写作生成器的算法多种多样，以下是若干常见的算法及其简要介绍：

1. 生成对抗网络（GANs）：通过训练生成器和判别器相互竞争，生成器试图生成逼真的数据，而判别器则努力区分真实数据与生成数据，最生成高品质文本。

2. 变分自编码器（VAEs）：利用编码器将输入数据压缩成潜在空间中的向量，再通过解码器将这些向量解码成新的文本，从而生成具有多样性的内容。

3. 循环神经网络（RNNs）：特别是长短时记忆网络（LSTMs）和门控循环单元（GRUs），它们可以解决序列数据，记忆之前的文本信息，生成连贯的文本。

4. 自然语言解决（NLP）技术：涵语言模型、语法分析器和词性标注器这些技术帮助理解语言规则，生成合语法和语义的文本。

5. 预训练语言模型：如BERT、GPT等模型，通过大规模文本预训练，可以生成流畅、准确的文本。

6. 深度学算法：如卷积神经网络（CNNs）用于解决文本的局部特征，生成具有特定风格的文本。

7. 基于规则的算法：通过设定一系列语法和语义规则，指导文本生成过程确信生成内容的准确性。

8. 序列到序列模型（Seq2Seq）：将输入序列映射到输出序列，常用于机器翻译和文本摘要任务。

9. 留意力机制：通过赋予不同输入序列元素不同的权重帮助模型关注关键信息，生成更加相关的内容。

10. 强化学：通过不断试错和优化使模型生成更合使用者需求的文本。

这些算法各自具有不同的优势和特点共同构成了写作生成器的核心能力。