我为书籍构建了 AI Pipeline，以下是其架构
I’m happy to translate the article for you, but I need the full text of the post. Could you please paste the content you’d like translated (excluding the source line you already provided)? Once I have the article text, I’ll translate it into Simplified Chinese while preserving the original formatting, markdown, and any code blocks or URLs.
我们从 5 万本书中学到的东西
大多数 AI 写作工具只是聊天包装器：粘贴提示，获取文本，复制到 Google Docs，重复。对于一本完整的书来说，这意味着数百次往返，并且它们之间会完全丢失上下文。
我在 AI + 出版领域已经工作了三年——自己出版书籍，构建阅读平台（NanoReads，130 + 本书，341 K 读者），并与数百位作者交流。相同的抱怨层出不穷：
- AI 失去对十章前发生的事情的跟踪。
- 每章的风格都不同。
- 对话平淡。
- 输出充斥着 “Moreover…”, “Furthermore…”, “It’s worth noting that…” 等词句。
这些并不是模型质量的问题。在我们的平台（AIWriteBook）上生成了 5 万+ 本书 之后，我们确信瓶颈在 规格化流程，而不是语言模型。
架构
我们将书籍创作视为一个 多阶段编译流水线：
Book Metadata → Character Graph → Chapter Outlines → Chapter Content
| | | |
(schema) (schema) (schema) (streaming)每个阶段生成 受模式约束的结构化输出，并将其传递给下一个阶段。在最终的散文生成之前，没有任何自由形式的内容。
第1阶段 – 书籍元数据
用户提供标题和简短描述。AI 随后生成一个结构化的元数据对象，作为后续所有内容的唯一真实来源。
{
"title": "The Dragon's Reluctant Mate",
"genres": ["Fantasy", "Romance"],
"tone": ["dark", "romantic", "suspenseful"],
"style": ["dialogue‑heavy", "fast‑paced"],
"target_audience": "Adult fantasy romance readers",
"plot_techniques": ["enemies‑to‑lovers", "slow‑burn", "foreshadowing"],
"writing_style": "..."
}语气、风格和受众是 约束条件，而非建议。
第2阶段 – 角色图谱
每个角色都是一个结构化节点，包含声音、动机、弧线和内部冲突。在生成章节时，我们仅传入实际出现的角色，以及它们当前的弧线位置和关系动态。
{
"name": "Kira Ashvane",
"role": "protagonist",
"voice": "Sharp, clipped sentences. Uses sarcasm as defense.",
"motivation": "Prove she doesn't need the dragon clan's protection",
"internal_conflict": "Craves belonging but fears vulnerability",
"arc": "Isolation → reluctant alliance → trust → sacrifice"
}因为模型接收了 每个角色的明确声音规范，对话不再显得同质化。
第三阶段 – 章节大纲
这是最关键的阶段。每一章都会得到一个详细的规范，以指导后续的生成。
{
"chapter_number": 3,
"title": "The Binding Ceremony",
"events": [
"Kira is forced to attend the bonding ritual",
"..."
