我用本地DeepSeek+Python打造写作AI，十分钟生成一本专业书籍

摘要：你有没有想过，有一天，写书、创作内容甚至完成复杂的工作任务，都可以交给一个由你自己打造的AI助手来完成？听起来像是科幻电影里的情节，对吧？但今天，这一切已经成为现实。

文/IT可达鸭

图/IT可达鸭、网络

为什么AI写作将成为每个人的“超级助手”？

你有没有想过，有一天，写书、创作内容甚至完成复杂的工作任务，都可以交给一个由你自己打造的AI助手来完成？听起来像是科幻电影里的情节，对吧？但今天，这一切已经成为现实。

在过去的几年里，人工智能技术飞速发展，尤其是像DeepSeek这样的大语言模型的出现，彻底改变了我们与信息交互的方式。然而，仅仅依赖现成的工具是远远不够的——如果你想真正掌控AI的力量，就需要学会如何构建属于自己的AIAgent（人工智能代理） 。

本文将带你走进一个全新的世界：通过Python+LangChain ，从零开始搭建一个属于你的智能写作助手。无论你是想写小说、出书、制作教程，还是生成专业报告，这个AI助手都能为你提供强大的支持。

1. 创建虚拟环境（使用Anaconda）

conda create --name ds_py310 python=3.10.12 activate ds_py310

2. 安装相关包

pip install langchain==0.3.13 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install langchain-community==0.3.13 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install openai==1.58.1 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install dashscope==1.20.14 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install ollama==0.4.7 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install tqdm==4.67.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 安装ollama，下载模型

为了解决这一问题，我们通过 Python 代码巧妙地规避了 token 限制，分步骤、分章节地生成书籍内容，从而确保生成的质量和连贯性。

下面以生成一本名为《机器学习从入门到精通》的书籍为例，展示如何利用 Deepseek 模型完成这一任务，并测试其效果。

后台显示

AI生成的专业书

下面给出源码：

1. 导入相关包

import JSONimport timeimport reimport functoolsfrom datetime import datetimefrom typing import Dict, List, Optionalfrom langchain_core.prompts import PromptTemplatefrom langchain_core.output_parsers import JsonOutputParserfrom langchain_core.language_models import BaseLLMfrom langchain.llms import Ollamafrom tqdm import tqdm

2. 定制pompt，用于生成书籍目录、根据章节小节标题生成循环小节内容

prompt_book_catalog = """你是一本专业书籍的作者，请为《{topic}》生成书籍大纲，要求：1. 包含至少8章2. 每章包含2-5个小节3. 使用JSON格式返回，包含title字段和chapters数组4. chapters数组中每个元素包含title和sections数组5. 章节名称前加上第几章6. 小节前面加上小节的序号示例格式：{{"title": "书籍标题","chapters": [{{"title": "章标题","sections": ["小节1", "小节2"],}}]}}请开始为《{topic}》生成大纲："""# 3. 展示思考链（如：本节将首先探讨...接着分析...最后总结...）# 4. 字数不少于500字# 5. 如果有代码示例，请使用pytorchprompt_chapter = """你正在编写《{book_title}》的{chapter}章节，请撰写'{section}'小节的内容。要求：1. 包含详细的专业知识点2. 使用Markdown格式当前章节：{chapter}当前小节：{section}开始撰写："""

