =============== 生成草稿提示词当前章节摘要、知识库提炼 ===============
+# 当前章节摘要生成提示词
 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）：
+作为一名专业的小说编辑和知识管理专家，正在基于已完成的前三章内容和本章信息生成当前章节的精准摘要。请严格遵循以下工作流程：
+前三章内容：
 {combined_text}
 
+当前章节信息：
+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}
+
+下一章信息：
+第{next_chapter_number}章《{next_chapter_title}》：
+├── 本章定位：{next_chapter_role}
+├── 核心作用：{next_chapter_purpose}
+├── 悬念密度：{next_chapter_suspense_level}
+├── 伏笔操作：{next_chapter_foreshadowing}
+├── 认知颠覆：{next_chapter_plot_twist_level}
+└── 本章简述：{next_chapter_summary}
+
+**上下文分析阶段**：
+1. 回顾前三章核心内容：
+   - 第一章核心要素：[章节标题]→[核心冲突/理论]→[关键人物/概念]
+   - 第二章发展路径：[已建立的人物关系]→[技术/情节进展]→[遗留伏笔]
+   - 第三章转折点：[新出现的变量]→[世界观扩展]→[待解决问题]
+2. 提取延续性要素：
+   - 必继承要素：列出前3章中必须延续的3个核心设定
+   - 可调整要素：识别2个允许适度变化的辅助设定
+
+**当前章节摘要生成规则**：
+1. 内容架构：
+   - 继承权重：70%内容需与前3章形成逻辑递进
+   - 创新空间：30%内容可引入新要素，但需标注创新类型（如：技术突破/人物黑化）
+2. 结构控制：
+   - 采用"承继→发展→铺垫"三段式结构
+   - 每段含1个前文呼应点+1个新进展
+3. 预警机制：
+   - 若检测到与前3章设定冲突，用[!]标记并说明
+   - 对开放式发展路径，提供2种合理演化方向
+
 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。
+用最多800字，写一个简洁明了的「当前章节摘要」；
 
 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>
+当前章节摘要: <这里写当前章节摘要>
+"""
+
+# 知识库相关性检索提示词
+knowledge_search_prompt = """\
+请基于以下当前写作需求，生成合适的知识库检索关键词：
+
+章节元数据：
+- 准备创作：第{chapter_number}章
+- 章节主题：{chapter_title}
+- 核心人物：{characters_involved}
+- 关键道具：{key_items}
+- 场景位置：{scene_location}
+
+写作目标：
+- 本章定位：{chapter_role}
+- 核心作用：{chapter_purpose}
+- 伏笔操作：{foreshadowing}
+
+当前摘要：
+{short_summary}
+
+- 用户指导：
+{user_guidance}
+
+- 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}
+
+生成规则：
+
+1.关键词组合逻辑：
+-类型1：[实体]+[属性]（如"量子计算机 故障日志"）
+-类型2：[事件]+[后果]（如"实验室爆炸 辐射泄漏"）
+-类型3：[地点]+[特征]（如"地下城 氧气循环系统"）
+
+2.优先级：
+-首选用户指导中明确提及的术语
+-次选当前章节涉及的核心道具/地点
+-最后补充可能关联的扩展概念
+
+3.过滤机制：
+-排除抽象程度高于"中级"的概念
+-排除与前3章重复率超60%的词汇
+
+请生成3-5组检索词，按优先级降序排列。
+格式：每组用"·"连接2-3个关键词，每组占一行
+
+示例：
+科技公司·数据泄露
+地下实验室·基因编辑·禁忌实验
+"""
+
+# 知识库内容过滤提示词
+knowledge_filter_prompt = """\
+对知识库内容进行三级过滤：
+
+待过滤内容：
+{retrieved_texts}
+
+当前叙事需求：
+{chapter_info}
+
+过滤流程：
+
+冲突检测：
+
+删除与已有摘要重复度＞40%的内容
+
+标记存在世界观矛盾的内容（使用▲前缀）
+
+价值评估：
+
+关键价值点（❗标记）：
+· 提供新的角色关系可能性
+· 包含可转化的隐喻素材
+· 存在至少2个可延伸的细节锚点
+
+次级价值点（·标记）：
+· 补充环境细节
+· 提供技术/流程描述
+
+结构重组：
+
+按"情节燃料/人物维度/世界碎片/叙事技法"分类
+
+为每个分类添加适用场景提示（如"可用于XX类型伏笔"）
+
+输出格式：
+[分类名称]→[适用场景]
+❗/· [内容片段] （▲冲突提示）
+...
+
+示例：
+[情节燃料]→可用于时间压力类悬念
+❗ 地下氧气系统剩余23%储量（可制造生存危机）
+▲ 与第三章提到的"永久生态循环系统"存在设定冲突
 """
 
