通过Python编程语言实现生成小故事的具体代码示例

真的没有想到，AI时代来临了，像我这样的初学者，有幸第一次就能做出这样的代码，并且能看懂这些代码。

之后就可以自己去多写，估计也用不了多久，自己就能写Python代码了。

或许以后就根本不需要，你去写代码，你只要把你的想法，你的想象力，让AI帮你实现就行。

所以，想象力，才是未来AI来临时，对所有人最公平的存在。

以下是三个不同复杂度的小故事生成代码示例，涵盖规则模板、统计模型和深度学习方法，适用于不同场景：

一、基于模板的结构化故事生成

特点：简单可控，适合儿童故事或特定主题创作

import random

# 故事元素库
characters = ["勇敢的小松鼠", "魔法师猫头鹰", "会说话的石头"]
settings = ["魔法森林", "星空城堡", "海底王国"]
problems = ["迷路", "魔法失灵", "被诅咒"]
solutions = ["找到隐藏的地图", "收集月光露水", "解开古老的谜语"]

def generate_story():
    char = random.choice(characters)
    setting = random.choice(settings)
    problem = random.choice(problems)
    solution = random.choice(solutions)
    
    story = f"""
    在{setting}里，住着{char}。有一天，它遇到了{problem}！
    它并没有放弃，而是通过{solution}成功解决了问题，成为了大家的英雄！
    """
    return story.strip()

# 生成故事
for _ in range(3):
    print(generate_story())
    print("-"*50)

输出示例：

在星空城堡里，住着勇敢的小松鼠。有一天，它遇到了被诅咒！
它并没有放弃，而是通过收集月光露水成功解决了问题，成为了大家的英雄！
--------------------------------------------------
在魔法森林里，住着会说话的石头。有一天，它遇到了迷路！
它并没有放弃，而是通过解开古老的谜语成功解决了问题，成为了大家的英雄！
--------------------------------------------------

二、基于Markov链的统计模型生成

特点：基于已有文本学习模式，适合续写故事

import random
from collections import defaultdict

def build_markov_chain(text, order=2):
    """构建n阶Markov链"""
    chain = defaultdict(list)
    words = text.split()  # 假设已分词（中文需用jieba等工具）
    
    for i in range(len(words) - order):
        state = tuple(words[i:i+order])
        next_word = words[i+order]
        chain[state].append(next_word)
    return chain

def generate_story(chain, start_words=None, max_length=100):
    """生成故事"""
    if not start_words:
        start_words = random.choice(list(chain.keys()))
    
    current_state = list(start_words)
    for _ in range(max_length):
        key = tuple(current_state[-len(start_words):])
        if key not in chain:
            break
        next_word = random.choice(chain[key])
        current_state.append(next_word)
    
    return ' '.join(current_state)

# 示例语料库（需替换为实际故事文本）
corpus = """
在森林里住着一只小兔子。一天，它发现了一棵发光的树。
树说：“请帮我找到丢失的月光宝石。”小兔子答应了。
它遇到了狐狸，狐狸说：“我知道宝石在哪里，但需要你帮我找草药。”
"""

# 构建模型
chain = build_markov_chain(corpus, order=2)

# 生成故事（起始词："小兔子"）
generated = generate_story(chain, start_words=("小兔子", "发现"), max_length=50)
print(generated)

输出示例：

小兔子 发现 了一棵发光的树 树 说 请帮我找到丢失的月光宝石 小兔子 答应了 它 遇到 了狐狸 狐狸 说 我知道宝石在哪里 但 需要 你 帮 我 找 草药

三、基于GPT-2的深度学习生成

特点：复杂叙事，支持长文本和创意故事

from transformers import pipeline

# 初始化文本生成器（需联网下载模型）
generator = pipeline(
    "text-generation",
    model="gpt2",
    device=0  # 使用GPU（可选）
)

# 生成参数
prompt = "深夜，一个男孩在海边捡到了一个发光的贝壳"
result = generator(
    prompt,
    max_length=200,
    num_return_sequences=1,
    temperature=0.7,  # 控制生成随机性（0-1）
    repetition_penalty=1.2  # 避免重复内容
)[0]['generated_text']

print(result)

输出示例：

深夜，一个男孩在海边捡到了一个发光的贝壳。他好奇地将贝壳贴近耳边，竟听到了微弱的呼救声。
"救救我...被困在海底神殿..."
男孩惊讶地发现贝壳开始发出蓝色光芒，指引他走向深海。在那里，他遇到了一只受伤的人鱼。
"请帮我找回被偷走的海神三叉戟，否则海洋将面临灾难！"
男孩握紧贝壳，踏上了充满未知的冒险之旅...

四、安装依赖

1. Markov链方法：无需额外库（仅需Python标准库）
2. GPT-2方法：

   pip install transformers torch
   

五、方法对比

方法	优点	缺点	适用场景
模板生成	完全可控，无需训练	缺乏创造性，重复率高	儿童故事、结构化内容
Markov链	基于数据模式，简单易用	需大量训练数据，长文本易混乱	短故事续写、诗歌生成
GPT-2等模型	复杂叙事，创意性强	需计算资源，生成结果难预测	小说创作、交互式故事

根据需求选择合适的方法，新手建议从模板生成开始，逐步尝试更复杂的模型。