NovelAI小说创作平台的架构与玩法

可视化演示

NovelAI平台总览与创作定位

NovelAI是最早以AI续写小说出名的创作平台，由Anlatan公司开发，最初专注于利用大语言模型为创作者提供智能续写服务。随着平台发展，NovelAI扩展了图像生成能力，在二次元创作圈迅速积累了大量用户，成为AI辅助创意写作领域的标杆产品之一。

NovelAI的核心功能模块包括三大支柱：基于大语言模型的文本续写引擎、保持长篇创作一致性的World Info世界观设定系统、以及基于Stable Diffusion的图像生成模块。这三大功能覆盖了创意写作从文本到视觉的完整链路。

平台定位为面向创意写作者和二次元爱好者的AI辅助创作工具，强调创作自由度和用户隐私保护。与许多AI平台不同，NovelAI明确将用户创作内容的版权归属用户自身，这一策略吸引了大量重视知识产权的创作者。

NovelAI采用订阅制商业模式，提供多个等级供用户选择，不同等级在算力配额和功能权限上有所差异。平台的内容审核策略相对宽松，允许成人向创作内容，这在主流AI平台中较为少见，也是其差异化定位的重要体现。

LLM接入方式与模型选择策略

NovelAI的文本续写能力基于多种大语言模型实现，平台同时提供自研模型和经过微调的开源模型供用户选择。不同模型在文风、逻辑性、创意性等方面各有特点，创作者可以根据自身需求选择最适合的模型。

Temperature参数是控制生成文本风格的核心参数之一。该参数通过调整softmax输出的概率分布来影响token选择的随机性：低temperature使概率分布更尖锐，模型更倾向于选择高概率token，输出更加确定和连贯；高temperature使分布更平坦，增加低概率token被选中的机会，输出更加多样和富有创意。

Repetition penalty（重复惩罚）参数用于控制生成文本中的重复问题。AI生成文本时容易出现词汇和句式的重复，repetition penalty通过对已出现过的token施加惩罚因子来降低其再次被选中的概率。惩罚因子大于1时抑制重复，等于1时无惩罚效果。

在实际创作中，不同场景需要不同的参数组合策略。创作严谨的推理小说时，建议使用低temperature（0.3-0.5）配合适度repetition penalty（1.1-1.2），确保逻辑连贯；创作奇幻创意内容时，可使用较高temperature（0.8-1.2）配合较高repetition penalty（1.2-1.3），在保持多样性的同时避免重复。

NovelAI的模型库包含多个不同风格的模型，如基于GPT架构的自研模型和针对特定文体微调的开源模型。每个模型在训练数据、参数规模、微调方式上的差异导致其生成风格各异，用户通常需要通过大量实践来找到最适合自己创作风格的模型。

import numpy as np def apply_temperature(logits, temperature):    """Apply temperature scaling to logits."""    scaled = logits / temperature    probs = np.exp(scaled) / np.sum(np.exp(scaled))    return probs def apply_repetition_penalty(logits, generated_ids, penalty):    """Apply repetition penalty to already generated tokens."""    result = logits.copy()    for token_id in generated_ids:        if result[token_id] > 0:            result[token_id] /= penalty        else:            result[token_id] *= penalty    return result # Example: vocab of 5 tokenslogits = np.array([2.0, 1.5, 0.5, -0.5, -1.0])probs_low = apply_temperature(logits, temperature=0.3)probs_high = apply_temperature(logits, temperature=1.5)print(f'Low temp probs: {np.round(probs_low, 3)}')print(f'High temp probs: {np.round(probs_high, 3)}')

世界观设定与记忆管理机制

NovelAI通过World Info系统解决长篇创作中世界观一致性的核心挑战。World Info允许创作者存储角色、地点、物品、事件等设定信息，每条设定关联一个或多个触发关键词。当AI生成文本时，系统自动扫描上下文中的关键词，匹配并注入相关设定到AI的输入上下文中，确保生成内容与已有设定保持一致。

World Info的关键词触发机制类似于信息检索系统中的查询匹配：系统将当前文本作为查询，扫描所有设定条目的关键词字段，将匹配的条目注入上下文。这种设计类似于作家手边放一本设定集，写到某个角色或地点时自动翻到对应页面，确保描述的一致性。