 # =============== 1. 核心种子设定（雪花第1层）===================
@@ -219,22 +354,22 @@ chunked_chapter_blueprint_prompt = """\
 仅给出最终文本，不要解释任何内容。
 """
 
-# =============== 6. 全局摘要更新 ===================
+# =============== 6. 前文摘要更新 ===================
 summary_prompt = """\
 以下是新完成的章节文本：
 {chapter_text}
 
-这是当前的全局摘要（可为空）：
+这是当前的前文摘要（可为空）：
 {global_summary}
 
-请根据本章新增内容，更新全局摘要。
+请根据本章新增内容，更新前文摘要。
 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
+- 总字数控制在2000字以内
 
-仅返回全局摘要文本，不要解释任何内容。
+仅返回前文摘要文本，不要解释任何内容。
 """
 
 # =============== 7. 角色状态更新 ===================
@@ -243,7 +378,7 @@ create_character_state_prompt = """\
 
 请生成一个角色状态文档，内容格式：
 例：
-李员外：
+张三：
 ├──物品:
 │  ├──青衫：一件破损的青色长袍，带有暗红色的污渍
 │  └──寒铁长剑：一柄断裂的铁剑，剑身上刻有古老的符文
@@ -254,11 +389,11 @@ create_character_state_prompt = """\
 │  ├──身体状态: 身材挺拔，穿着华丽的铠甲，面色冷峻
 │  └──心理状态: 目前的心态比较平静，但内心隐藏着对柳溪镇未来掌控的野心和不安
 ├──主要角色间关系网
-│  ├──林婉儿：李员外从小就与她有关联，对她的成长一直保持关注
-│  └──苏明远：两人之间有着复杂的过去，最近因一场冲突而让对方感到威胁
+│  ├──李四：张三从小就与她有关联，对她的成长一直保持关注
+│  └──王二：两人之间有着复杂的过去，最近因一场冲突而让对方感到威胁
 ├──触发或加深的事件
 │  ├──村庄内突然出现不明符号：这个不明符号似乎在暗示柳溪镇即将发生重大事件
-│  └──林婉儿被刺穿皮肤：这次事件让两人意识到对方的强大实力，促使他们迅速离开队伍
+│  └──李四被刺穿皮肤：这次事件让两人意识到对方的强大实力，促使他们迅速离开队伍
 
 角色名：
 ├──物品:
@@ -274,8 +409,8 @@ create_character_state_prompt = """\
 │  └──心理状态：描述
 │    
 ├──主要角色间关系网
-│  ├──角色B：描述
-│  └──角色C：描述
+│  ├──李四：描述
+│  └──王二：描述
 │   ...
 ├──触发或加深的事件
 │  ├──事件1：描述
@@ -298,7 +433,7 @@ update_character_state_prompt = """\
 
 请更新主要角色状态，内容格式：
 例：
-李员外：
+张三：
 ├──物品:
 │  ├──青衫：一件破损的青色长袍，带有暗红色的污渍
 │  └──寒铁长剑：一柄断裂的铁剑，剑身上刻有古老的符文
@@ -309,11 +444,11 @@ update_character_state_prompt = """\
 │  ├──身体状态: 身材挺拔，穿着华丽的铠甲，面色冷峻
 │  └──心理状态: 目前的心态比较平静，但内心隐藏着对柳溪镇未来掌控的野心和不安
 ├──主要角色间关系网
-│  ├──林婉儿：李员外从小就与她有关联，对她的成长一直保持关注
-│  └──苏明远：两人之间有着复杂的过去，最近因一场冲突而让对方感到威胁
+│  ├──李四：张三从小就与她有关联，对她的成长一直保持关注
+│  └──王二：两人之间有着复杂的过去，最近因一场冲突而让对方感到威胁
 ├──触发或加深的事件
 │  ├──村庄内突然出现不明符号：这个不明符号似乎在暗示柳溪镇即将发生重大事件
-│  └──林婉儿被刺穿皮肤：这次事件让两人意识到对方的强大实力，促使他们迅速离开队伍
+│  └──李四被刺穿皮肤：这次事件让两人意识到对方的强大实力，促使他们迅速离开队伍
 
 角色名：
 ├──物品:
@@ -329,8 +464,8 @@ update_character_state_prompt = """\
 │  └──心理状态：描述
 │    
 ├──主要角色间关系网
-│  ├──角色B：描述
-│  └──角色C：描述
+│  ├──李四：描述
+│  └──王二：描述
 │   ...
 ├──触发或加深的事件
 │  ├──事件1：描述
@@ -371,11 +506,10 @@ first_chapter_draft_prompt = """\
 - 小说设定：
 {novel_setting}
 
