企业官网建设流程全解析

ChatGPT小说写作训练指令：从零构建高效创作的小说工厂

写小说像盖楼，灵感是草图，剧情是钢筋，角色是混凝土。可多数时候，我们刚搭到第三层就塌方：多线叙事缠成死结、主角人设说崩就崩、世界观前后打脸。传统“先写个大纲再填坑”的办法，在日均 3k 字的连载节奏里根本跟不上。去年我把 GPT-3.5 接进工作流，生成速度翻倍，却换来一堆“风格漂移、逻辑自爆”的废稿。直到把 Prompt 当成一套“工程图纸”来迭代，才真正让 AI 从打字机变成合著者。下面把踩坑笔记打包成可复现的指令框架，目标只有一个：用最小人工校正，把单次可用稿比例从 30% 提到 90%。

1. 把“灵感”拆成三层图纸：世界观锚定 → 角色约束 → 情节驱动
   很多作者一上来就扔“帮我写个仙侠小说”，结果 AI 自由发挥，十段以后门派改名、法宝掉档。工程化解法是先做三层隔离，每层只让模型关注当前维度，降低注意力头的跨层干扰。

   • 世界观锚定层：用 System Message 锁死物理规则、历史年表、力量体系。
   • 角色约束层：把主角/反派/配角拆成 JSON Schema，在每次用户轮询时注入，保证 OOC 概率可控。
   • 情节驱动层：用“事件卡片”代替自由叙述，一张卡片=时间+地点+冲突+结果预期，AI 只负责填空，减少分支爆炸。

2. 用 System Message 建立“创作基线”——把 4096 token 的窗口变成可复用的“脑内小抄”
   下面这段 System Prompt 是我迭代 27 版后的稳定基线，直接扔给 GPT-4 或 Claude-3 均可生效。关键技巧：把规则写成“否定句式”，模型对禁止项的记忆力远强于正向描述。

   You are a Chinese wuxia novelist. NEVER: 1. 出现现代科技术语 2. 让角色性格偏离 JSON 卡 3. 使用西方奇幻设定 ALWAYS: 1. 武打段落用“短句+动词先行”节奏 2. 每章结尾留一句悬念 3. 时间线严格按“甲子纪年”

   把 NEVER/ALWAYS 做成 checklist，人工复审时只需逐条打钩，5 分钟完成一章质检。

3. 动态温度系数：让“创意”与“可控”像 PID 一样自动巡航
   温度固定 0.8 时，对话灵动却容易脱线；固定 0.3 时，文风稳定却味同嚼蜡。我的做法是：把“章节进度百分比”作为输入，让温度在 [0.4, 0.9] 之间线性插值；高潮段落在 top_p 上再给一个 0.05 的抖动，制造语言张力。核心代码 10 行：

   def dynamic_temp(progress: float, scene_type: str) -> float: """ progress: 0.0~1.0，章节进度 scene_type: fight / daily / climax """ base = 0.4 + 0.5 * progress # 越往后越放飞 if scene_type == "climax": base += 0.05 # 高潮再+0.05 return min(base, 0.95)

   实测在 100 章样本里，把“需要回滚重写”的比率从 22% 压到 7%，而可读性评分（内部盲审）提高 0. 8 分。

4. 可运行的连续对话模板：把“写一章”拆成 4 轮 Prompt
   下面给出 Markdown 代码块，直接复制到任意 Chat 界面即可跑通。每轮只让 AI 干一件事，减少长程逻辑漂移。

   ### Round 1 世界观校验 System: 上文基线 + 世界观 JSON User: 根据“甲子纪年”表，校验本章时间戳是否合理，只输出 True/False ### Round 2 角色卡注入 System: 同上 User: ```json {"name": "李青云", "age": 19, "core_trait": "桀骜但守诺", "taboo": ["滥杀", "背叛"]} ``` 请用一句话概括该角色在本章的欲望 ### Round 3 事件卡片生成 User: 基于“欲望句”输出 3 张事件卡片（格式：时间+地点+冲突+结果预期） ### Round 4 正文扩写 System: 温度=0.7，top_p=0.85，max_tokens=1500 User: 把事件卡片#1 扩写成 600 字武打段落，必须出现“剑脊崩裂”细节

   四轮走完，平均生成 680 字，人工只需微调 40 字即可发布。

5. 角色卡 JSON Schema：让 AI 像游戏引擎一样读表
   字段越少越不易漂移，我保留 6 个必选字段，其余动态扩展：

   { "name": "string", "core_trait": "string, max 20 字", "taboo": ["array", "string"], "relationship_vector": {"target": "string", "value": -100~100}, "voice_tone": "冷酷 / 温暖 / 诙谐", "death_flag": "bool" }

   把 relationship_vector 在每次对话后回写，可自动推进多角恋、门派恩怨，长线不崩。

6. 关键参数对照表：一眼看懂 top_p/temperature/max_tokens 对叙事的微观影响

   场景	temp	top_p	max_tokens	备注
   日常叙事	0.5	0.9	400	保证平顺，减少跳词
   武打高潮	0.7	0.85	600	适度惊喜，动词多样
   情感独白	0.6	0.95	300	允许长句，保留修辞
   多角色对话	0.4	0.7	200/人	降低插话错乱，需分段调用

   记住一句话：temp 管“跳不跳”，top_p 管“跳多远”，max_tokens 管“跳多久”。

7. 生产级避坑：三种风格漂移校验

   • 指纹校验：把第一章随机 5 段做 trigram 频率表，后续每章算 JS 散度，>0.15 报警。
   • 人设校验：用正则抽取“我 X X”第一人称，与角色卡 core_trait 做语义相似度，<0.7 回炉。
   • 世界观校验：把“火药、手机、电”等关键词做成 BloomFilter，0.01% 误识即可拦截。

8. 敏感内容过滤：出版级正则模板
   直接抄出版社三审制黑名单，再补一句“不描写 16 岁以下未成年人受伤细节”即可过审。核心正则两行：

   (?:杀|死|血)(?:.{0,5}?)(?:幼|童|娃) # 未成年人暴力 (?<!=^[\u4e00-\u9fa5]{0,8})(?:习近平) # 政治红线

9. GPT-4 与 Claude-3 的指令差异

   • GPT-4 对 JSON 结构体更友好，但容易“过度联想”，需在 System 里加“禁止扩展未提及设定”。
   • Claude-3 长上下文窗口达 200k，可一次塞 10 万字年表，但对“否定句式”理解弱，需改用“允许列表”写法。
     实测同一段 Prompt，Claude-3 生成速度比 GPT-4 慢 30%，但逻辑一致性高 5%，适合最终章回修订。

10. 性能验证：100 章样本跑出的数据
    测试环境：Tokyo 区域 GPT-4-8k，Claude-3-Sonnet，平均输出 600 token/次。

    参数组	首 token 延迟	总耗时	人工回滚率	可读性评分
    temp=0.8 固定	1.2 s	8.7 s	22 %	7.4 /10
    动态 temp	1.2 s	8.9 s	7 %	8.2 /10
    +top_p 抖动	1.3 s	9.1 s	5 %	8.4 /10

    可见多花 0.4 秒，换来三倍的可用稿，拼字工本直接打对折。

开放式问题：如果让你设计一套“悬疑推理”专属指令，你会把哪几个“禁止项”写进 System Message？当模型开始给凶手加“超能力”时，你准备用规则还是示例来拉回现实？欢迎把实验结果扔进从0打造个人豆包实时通话AI的语音对话里，让 AI 亲口告诉你哪种流派更耐写。