3. 写作AI类

class BookGenerator:def __init__(self, llm: BaseLLM):self.llm = llmself.json_parser = JsonOutputParserself.timings = {} # 存储各阶段耗时数据self.section_timings = self.current_title = ""self.contents = def timing_decorator(func):"""耗时统计装饰器"""@functools.wraps(func)def wrapper(self, *args, **kwargs):start_time = time.timeresult = func(self, *args, **kwargs)elapsed = time.time - start_timeself.timings[func.__name__] = elapsedreturn resultreturn wrapperdef replace_think(self, content):"""过滤掉思维链"""return re.sub(r".*?", "", content, flags=re.DOTALL)@timing_decoratordef generate_outline(self, topic: str) -> Dict:# 步骤1：生成书籍大纲outline_prompt = PromptTemplate.from_template(prompt_book_catalog)chain = outline_prompt | self.llm | self.replace_think | self.json_parsermax_retries = 3for _ in range(max_retries):try:result = chain.invoke({"topic": topic})# 验证必要字段assert "title" in resultassert "chapters" in result and len(result["chapters"]) > 0return resultexcept (json.JSONDecodeError, AssertionError) as e:print(f"大纲生成错误，重试中... ({_+1}/{max_retries})")continueraise ValueError("大纲生成失败，请检查模型输出")def generate_content(self, outline: Dict) -> List[Dict]:self.current_title = outline["title"]all_contents = total_sections = self._count_total_sections(outline)with tqdm(total=total_sections, desc="生成内容", unit="section") as self.progress_bar:chapter_counters = {0: 0} # 主章节计数器初始化for chapter in outline["chapters"]:# 为每个主章节维护独立的计数器all_contents += self._process_chapter(chapter, level=0, counters=chapter_counters.copy)chapter_counters[0] += 1 # 主章节计数器递增return all_contentsdef generate_markdown(self, contents: List[Dict]) -> str:md = [f"# {self.current_title}\n\n"]for item in contents:if item["type"] == "chapter":# 章节标题使用 level+1 的#数量heading_level = item['level'] + 1md.append(f"{'#' * heading_level} {item['title']}\n")for section in item["sections"]:# 小节标题使用 level+2 的#数量section_level = item['level'] + 2md.append(f"{'#' * section_level} {section['title']}\n")md.append(section["content"] + "\n\n")return "\n".join(md)def _count_total_sections(self, outline: Dict) -> int:"""递归计算总小节数"""count = 0for chapter in outline["chapters"]:count += len(chapter.get("sections", ))for sub in chapter.get("subchapters", ):count += self._count_total_sections({"chapters": [sub]})return countdef _process_chapter(self, chapter: Dict, level: int = 0, counters: dict = None) -> List[Dict]:if counters is None:counters = {0: 0}# 更新当前层级计数器current_level = levelcounters[current_level] = counters.get(current_level, 0) + 1# 生成章节编号number_parts = for l in range(current_level + 1):number_parts.append(str(counters[l]))chapter_number = ".".join(number_parts)title = chapter['title']# 处理小节编号sections = for section_title in chapter.get("sections", ):sections.append({"title": section_title,"content": self._generate_section_content(title, section_title, level)})self.progress_bar.update(1)return [{"type": "chapter","title": title,"level": level,"sections": sections}]def _generate_section_content(self, chapter_title: str, section_title: str, level: int) -> str:# 生成单个小节内容，并统计时长start_time = time.timeprompt = PromptTemplate.from_template(prompt_chapter)try:# 过滤掉思维链chain = prompt | self.llm | self.replace_thinkcontent = chain.invoke({"book_title": self.current_title,"chapter": chapter_title,"section": section_title,"level": level})# 记录生成时间elapsed = time.time - start_timeself.section_timings.append(elapsed)self.progress_bar.set_postfix({"last_section_time": f"{elapsed:.1f}s","avg_time": f"{sum(self.section_timings)/len(self.section_timings):.1f}s"})return contentexcept Exception as e:print(f"生成失败：{str(e)}")return "" def print_statistics(self):"""打印统计信息"""print("\n生成统计：")print(f"大纲生成耗时：{self.timings.get('generate_outline', 0):.1f}s")print(f"内容生成总耗时：{sum(self.section_timings):.1f}s")print(f"平均每小节耗时：{sum(self.section_timings)/len(self.section_timings):.1f}s")print(f"最长小节耗时：{max(self.section_timings):.1f}s")print(f"总生成字数：{sum(len(c['content']) for item in self.contents for c in item['sections'])}")

4. 生成大纲，生成内容，生成markdow文件

def aiAgentBook(model_name="deepseek-r1:8b", book_name="Python后端开发入门到精通"):# 初始化本地模型llm = Ollama(model=model_name)generator = BookGenerator(llm)current_time = datetime.now.strftime("%Y%m%d%H%M%S")file_name = "《" + book_name + "》_" + current_time + ".md"try:# 总计时total_start = time.time# 生成大纲outline = generator.generate_outline(book_name)printprint("大纲内容：")print(outline)print 生成内容start_content = time.timecontents = generator.generate_content(outline)generator.contents = contents # 保存内容用于统计# 生成Markdownstart_md = time.timemd = generator.generate_markdown(contents)# 总耗时total_time = time.time - total_start# 保存文件current_time = datetime.now.strftime("%Y%m%d%H%M%S")with open(file_name, "w", encoding="utf-8") as f:f.write(md)# 打印统计generator.print_statisticsprint(f"\n总耗时：{total_time:.1f}秒")print(f"Markdown生成耗时：{time.time-start_md:.1f}s")print("生成完成！输出文件：" + file_name)except Exception as e:print(f"生成失败：{str(e)}")

5. 调用函数

aiAgentBook(model_name="deepseek-r1:8b", book_name="pytorch从入门到精通")