1. 为什么直接用 DeepSeek 生成长文本总会断在半路很多人第一次用 DeepSeek 写长文都会遇到同一个尴尬提示词里明明写了“不少于 8000 字”结果输出到两三千字就停了末尾还挂着一句“如需继续请告诉我”。你回一句“继续”它接是接上了但语气变了、人称乱了前面埋的伏笔也忘了。这不是模型不行而是单次输出长度和上下文管理这两件事被混在一起了。先把概念拆开。DeepSeek 这类模型有两个不同的“长度”一个是上下文窗口也就是它一次能“看见”多少字。DeepSeek 系列支持 128K 上下文换算成中文大概十万字量级这意味着你完全可以把已经写好的几万字重新喂回去让它接着写。另一个是单次最大输出也就是它一口气能“吐出”多少字。这个值通常远小于上下文窗口几千字到一万字左右就会触发截断。所以“写一万字”这件事本质上不是让模型一口气吐完而是分段生成 上下文拼接的工程问题。我试过最朴素的做法把大纲和已写内容全部塞进对话然后说“继续写下一章”。前两章还行到第五章就开始跑偏——因为它每次都要重新读一遍全部历史注意力被稀释越往后越容易丢线索。真正稳的做法是把“记忆”显式地管理起来大纲单独存、已完成章节单独存、每次只把大纲 上一章结尾 本章要求这三样喂进去。这篇就按这个思路走一遍完整流程先给可复制的分段提示词模板再写拼接脚本然后通过 TaoToken 的统一 Key 通道完成多轮调用最后用长度校验和重复率检查确认输出连贯。目标是一次跑通万字级长文生成而不是每次手动复制粘贴。适合谁看写过公众号长文、技术白皮书、小说连载被“继续”两个字折磨过的人以及想把长文生成接进自己脚本、做成半自动化流水线的人。下面所有配置都可以直接抄改几个参数就能跑。2. TaoToken 统一 Key 通道的前置准备与 DeepSeek 长文本分段续写接入在动手写脚本之前先把调用通道理顺。长文生成的特点是调用次数多——一篇一万字的文章按每段 1500 字算至少要七八次请求加上大纲、校验、重写十几次很正常。如果每次都要换 Key、换地址、对不同的模型 ID维护成本会很高。TaoToken 在这里的作用就是把这些统一成一套一个 Base URL、一个 Key、一套模型 IDDeepSeek 的长文本能力通过标准接口调用。先明确三个要素后面脚本里会反复用到要素值说明Base URLhttps://taotoken.net/api所有请求的统一入口不要加多余路径API Key在控制台生成形如sk-开头的一串字符Model IDdeepseek-chat长文本生成用对话模型即可获取 Key 的入口在控制台的 API Keys 页面生成后只显示一次记得先存到环境变量里别硬编码进脚本。文档页有完整的参数说明和示例遇到字段不确定时对着看。# 把 Key 写进环境变量脚本里用 os.environ 读取 export TAOTOKEN_API_KEYsk-你的key export TAOTOKEN_BASE_URLhttps://taotoken.net/api这里有个容易踩的坑Base URL 到底带不带/v1。不同客户端要求不一样OpenAI 兼容的 SDK 通常会自动补/v1所以填https://taotoken.net/api就行如果你用的是裸 HTTP 请求路径要写成https://taotoken.net/api/v1/chat/completions。我建议统一用 SDK省得纠结路径拼接。再确认一下模型 ID。长文本场景下deepseek-chat是通用对话模型适合分段续写如果你要做的是代码类长文档可以换成对应的编码模型。模型 ID 写错会直接报model not found这个错误在第五节会专门讲。准备工作就三件事拿到 Key、确认 Base URL、记住 Model ID。做完这三步就可以进入提示词模板和脚本环节了。别急着一次写一万字先用一个 3000 字的小目标把整条链路跑通再放大规模。3. 可复制的分段提示词模板与拼接脚本配置这一节是核心分两块先给提示词模板再给拼接脚本。模板决定单段质量脚本决定整体连贯。3.1 三段式提示词模板长文跑偏的根源是每段请求里塞了太多无关历史。我的做法是把提示词固定成三段结构全局约束 已完成摘要 本段任务。全局约束只写一次每次请求都带上保证风格统一你正在协助撰写一篇长文主题是《星际殖民中的工程师》。 写作要求 1. 文体硬科幻第三人称冷峻克制的叙述风格 2. 人称与视角全程跟随主角林澈不切换视角 3. 术语一致性飞船统一叫“方舟级”能源统一叫“聚变芯” 4. 每段结尾留一个悬念钩子但不要写“未完待续”这类字样 5. 只输出正文不要输出标题、不要解释、不要加markdown标题符号。已完成摘要不是把前面全文贴回去而是让模型自己压缩。每写完一章追加一次请求“用 150 字概括本章剧情和已出现的人物、地点、关键道具。”把这段摘要存起来下次请求时带上。这样上下文占用小线索还不丢。本段任务写清楚这一段要写什么、大概多少字本段任务撰写第二章聚焦林澈第一次进入方舟级引擎舱 发现聚变芯读数异常。约 1500 字。 上一章结尾林澈在休眠舱醒来收到一条来源不明的警告信息。 请自然衔接上一章结尾不要重复上一章已写内容。三段拼起来就是一次完整请求。实测下来这种结构比“把全文贴回去 继续”稳定得多尤其是写到第五章以后人物名字和设定基本不会乱。3.2 拼接脚本配置脚本用 Python依赖 OpenAI 兼容 SDK。先装依赖pip install openai核心配置写成一个 JSON方便改参数{ base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, model: deepseek-chat, temperature: 0.7, max_tokens: 2000, target_total_chars: 10000, segment_chars: 1500, outline_file: outline.md, output_file: longtext.md, summary_file: summary.md }字段说明max_tokens控制单次输出上限设 2000 对应中文约 1500 字和segment_chars对齐target_total_chars是总目标outline_file存大纲summary_file存每章摘要output_file是最终拼接结果。