arboris-novel

GitHub
1.3k 302 简单 2 次阅读 今天开发框架图像Agent
AI 解读 由 AI 自动生成,仅供参考

Arboris-Novel 是一款专为创作者打造的开源 AI 写作助手。它致力于解决写作中常见的卡文难题,例如忘记主角设定、世界观逻辑冲突或不知如何推进剧情。Arboris-Novel 通过集中管理角色、地点与派系信息,确保故事细节前后一致;同时能梳理零散灵感生成大纲,并提供草稿续写与多版本对比功能,帮助用户逐步打磨出符合个人风格的文字。

无论是小说作者、内容创作者,还是希望搭建私有化写作环境的开发者,都能从 Arboris-Novel 中受益。技术层面,Arboris-Novel 支持 Docker 一键部署,兼容 SQLite 与 MySQL 数据存储,保障用户隐私安全。此外,它灵活适配各类 OpenAI 兼容的大模型接口,允许用户根据需求自定义 AI 服务。作为开源项目,Arboris-Novel 不止于自动生成,更希望成为一位能记住你的世界、随故事共同成长的智能伙伴。

使用场景

一位奇幻小说作者正在筹备长篇连载,随着剧情推进面临角色设定混乱和剧情卡壳的困境,急需一款高效辅助工具来理清思路。

没有 arboris-novel 时

  • 角色名字记混,写到后期发现外貌描写前后矛盾,不得不花费大量时间回溯修改。
  • 灵感碎片散落在不同笔记软件里,难以串联成逻辑完整的剧情大纲,导致结构松散。
  • 遇到剧情瓶颈时只能硬憋,效率极低且导致章节质量严重不稳定,影响读者追读体验。
  • 缺乏有效对比手段,难以判断哪种文风更符合预期,修改成本高昂且容易偏离初衷。

使用 arboris-novel 后

  • 集中管理角色、地点与派系设定,写作时随时查阅,彻底避免前后矛盾带来的返工。
  • 将零散灵感丢给 AI 梳理,快速生成从开头到结局的主线大纲,确保故事结构严谨清晰。
  • 状态不佳时让 AI 先出草稿续写,再按个人风格润色,保持行文流畅度与更新频率。
  • 利用多版本对比功能挑选最符合笔触的内容,逐步让模型更贴合你的创作习惯。

Arboris-novel 凭借智能辅助与系统化设定管理,真正解放了创作者的精力,让他们能更专注于故事本身的构建与打磨。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

无需本地 GPU,依赖外部 API 服务

内存

未说明

依赖
notes部署推荐使用 Docker Compose;默认使用 SQLite 数据库,可切换至 MySQL;必须配置 OPENAI_API_KEY 才能使用 AI 功能;支持自定义 API Base URL 以兼容其他大模型服务
python3.10+
FastAPI
Vue
TailwindCSS
Node.js 18+
Docker
SQLite
MySQL
arboris-novel hero image

