长篇小说创作中的 AI 章节生成，核心难点不在于生成一段流畅文字，而在于持续生成时能否保持剧情、人物、世界观和伏笔的连续性。普通对话式 AI 往往只能依赖最近输入，容易出现前文遗忘、人物状态重置、伏笔重复埋设和章节目标偏移等问题。本文以蛙趣拼文的长篇创作流程为例，讨论一种面向小说连载场景的上下文工程方法。该方法将当前章大纲、上一章衔接、人物状态、世界观设定、伏笔信息、章节摘要和本地记忆检索结果组合为可控上下文，使 AI 在生成正文前获得更接近作者工作台的资料结构。该方案不能替代作者判断，但可以显著降低长篇生成中的信息散落和前后断裂风险。
- 问题背景 AI 写作工具最容易展示的能力，是根据一句要求生成一段文字。对于短文、片段、单章试写来说，这种能力已经足够产生直观效果。但长篇小说的难点并不止于'写出这一章'，而是'这一章必须接在整本书里'。 一部长篇小说写到几十章以后，作者需要同时管理大量信息：主角当前处境、配角关系变化、已经出现的地点、尚未回收的伏笔、上一章结尾留下的动作、世界观规则、当前卷的主线目标，以及本章需要完成的剧情推进。任何一个信息缺失，都可能让生成结果出现断裂。 常见问题包括： AI 重复讲述前文已经发生过的事件。 角色在新章节中回到初始性格，忽略成长变化。 世界观规则前后不一致。 伏笔被重复埋设，或者长期没有推进。 章节虽然文字通顺，但没有完成大纲目标。 这些问题本质上不是'模型不会写'，而是'模型没有拿到合适的工作资料'。因此，长篇 AI 写作的关键任务，是在生成前构建合理上下文。
- 方法设计 上下文工程的目标，是让模型在有限 Token 预算内看到最相关、最可靠、最有约束力的信息。对于小说创作来说，上下文不应只是最近几千字正文，而应该是结构化的创作资料组合。 蛙趣拼文的章节生成可以拆成七类关键输入： 当前章大纲：确定本章必须完成的剧情目标。 上一章衔接：保证开头承接上章结尾，而不是重新开局。 人物状态：记录角色当前心理、关系、能力、伤势和立场。 世界观设定：约束地点、规则、组织、能力体系和时代背景。 伏笔信息：提醒本章可推进、可埋设或需要回收的线索。 章节摘要：以压缩形式保留历史剧情脉络。 本地记忆检索：从已有内容中找回与当前章相关的信息。 这些资料的作用不同。大纲负责方向，上一章负责衔接，人物负责一致性，世界观负责规则，伏笔负责长线结构，摘要负责历史脉络，向量记忆负责找回相似或相关内容。 如果把所有正文原文全部塞进上下文，模型可能得到大量噪音，也会提高调用成本。更可行的方式，是按当前章节任务筛选资料。
- 工程实现 从工程角度看，章节生成不是一个简单的'提示词拼接'动作，而是一条数据准备流水线。 第一步是读取当前创作目标。系统需要知道本章编号、目标字数、章节大纲、节奏要求和是否有指定伏笔。没有这些约束，AI 很容易写出看似完整但偏离主线的章节。 第二步是构建最近上下文。上一章结尾、上一章摘要和当前故事状态需要被优先加入。它们决定了本章开头是否自然。例如上一章结尾是主角受伤昏迷，新章节就不能突然从平静日常开始，除非大纲明确要求时间跳跃。 第三步是加载创作资产。人物、世界观、组织势力、关系和伏笔不是装饰性资料，而是生成约束。角色在第 30 章已经和主角建立信任，第 31 章就不应继续使用第 1 章的陌生状态。某个组织已经被解散，也不应继续以当前势力出现。 第四步是执行检索。对于长篇项目，直接依赖人工选择资料效率很低。系统可以根据当前章目标、角色名、地点、伏笔描述和关键词，从本地记忆中召回相关内容。关键词检索适合找到明确名称，向量检索适合找到语义相关的旧剧情。二者结合，可以兼顾精确性和召回率。 第五步是进行上下文压缩和排序。资料不是越多越好。系统需要控制不同资料的优先级，避免低相关素材挤占核心约束。通常当前章大纲和上一章衔接优先级最高，人物状态和伏笔其次，远期历史摘要再按相关性进入。 第六步才是调用模型生成正文。此时模型面对的不是一个空泛指令，而是一组被组织过的创作资料。生成结果也更容易落在作者期待的范围内。
- 使用场景 假设作者正在写一部 100 章的都市异能小说，当前要生成第 42 章。本章目标是主角进入黑市，发现反派组织的新线索，同时推进第 18 章埋下的'青铜钥匙'伏笔。 如果只给 AI 一句话：'写第 42 章，主角去黑市发现线索'，生成结果可能会出现很多问题。AI 可能不知道黑市在哪里，也不知道主角和反派之前发生过什么，更不知道青铜钥匙此前如何出现。 采用上下文工程后，系统可以为 AI 准备以下资料： 第 42 章大纲：进入黑市、发现线索、伏笔推进。 第 41 章结尾：主角收到匿名地址，决定连夜前往。 主角状态：刚经历失败，警惕性提高，对同伴仍有隐瞒。 黑市设定：位于旧城区地下，交易规则是匿名和等价交换。 反派组织资料：近期活动范围、标志、成员称呼。 伏笔记录：青铜钥匙在第 18 章首次出现，第 27 章被再次提及。 检索结果：前文中与黑市、青铜钥匙、匿名地址相关的片段摘要。 在这种输入下，AI 更容易写出承接前文、推进伏笔、符合世界观规则的章节。作者仍然需要审稿和修改，但生成结果会更接近可用初稿。
- 评估方式 上下文工程的效果不宜只用'文字好不好看'评价，因为语言质量也受到模型本身影响。更合适的评估指标包括： 章节目标完成率：是否完成当前章大纲要求。 前后衔接一致性：是否自然承接上一章结尾。 角色状态一致性：人物行为是否符合当前阶段。 设定遵循率：是否违反世界观、组织、地点或能力规则。 伏笔处理正确率：是否正确推进或回收指定伏笔。 重复率：是否复述已发生事件或重复埋设同类伏笔。 这些指标可以通过人工评审，也可以结合蛙趣拼文的章节分析、伏笔看板、角色系统和向量检查功能进行辅助验证。
- 局限性 上下文工程不能保证 AI 永远写对。它解决的是'模型看见什么资料'的问题，而不是完全替代作者的审美、判断和取舍。 如果大纲本身很空，人物资料长期没有更新，或者世界观设定互相矛盾，那么系统构建出的上下文也会受到影响。检索结果也依赖资料质量，导入内容越混乱，召回结果越容易出现噪音。 此外，不同模型对长上下文的理解能力不同。同样的上下文，在不同模型上可能产生不同效果。因此，实际使用中仍然需要作者结合模型特性进行调整。
- 结论 面向长篇小说的 AI 章节生成，不应被理解为单次文本生成，而应被理解为一套生成前资料组织系统。蛙趣拼文通过大纲、前文、人物、世界观、伏笔、摘要和本地记忆检索构建章节上下文，使 AI 更接近在一个完整创作工作台中写作。 这种方法的价值不在于让 AI 一次写出完美章节，而在于降低长篇创作中最常见的断裂、遗忘、重复和偏题风险。对于需要长期连载、人物众多、设定复杂的作者来说，上下文工程是 AI 小说创作从'能写一段'走向'能协助写一本'的基础能力。