-请完成第 {novel_number} 章的正文，字数要求{word_number}字，至少设计下方2个或以上具有动态张力的场景：
+完成第 {novel_number} 章的正文，字数要求{word_number}字，至少设计下方2个或以上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）
@@ -391,9 +525,6 @@ first_chapter_draft_prompt = """\
    - 空间透视变化（宏观→微观→异常焦点）
    - 非常规感官组合（如"听见阳光的重量"）
    - 动态环境反映心理（环境与人物心理对应）
-   - 隐藏线索植入（环境暗示未来事件）
-
-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；
@@ -406,80 +537,89 @@ first_chapter_draft_prompt = """\
 # 8.2 后续章节草稿提示
 next_chapter_draft_prompt = """\
 参考文档：
-- 小说设定：
-{novel_setting}
+└── 前文摘要：
+    {global_summary}
 
-- 全局摘要：
-{global_summary}
+└── 前章结尾段：
+    {previous_chapter_excerpt}
 
-- 角色状态：
-{character_state}
+└── 用户指导：
+    {user_guidance}
 
-本地知识库检索到的片段：
-{context_excerpt}
+└── 角色状态：
+    {character_state}
 
-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}
+└── 当前章节摘要：
+    {short_summary}
 
-下一章节介绍：
-第 {next_chapter_number} 章《{next_chapter_title}》
-本章定位：{next_chapter_role}
-核心作用：{next_chapter_purpose}
-悬念密度：{next_chapter_suspense_level}
-伏笔操作：{next_chapter_foreshadowing}
-认知颠覆：{next_chapter_plot_twist_level}
-本章简述：{next_chapter_summary}
-参考下一章内容简介，避免情节脱节或冲突。
+当前章节信息：
+第{novel_number}章《{chapter_title}》：
+├── 章节定位：{chapter_role}
+├── 核心作用：{chapter_purpose}
+├── 悬念密度：{suspense_level}
+├── 伏笔设计：{foreshadowing}
+├── 转折程度：{plot_twist_level}
+├── 章节简述：{chapter_summary}
+├── 字数要求：{word_number}字
+├── 核心人物：{characters_involved}
+├── 关键道具：{key_items}
+├── 场景地点：{scene_location}
+└── 时间压力：{time_constraint}
 
-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}
+下一章节目录
+第{next_chapter_number}章《{next_chapter_title}》：
+├── 章节定位：{next_chapter_role}
+├── 核心作用：{next_chapter_purpose}
+├── 悬念密度：{next_chapter_suspense_level}
+├── 伏笔设计：{next_chapter_foreshadowing}
+├── 转折程度：{next_chapter_plot_twist_level}
+└── 章节简述：{next_chapter_summary}
 
-前章结尾段：
-{previous_chapter_excerpt}
+知识库参考：（按优先级应用）
+{filtered_context}
 
-依据前章结尾剧情，开始完成第 {novel_number} 章的正文，字数要求{word_number}字，确保与前章结尾衔接流畅，
+🎯 知识库应用规则：
+1. 内容分级：
+   - 写作技法类（优先）：
+     ▸ 场景构建模板
+     ▸ 对话写作技巧
+     ▸ 悬念营造手法
+   - 设定资料类（选择性）：
+     ▸ 独特世界观元素
+     ▸ 未使用过的技术细节
+   - 禁忌项类（必须规避）：
+     ▸ 已在前文出现过的特定情节
+     ▸ 重复的人物关系发展
 
-本章至少设计下方2个或以上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. 使用限制：
+   ● 禁止直接复制已有章节的情节模式
+   ● 历史章节内容仅允许：
+     → 参照叙事节奏（不超过20%相似度）
+     → 延续必要的人物反应模式（需改编30%以上）
+   ● 第三方写作知识优先用于：
+     → 增强场景表现力（占知识应用的60%以上）
+     → 创新悬念设计（至少1处新技巧）
 
-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. 冲突检测：
+   ⚠️ 若检测到与历史章节重复：
+     - 相似度>40%：必须重构叙事角度
+     - 相似度20-40%：替换至少3个关键要素
+     - 相似度<20%：允许保留核心概念但改变表现形式
 