主循环逻辑import os, json from openai import OpenAI cfg json.load(open(config.json, encodingutf-8)) client OpenAI( base_urlcfg[base_url], api_keyos.environ[cfg[api_key_env]], ) def call(prompt): resp client.chat.completions.create( modelcfg[model], messages[{role: user, content: prompt}], temperaturecfg[temperature], max_tokenscfg[max_tokens], ) return resp.choices[0].message.content def summarize(text): return call(f用150字概括以下内容的剧情、人物、地点、关键道具\n{text}) # 读取大纲逐段生成 outline open(cfg[outline_file], encodingutf-8).read() segments [] summary for i, task in enumerate(parse_outline(outline), 1): prompt build_prompt(global_rules, summary, task) seg call(prompt) segments.append(seg) summary summarize(seg) with open(cfg[output_file], a, encodingutf-8) as f: f.write(seg \n\n) print(f第{i}段完成累计{sum(len(s) for s in segments)}字)parse_outline和build_prompt按你的大纲格式实现即可核心是每段生成后立刻更新摘要并落盘这样中途断了也能从上次的位置续上不用从头再来。4. 验证请求与成功结果长度校验与重复率检查脚本跑起来只是第一步输出是否连贯、有没有注水得用数据说话。这一节给两个校验长度校验和重复率检查。4.1 长度校验先确认总字数达标。中文按字符数算text open(longtext.md, encodingutf-8).read() total len(text.replace(\n, ).replace( , )) print(f总字符数{total}) assert total 9000, 未达目标字数检查是否某段被截断如果某段明显偏短多半是max_tokens设小了或者模型提前收尾。可以在该段请求里补一句“本段必须写满 1500 字不足则继续展开细节”。4.2 重复率检查长文最容易出现的是段落间重复描写。用简单的 n-gram 重叠检测from collections import Counter def ngrams(s, n8): s s.replace(\n, ).replace( , ) return [s[i:in] for i in range(len(s)-n1)] segs open(longtext.md, encodingutf-8).read().split(\n\n) for i in range(len(segs)-1): a, b set(ngrams(segs[i])), set(ngrams(segs[i1])) overlap len(a b) / max(len(a), 1) print(f第{i1}段与第{i2}段重叠率{overlap:.2%})重叠率超过 15% 就要警惕说明模型在复读。解决办法是在本段任务里明确写“不要重复上一段已出现的场景描写和对话”。4.3 一次成功的结果按上面的配置跑一篇 10000 字的科幻长文实测结果第1段完成累计1487字 第2段完成累计3012字 第3段完成累计4520字 ... 第7段完成累计10234字 总字符数10234 第1段与第2段重叠率4.21% 第2段与第3段重叠率6.08% ...重叠率都在 10% 以下人物名字和设定前后一致说明摘要机制起作用了。到这一步万字级长文生成流程就算跑通了。5. 本篇常见错误排查401、local proxy failed、reading choices、OAuth跑脚本时最容易卡在几个固定报错上逐个说清楚。401 UnauthorizedKey 没读到或写错了。先确认环境变量echo $TAOTOKEN_API_KEY如果输出为空说明没 export 成功或者脚本在另一个终端跑的。还有一种情况是 Key 复制时带了空格或换行用strip()处理一下。local proxy failed / connection error这类报错通常是网络层的问题检查 Base URL 是否写成了https://taotoken.net/api有没有多写/v1/v1这种重复路径。另外确认本机没有设置奇怪的全局代理变量unset http_proxy https_proxy后再试。reading choices 报错NoneType object has no attribute choices或choices为空说明响应体结构不对常见原因是模型 ID 写错服务端返回了错误对象而不是正常结果。打印完整响应看看print(resp.model_dump_json(indent2))如果error字段有内容按提示改。模型 ID 统一用deepseek-chat。OAuth / 认证方式冲突如果你之前用过某些 CLI 工具它可能把认证信息写进了本地配置文件导致 SDK 读到了旧的凭证。检查一下有没有~/.config下的残留配置或者显式在代码里传api_key覆盖掉环境里的旧值。输出被截断但没报错这是max_tokens太小不是错误。把配置里的值调大或者把长段拆成两个短段。排查顺序建议先看 HTTP 状态码再看响应体里的 error 字段最后才怀疑提示词。大部分问题都在前两步就能定位。6. 把长文生成接进你的工作流跑通一次之后真正省时间的是把它变成可复用的流程。几个实用建议大纲文件用 Markdown 列表写每行一个章节任务脚本解析起来简单你改起来也直观。摘要文件每次覆盖写只保留最新一章的摘要避免越滚越大。输出文件用追加模式中途断了不用重跑前面的段落。如果要做成长期任务比如每周更新连载可以把配置里的target_total_chars和segment_chars做成命令行参数配合定时任务跑。需要更稳定的调用配额和更高的并发时可以看看 Coding Plan 这类长期方案适合把长文生成当成常规产出来用。最后提醒一句模型生成的长文一定要人工过一遍尤其是设定前后矛盾和事实性错误校验脚本只能查重复和长度查不了逻辑。把校验当过滤器把人工当终审这套流程才算完整。