Memory记忆管理系统负责管理AI的上下文窗口。由于大语言模型有输入长度限制，长篇小说的全部内容无法一次性放入上下文。Memory机制通过保留最近的文本内容（短期记忆）和用户标记的重要情节信息（长期记忆），确保关键信息始终在AI的可见范围内，不会因上下文窗口限制而丢失。

Author's Note（作者备注）功能允许创作者输入一段文字，这段文字会在每次生成时被附加到输入中，用于影响AI的生成风格和方向。例如，创作者可以设置'请用轻松幽默的笔调描写'或'注意保持悬疑氛围'等全局性指导。

这三个机制协同工作：World Info负责设定细节的一致性，Memory负责情节的连贯性，Author's Note负责风格的统一性。它们共同构成了NovelAI支撑长篇创作的核心架构。

class WorldInfo:    def __init__(self):        self.entries = []     def add_entry(self, keywords, content):        self.entries.append({'keywords': keywords, 'content': content})     def activate(self, context):        activated = []        for entry in self.entries:            if any(kw in context for kw in entry['keywords']):                activated.append(entry['content'])        return activated # Usagewi = WorldInfo()wi.add_entry(['Alice', 'protagonist'], 'Alice is a brave knight, age 25, wields a silver sword.')wi.add_entry(['Dragon', 'boss'], 'The ancient dragon guards the mountain pass, breathes blue fire.')context = 'Alice approached the mountain, knowing the Dragon awaited.'print(wi.activate(context))

AI续写与交互叙事体验设计

NovelAI提供多种AI辅助创作方式，形成了丰富的交互叙事体验。续写（Continue）是最基础的功能，AI基于当前文本的末尾内容自动生成后续段落，创作者可以连续多次续写推进剧情。

改写（Rephrase/Rewrite）功能允许AI对选定文本进行重新表达，保持语义但改变措辞或风格。重写功能则可以在保持上下文的前提下改变剧情走向，为创作者提供分支叙事的可能性。

Undo/Redo机制是NovelAI交互设计的核心之一。创作者可以随时撤销AI的生成结果，回到之前的文本状态，然后尝试不同的续写方向。这种机制鼓励创作者大胆探索不同的剧情可能性，因为任何操作都可以回退。

这种交互式创作流程形成了一种独特的人机协作模式：AI负责内容生成和创意发散，创作者负责方向把控和质量筛选。创作者通过选择、编辑、引导来塑造故事走向，AI则根据新的上下文持续生成，形成良性循环。

从交互设计的角度看，NovelAI将AI定位为创作伙伴而非替代者。多种交互方式（续写、改写、重写）提供了不同粒度的控制，Undo/Redo提供了安全的探索空间，这种设计使得创作者在享受AI辅助的同时始终保持对作品的主导权。

图像生成与多模态创作能力

NovelAI集成了基于Stable Diffusion架构的图像生成能力，特别擅长二次元风格的角色和场景插图生成。这一功能与平台的二次元用户群体高度契合，使NovelAI从纯文本创作工具扩展为多模态创作平台。

创作者可以通过文本描述（prompt）生成角色立绘、场景插图、道具设计等视觉内容。生成的图像可以直接用于小说配图，实现'文字+插画'的多模态创作体验，大幅降低了创作者寻找或委托画师的门槛。

图像生成与文本创作在同一个平台内无缝集成，创作者可以在写作过程中随时切换到图像生成模式，为刚刚描写的角色或场景生成视觉呈现。这种工作流使得角色形象更加具象化，也有助于保持文字描述与视觉呈现的一致性。

需要注意的是，图像生成和文本续写使用的是不同的模型，两者之间没有直接的语义理解关联。创作者需要手动将文本描述转化为图像生成的prompt，并通过调整prompt来协调文本风格和视觉风格的一致性。

NovelAI的多模态策略体现了'围绕创作需求构建工具链'的产品思路，将文本和图像能力整合在统一平台中，形成差异化的竞争优势。这种整合降低了创作者在多个工具间切换的成本。