-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
-
-4. 环境场景：
-   - 空间透视变化（宏观→微观→异常焦点）
-   - 非常规感官组合（如"听见阳光的重量"）
-   - 动态环境反映心理（环境与人物心理对应）
-   - 隐藏线索植入（环境暗示未来事件）
-
-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。
+依据前面所有设定，开始完成第 {novel_number} 章的正文，字数要求{word_number}字，
+内容生成严格遵循：
+-用户指导
+-当前章节摘要
+-当前章节信息
+-无逻辑漏洞,
+确保章节内容与前文摘要、前章结尾段衔接流畅、下一章目录保证上下文完整性，
 
 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}
 """
 
-
 Character_Import_Prompt = """\
 根据以下文本内容，分析出所有角色及其属性信息，严格按照以下格式要求：
 

ui/generation_handlers.py

@@ -77,7 +77,7 @@ def generate_chapter_blueprint_ui(self):
         return
 
     def task():
-        if not messagebox.askyesno("确认", "确定要生成章节草稿吗？"):
+        if not messagebox.askyesno("确认", "确定要生成章节目录吗？"):
             self.enable_button_safe(self.btn_generate_chapter)
             return
         self.disable_button_safe(self.btn_generate_directory)
@@ -90,6 +90,7 @@ def generate_chapter_blueprint_ui(self):
             temperature = self.temperature_var.get()
             max_tokens = self.max_tokens_var.get()
             timeout_val = self.safe_get_int(self.timeout_var, 600)
+            user_guidance = self.user_guide_text.get("0.0", "end").strip()  # 新增获取用户指导
 
             self.safe_log("开始生成章节蓝图...")
             Chapter_blueprint_generate(
@@ -101,7 +102,8 @@ def generate_chapter_blueprint_ui(self):
                 filepath=filepath,
                 temperature=temperature,
                 max_tokens=max_tokens,
-                timeout=timeout_val
+                timeout=timeout_val,
+                user_guidance=user_guidance  # 新增参数
             )
             self.safe_log("✅ 章节蓝图生成完成。请在 'Chapter Blueprint' 标签页查看或编辑。")
         except Exception:
@@ -371,7 +373,7 @@ def finalize_chapter_ui(self):
                 max_tokens=max_tokens,
                 timeout=timeout_val
             )
-            self.safe_log(f"✅ 第{chap_num}章定稿完成（已更新全局摘要、角色状态、向量库）。")
+            self.safe_log(f"✅ 第{chap_num}章定稿完成（已更新前文摘要、角色状态、向量库）。")
 
             final_text = read_file(chapter_file)
             self.master.after(0, lambda: self.show_chapter_in_textbox(final_text))
@@ -443,20 +445,53 @@ def import_knowledge_handler(self):
                 emb_format = self.embedding_interface_format_var.get().strip()
                 emb_model = self.embedding_model_name_var.get().strip()
 
-                self.safe_log(f"开始导入知识库文件: {selected_file}")
-                import_knowledge_file(
-                    embedding_api_key=emb_api_key,
-                    embedding_url=emb_url,
-                    embedding_interface_format=emb_format,
-                    embedding_model_name=emb_model,
-                    file_path=selected_file,
-                    filepath=self.filepath_var.get().strip()
-                )
-                self.safe_log("✅ 知识库文件导入完成。")
+                # 尝试不同编码读取文件
+                content = None
+                encodings = ['utf-8', 'gbk', 'gb2312', 'ansi']
+                for encoding in encodings:
+                    try:
+                        with open(selected_file, 'r', encoding=encoding) as f:
+                            content = f.read()
+                            break
+                    except UnicodeDecodeError:
+                        continue
+                    except Exception as e:
+                        self.safe_log(f"读取文件时发生错误: {str(e)}")
+                        raise
+
+                if content is None:
+                    raise Exception("无法以任何已知编码格式读取文件")
+
+                # 创建临时UTF-8文件
+                import tempfile
+                import os
+                with tempfile.NamedTemporaryFile(mode='w', encoding='utf-8', delete=False, suffix='.txt') as temp:
+                    temp.write(content)
+                    temp_path = temp.name
+
+                try:
+                    self.safe_log(f"开始导入知识库文件: {selected_file}")
+                    import_knowledge_file(
+                        embedding_api_key=emb_api_key,
+                        embedding_url=emb_url,
+                        embedding_interface_format=emb_format,
+                        embedding_model_name=emb_model,
+                        file_path=temp_path,
+                        filepath=self.filepath_var.get().strip()
+                    )
+                    self.safe_log("✅ 知识库文件导入完成。")
+                finally:
+                    # 清理临时文件
+                    try:
+                        os.unlink(temp_path)
+                    except:
+                        pass
+
             except Exception:
                 self.handle_exception("导入知识库时出错")
             finally:
                 self.enable_button_safe(self.btn_import_knowledge)
+
         try:
             thread = threading.Thread(target=task, daemon=True)
             thread.start()