AI 智能创建书籍 - 个人网站

背景与结果

在线电子画册平台已有成熟的书籍制作工程和模板体系（3000+ 模板、7 维度打标体系），但用户手动挑选模板、逐页调整制作的门槛高、耗时长。这个功能让用户用一句自然语言描述想要的书籍和风格、选一个分类，AI 完成选模板与风格替换，快速生成一本用户自己的书籍工程。

2025.06 - 2025.10 主要开发（约 5 个月），之后维护迭代（修补、推广、跟随升级大模型）。团队 4 人（1 后端 + 2 前端 + 1 产品），我独立负责后端与 AI 流程的设计与开发。

结果数据：推广期日使用量约 1 万，稳定后日 1-2 千；十多页的书籍约 10 秒生成完成；单本生成成本 0.2-0.5 元。商业模式为免费功能（次数限制）+ 增值服务购买。

技术方案

为什么不端到端生成，而是模板 + 风格替换

核心分工：AI 负责"听懂用户要什么"，设计师模板负责"书长什么样"。

排版是设计能力，不是语言能力：图片位置、大小、字体搭配是设计师的专业产出；LLM 端到端直出排版，页面质量不稳定、格式漂移
可控性：书籍本质是 JSON 文件，模板即一套已验证的排版 JSON；LLM 在确定的结构上做"匹配 + 风格替换"，结果稳定可预期
成本与速度：整体约 10 秒、单本 0.2-0.5 元；端到端生成长文本的 token 成本高一个量级，失败重试代价大
兜底简单：LLM 分析不出内容时回落模板示例文案，任何输入都能出书

LLM 三步走建书流程

用户输入：自然语言描述（想要的书籍 + 风格）+ 分类选择。显式分类是可靠锚点——把 3000+ 模板的开放问题收敛到一个分类内的选择题，降低幻觉和选错概率；自然语言承担分类表达不了的风格、氛围、受众等细分意图
第 1 步·定位分类：LLM 分析用户描述，在预设模板分类中定位一个分类（只能从给定分类里选，分类空间封闭无幻觉空间）。预设分类直接复用模板中心那套体系——模板基建先行，AI 应用落地快
第 2 步·挑选模板：把该分类下每个模板的排版定义（页面结构：图片位置/大小/字体等）喂给 LLM，挑出最合适的一个。单分类平均约 100 个模板，LLM 直接读结构化 JSON 做比较，准确性比向量近似检索稳，也省掉了维护模板向量索引的长期成本
第 3 步·风格替换生成：few-shot 喂几个书籍示例（书籍本质是 JSON 文件），LLM 参照示例生成应用了用户描述风格的书籍 JSON。few-shot 示例一石二鸟——既约束目标 JSON 格式，又示范风格如何落到具体字段（颜色/字体/背景）

每一步 LLM 输出都通过 prompt + JSON 结构化输出约束。

产出与兜底

产出是用户自己的全新书籍工程（非模板复用、非已有工程复制），生成即保存，用户后续可自由编辑
内容兜底：LLM 未分析出内容描述时，回落使用所选模板的示例文案/资源——排版与工程结构照常创建，内容层填模板默认内容。设计思想：生成类功能最怕失败态，宁可出保守结果不出错误页，保证"任何输入都能出书"

迭代与取舍

JSON 稳定性两道防线：LLM 输出偶尔会在 JSON 里夹自然语言说明或引号转义出错。第一道防线是 prompt 结构化输出约束 + few-shot 示例压低出错率；第二道是解析失败自动重试一次，消化偶发格式抖动；重试仍失败则直接返回"系统繁忙、请重试"——用户手动重试等于发起全新请求，天然绕开异常状态。不无限重试的原因：连续失败大概率是模型侧持续异常，再试只是浪费 token；"快失败"好过让用户对着转圈等一个注定失败的结果。

与模板中心的关系：两个项目串成"模板基建 → AI 应用"——模板中心先把 3000+ 模板做了 7 维度体系化打标（含 AI 提取打标），本项目直接复用这套分类作为 LLM 匹配的预设分类空间。从能力上看，抽取式（模板信息 AI 提取）与生成式（AI 建书）两种 LLM 应用范式都有生产落地。