快速开始

Arboris-Novel | 面向创作者的写作辅助工具

English | 中文

GitHub stars GitHub forks GitHub issues License: MIT

如果你想使用命令行 + 编辑器的方式,可搭配使用 novel-kit

写作时容易卡在「主角叫什么」「故事发生在哪」「下一章写什么」这类问题上。Arboris 在需要时帮你理清思路、记录设定、给出可选方向,让想法落成故事。

在线体验: https://arboris.aozhiai.com

交流群
交流群二维码
作者公众号
作者公众号


界面预览

主界面

角色管理

大纲编辑

写作界面


功能概览

设定管理

角色、地点、派系等设定集中记录,随时查阅,避免写到后期前后矛盾(如角色外貌、世界观规则等)。

大纲与故事线

零散的场景和灵感可交给 AI 梳理,生成从开头到结局的主线大纲。

写作辅助

状态不佳时可让 AI 先出草稿再按自己的风格修改;也可自己写开头,让 AI 续写以获取灵感。

多版本对比

支持一次生成多版内容,挑选最符合风格的部分,逐步让模型更贴合你的笔触。


项目初衷

目标是做一个能记住你的世界、理解角色、随故事推进的写作伙伴,而不是单纯的自动生成器。因此做了 Arboris 并选择开源,方便更多创作者使用。


快速开始

方式一:Docker(容器引擎)部署

# 1. 复制配置文件
cp .env.example .env

# 2. 编辑 .env 中的必填项:
#    - SECRET_KEY: 随机字符串,用于 JWT 等
#    - OPENAI_API_KEY: 大模型 API Key
#    - ADMIN_DEFAULT_PASSWORD: 管理员密码(勿用默认值)

# 3. 启动(默认 SQLite,无需单独安装数据库)
docker compose up -d

# 启动后在浏览器访问 http://localhost:<端口>

方式二:使用 MySQL(关系型数据库)(Compose 内 MySQL)

# .env 中设置 DB_PROVIDER=mysql,然后执行:
DB_PROVIDER=mysql docker compose --profile mysql up -d

方式三:使用自有 MySQL

# 在 .env 中配置数据库地址、用户名、密码后执行:
DB_PROVIDER=mysql docker compose up -d

环境变量说明

常用配置如下(完整项见 .env.example):

配置项 必填吗 说明
SECRET_KEY JWT(JSON Web Token)加密密钥,需自行随机生成并妥善保管
OPENAI_API_KEY 你的 LLM(大语言模型)API Key(OpenAI 或兼容的)
OPENAI_API_BASE_URL API(应用程序接口)地址,默认是 OpenAI 官方的
OPENAI_MODEL_NAME 模型名称,默认 gpt-3.5-turbo
ADMIN_DEFAULT_PASSWORD 管理员初始密码,部署后务必修改
ALLOW_USER_REGISTRATION 是否开放注册,默认 false
SMTP_SERVER / SMTP_USERNAME 开放注册时必填 邮件服务,用于发送验证码

数据存储: 默认 SQLite(轻量级数据库),数据在 Docker 卷中。需映射到本地时,在 .env 中设置 SQLITE_STORAGE_SOURCE=./storage


常见问题

基础使用

Q: 不会用 Docker(容器引擎)?
A: 安装 Docker Desktop(Windows/Mac)或 Docker Engine(Linux),按上文命令执行即可。

Q: API Key(应用程序接口密钥)会泄露吗?
A: 不会。密钥仅存在于服务端 .env,不向前端或用户暴露。

Q: 是否支持其他大语言模型(LLM)?
A: 支持。只要提供 OpenAI 兼容接口,在 .env 中配置 OPENAI_API_BASE_URL 即可。

Q: 修改了代码如何参与?
A: 欢迎提交 PR(Pull Request)或 Issue(问题)。

生成小说时的常见错误

Q: 提示"未配置默认 LLM(大语言模型)API Key"怎么办?
A: 检查 .env 文件中的 OPENAI_API_KEY 是否正确配置。如果是个人用户,也可以在个人设置中配置自定义 API Key。

Q: 生成时提示"今日请求次数已达上限"?
A: 系统管理员可能设置了每日请求限制。解决方案:

  • 等到明天再试
  • 在个人设置中配置自己的 API Key(不受系统配额限制)
  • 管理员调整配额限制(修改 daily_request_limit 配置)

Q: 提示"AI 服务响应超时"或"无法连接到 AI 服务"?
A: 网络或 API(应用程序接口)服务问题导致。可以:

  • 检查网络连接是否正常
  • 确认 OPENAI_API_BASE_URL 配置是否正确
  • 如果使用自建服务,检查服务是否正常运行
  • 稍后重试

Q: 提示"AI 响应因长度限制被截断"?
A: 生成的内容超过了模型的输出限制。建议:

  • 使用支持更长输出的模型

Q: 提示"AI 未返回有效内容"或"AI 服务内部错误"?
A: AI 服务端出现问题。通常是暂时性的,可以:

  • 大多是 LLM(大语言模型)服务的问题,尤其是逆向的 API。
  • 检查 API Key 是否有效且有足够余额
  • 查看后端日志获取详细错误信息

Q: 提示"蓝图中未找到对应章节纲要"?
A: 在生成章节内容前,需要先在蓝图(大纲)中创建对应章节的纲要。请先完善章节大纲再进行生成。

Q: 提示"未配置摘要提示词"?
A: 系统缺少必要的 Prompt 配置。管理员需要在后台配置名为 extraction 的提示词模板,用于生成章节摘要。

Q: 提示"AI 返回的内容格式不正确"或 JSON(JavaScript 对象表示法)解析错误?(较常见)
A: AI 返回内容无法解析为有效 JSON。可能原因与处理方式:

  • 原因 1:模型能力不足 - 某些模型难以稳定输出结构化 JSON

    • 解决:切换到能力更强的模型
    • 或使用支持 structured output 的模型
  • 原因 2:内容过长 - 某些逆向 API 可能无法支持长输出。

  • 临时处理: 重试几次,或更换 AI 模型

Q: 生成的内容质量不理想怎么办?
A: 可以尝试:

  • 完善角色、地点、派系等设定信息
  • 优化章节纲要,提供更详细的指引
  • 使用多版本生成功能,让 AI 生成多个版本后挑选最佳的
  • 调整使用的模型,需要长上下文的

技术栈

  • 后端: Python(编程语言)+ FastAPI(Web 框架)
  • 数据库: SQLite(轻量级数据库)(默认)或 MySQL(关系型数据库)+ libsql
  • 前端: Vue(前端框架)+ TailwindCSS(CSS 框架)
  • 部署: Docker(容器引擎)+ Docker Compose
  • AI: OpenAI API(应用程序接口)或兼容接口

面向开发者

环境准备

  • Python 3.10+(建议使用虚拟环境)
  • Node.js(运行环境)18+ 与 npm(包管理器)
  • pip(包管理器)/ virtualenv(或你习惯的依赖管理工具)
  • 可选:Docker(容器引擎)与 Docker Compose(用于一键部署与发布)

后端本地开发

cd backend
python3 -m venv .venv
source .venv/bin/activate  # Windows 使用 .venv\Scripts\activate
pip install -r requirements.txt
uvicorn app.main:app --reload

默认会监听 http://127.0.0.1:8000,你可以通过 --host--port 调整,或加上 --reload 保持热重载。

前端本地开发

cd frontend
npm install
npm run dev

开发服务器默认运行在 http://127.0.0.1:5173,可通过 --host 参数暴露给局域网设备。

打包与构建

  • 前端:npm run build,构建产物位于 frontend/dist/
  • 后端:确认依赖锁定后,可使用 pip install -r requirements.txt 安装到目标环境,或基于 deploy/Dockerfile 构建镜像
  • 静态文件托管:生产环境下可用 Nginx(Web 服务器)等服务托管 dist 目录,并由后端提供 API

发布与部署

推荐在根目录下使用 Compose 文件完成一体化部署:

docker compose -f deploy/docker-compose.yml up -d --build

如需推送镜像,可在 deploy 目录执行 docker build -t <registry>/arboris:<tag> .,测试后再 docker push 发布。


参与贡献

  • Star 项目
  • 在 Issues 中反馈 Bug 或建议
  • 提交 PR(Pull Request)贡献代码
  • 通过文首二维码加入交流群

反馈与致谢

使用 Arboris 写出作品后,欢迎与我们分享。祝写作顺利。


许可证

本项目采用 MIT 许可证授权 - 详见 LICENSE 文件。

Star History Chart

版本历史

v1.1.32025/10/30
v1.1.22025/10/23
v1.1.12025/10/21
v1.1.02025/10/16
v1.0.12025/10/15
v1.0.02025/10/15

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架