内容审核与订阅商业模式

NovelAI采用相对宽松的内容审核策略，允许成人向创作内容的存在。这与ChatGPT、Gemini等主流AI平台严格的内容审核形成鲜明对比。宽松策略使平台能够覆盖更广泛的创作需求，吸引了大量在主流平台受限的创作者群体。

平台通过订阅制实现商业变现，提供多个订阅等级。不同等级的主要差异体现在每月可用算力（Action Points）、可用模型范围、图像生成配额等方面。这种分层定价策略能够覆盖从轻度体验到专业创作的不同用户需求。

在版权策略上，NovelAI明确将用户创作内容版权归属用户自身，平台不主张对用户生成内容的所有权。这与部分AI平台在条款中主张对用户内容使用权的做法形成对比，成为NovelAI吸引专业创作者的重要差异化因素。

这种'创作者友好'的版权策略在AI生成内容版权争议日益激烈的背景下尤为重要。它使得创作者可以放心地将AI辅助创作的内容用于商业出版、改编等用途，不必担心版权纠纷。

AI 应用场景

Python 演示

import numpy as np def apply_temperature(logits, temperature):    scaled = logits / temperature    exp_logits = np.exp(scaled)    return exp_logits / np.sum(exp_logits) def apply_rep_penalty(logits, generated_ids, penalty):    result = logits.copy()    for tid in generated_ids:        if result[tid] > 0:            result[tid] /= penalty        else:            result[tid] *= penalty    return result def sample_token(logits, temperature=1.0, rep_penalty=1.0, generated=None):    if generated is None:        generated = []    logits = apply_rep_penalty(logits, generated, rep_penalty)    probs = apply_temperature(logits, temperature)    return int(np.argmax(probs)) def generate_demo(vocab, initial_logits, max_tokens=5, temp=0.5, rep=1.1):    generated = []    logits = initial_logits.copy()    tokens = []    for _ in range(max_tokens):        tid = sample_token(logits, temp, rep, generated)        tokens.append(vocab[tid])        generated.append(tid)        logits = initial_logits.copy()    return ' '.join(tokens) vocab = ['The', 'hero', 'dragon', 'quest', 'magic']logits = np.array([2.0, 1.5, 0.8, 0.3, -0.5])result = generate_demo(vocab, logits, max_tokens=5, temp=0.3, rep=1.0)print(f'Generated: {result}')

1. def apply_temperature(logits, temperature):定义temperature缩放函数，通过除以temperature参数调整logits分布
2. scaled = logits / temperature低温使logits差异放大（分布更尖锐），高温使差异缩小（分布更平坦）
3. return exp_logits / np.sum(exp_logits)通过softmax将缩放后的logits转换为概率分布
4. def apply_rep_penalty(logits, generated_ids, penalty):定义重复惩罚函数，对已生成的token施加惩罚因子
5. if result[tid] > 0: result[tid] /= penalty正logit除以惩罚因子（降低），负logit乘以惩罚因子（更负），从而抑制重复
6. def sample_token(logits, temperature=1.0, rep_penalty=1.0, generated=None):综合采样函数，先应用重复惩罚再应用temperature，最后选择token
7. logits = apply_rep_penalty(logits, generated, rep_penalty)首先对已出现过的token施加重复惩罚
8. probs = apply_temperature(logits, temperature)然后通过temperature调整概率分布的尖锐程度
9. return int(np.argmax(probs))选择概率最高的token（实际使用中可用np.random.choice进行随机采样）
10. def generate_demo(vocab, initial_logits, max_tokens=5, temp=0.5, rep=1.1):演示自回归生成循环，逐步生成token序列
11. tid = sample_token(logits, temp, rep, generated)每一步根据当前logits和参数采样一个token
12. tokens.append(vocab[tid]) generated.append(tid)将新token加入生成序列，用于后续重复惩罚计算

常见问答

常见误区

参考来源

• webpageNovelAI Official WebsiteNovelAI官方网站，了解平台功能、订阅计划和核心特性
• webpageNovelAI DocumentationNovelAI官方文档，包含模型参数说明、World Info使用指南和创作技巧
• paperNucleus Sampling: A natural way to control neural text generation关于文本生成中采样策略的学术论文，涵盖temperature和repetition penalty等参数原理