],
"locations": [
"Dragon temple, obsidian halls lit by bioluminescent moss"
],
"twists": [
"The ritual reveals Kira has dormant dragon magic"
],
"character_interactions": [
{
"characters": ["Kira", "Draethor"],
"dynamic": "hostile tension with undercurrent of curiosity"
}
],
"word_count": 2800
}内部 A/B 测试
| 指标 | 默认大纲 | 定制大纲 |
|---|---|---|
| 导出率 | 16 % | 34 % |
| 满意度（满分5） | 3.4 | 4.3 |
| 每章再生成次数 | 1.8 | 0.7 |
| 完成率 | 41 % | 72 % |
一个拥有详细大纲的普通模型胜过拥有模糊大纲的优秀模型。正如软件工程中所说，输入垃圾 → 输出垃圾。
第4阶段 – 章节生成
唯一的 流式 阶段。模型接收：
- 书籍元数据
- 相关角色及其语音规格
- 章节大纲
- 前几章的摘要（用于连贯性）
- 作者的写作风格样本
我们使用 双模型策略：
- Gemini Flash – 负责所有结构性工作（快速、低成本，擅长受约束的模式输出）。
- Frontier model – 生成最终的散文。
语音训练
作者可以上传 3–5 份写作样本。我们提取风格特征，并在生成过程中将其作为少量示例输入。
来自我们数据的结果：
- 使用语音训练后，导出率提升 2.4 ×。
- 41 % 的再生成请求减少。
- 手动编辑减少 67 %。
少于三个样本 → 改进有限。
超过五个样本 → 收效递减。
没有语音训练时，输出感觉像通用 GPT；作者要么放弃项目，要么花数小时重写。使用语音训练后，“AI 低质量”问题基本消失，因为模型现在拥有具体的风格锚点。
小说 vs. 非小说 流程
小说
使用上文描述的 character graph + plot‑continuity 流程。
非小说
一种从参考材料开始的独立架构。
Reference Files → Content Extraction → Book Structure Selection
|
Chapter Outlines (with assigned references)
|
Chapter Content (with citations)参考材料的影响
| 条件 | Export Rate | Satisfaction |
|---|---|---|
| 有参考材料 | +38 % | 4.4 / 5 |
| 无参考材料 | baseline | 3.5 / 5 |
当模型拥有具体数据——已命名的研究、真实引用、具体统计时，它会生成更可信且更令人满意的非小说内容。
要点
- 规范比模型规模更重要。 采用详细、基于模式的流水线比单纯扩大 LLM 能力能产生更高质量的结果。
- 为每个角色设定语音规范可避免对话单调。
- 章节大纲是提升一致性、连贯性和作者满意度的最大杠杆。
- 少量示例的语音训练能显著减少生成后编辑工作。
- 非虚构类作品需要以数据为中心的流水线，提前注入引用和参考材料。
把书籍生成视作编译器——元数据 → 图 → 大纲 → 流——可以将混乱的“提示‑并‑期待”工作流转变为可预测、可重复的生产线。
我们从 50 K 本书中学到的东西
章节长度的最佳范围是 2,000‑3,500 字。
- 低于此范围，章节显得不够完整。
- 超过 3,500，模型会用不同的表达重复自己，出现离题、冗余的描述。
- 超过 5,000，质量急剧下降。如果章节需要很长，拆分成多个章节效果更好，而不是一次性生成超长章节。
类型影响很大
| 类型 | 导出率 |
|---|---|
| 爱情 | 31 % |
| 文学小说 | 11 % |
| 幽默 | 13 % |
| 诗歌 | 9 % |
AI 在拥有成熟规范和大量训练数据的类型上表现最佳，而在依赖声音、极具创意的写作上表现较差。
只有 23 % 的生成书籍会被导出用于出版。
成功的书籍具备以下特征：
- 在大纲编辑上花费的时间是普通的 3.2 倍
- 74 % 的案例开启了声音训练
- 89 % 的章节至少进行过一次人工编辑
能够出版的书籍是经过多次迭代的，而不是一次点击生成的。
多语言质量差异
- 西班牙语、法语、德语的质量接近英语。
- 波兰语、俄语、日语、韩语质量尚可，但明显低于前者。
- 小语种可用于草稿阶段。
质量与训练数据量呈正相关。对于使用少数语言的作者，先用英语生成再翻译，往往比直接用母语生成效果更好。
Stack
- 前端: Next.js, Tailwind, Supabase client
- 后端: Supabase Edge Functions (Deno)
- AI: Gemini Flash (结构化), Frontier models (散文)
- 语言: 支持 30+ 种
总结
我们从构建中得到的主要结论是：AI 生成书籍的质量问题是一个 规范问题，而不是模型问题。
- 模糊的提示 + “生成” → 低质量。
- 详细的人物图谱、结构化大纲、语音样本以及适当的约束 → 真正优秀的输出。
如果你想尝试，有一个免费层可以让你得到完整的 7 章节书。
欢迎就架构、数据或任何关于 AI + 出版的问题提问。
Tags: #ai #writing #books #showdev #webdev #productivity