逻辑顺畅、多剧情发展、世界观连续一致的AI写作开源项目

大模型最新论文速读

已于 2025-04-11 01:04:37 修改

阅读量1.2k

点赞数 36

文章标签：深度学习人工智能机器学习 AI写作 ai自动写作

于 2025-04-11 00:16:08 首次发布

本文链接：https://blog.csdn.net/qq_36671160/article/details/147130482

版权

论文标题

Narrative Studio: Visual narrative exploration using LLMs and Monte
Carlo Tree Search

论文地址

https://arxiv.org/pdf/2504.02426

代码地址

https://github.com/parsaghaffari/narrative-studio

视频介绍

https://www.youtube.com/watch?v=9T2sCyBhe8A

动机

大模型的出现极大提升了AI写故事的能力，用户只需提供初始设定，LLM就可以合乎上下文地续写剧情。

然而，目前LLM应用的人机交互模式大多都是单一、线性的对话流程：用户从开头一路与模型对话，故事情节沿着一条时间线发展，无法中途分叉出不同走向。这种线性进程限制了创作中的自由发挥，用户难以基于同一开头去并行对比多种剧情走向，更无法便捷地探究各种“假如…会怎样”的情景。

在互动式故事创作、游戏策划以及创意写作等领域，创作者往往希望探索多个“what-if”剧情分支，在平行世界中比较不同的叙事走向，但传统的聊天式LLM接口不提供结构化方式来管理这些非线性的叙事空间。创作者若想尝试不同分支，通常只能从头重写或复制已有文本，过程既低效又容易混淆。于是作者希望开发一种AI工具，让用户在同一个框架下同时发展多个故事分支，方便地进行“假如”探索，同时发挥LLM善于构思的优势

面临挑战

AI写作（叙事生成）这一应用由来已久，当前技术条件下面临的主要挑战包括：

线性结构限制 ：传统ai写作大多采用线性结构，故事从开头按顺序推进，缺少分支点供用户探索不同路线。
缺乏灵活的多路径探索 ：一些游戏叙事和交互式故事会预定义多种分支剧情，让用户做选择走向不同结局。但此类系统一般依赖手工编写的固定脚本或规则，扩展性和灵活性有限，工作量大并且容易遗漏可能的有趣情节，难以支持大规模剧本。
缺乏一致性维护机制 ：当故事出现分叉后，各条支线剧情往往容易产生不一致的问题。例如，在一个分支中角色A已经去世，但另一个分支却让A再次出现；或者不同分支对世界观的定义互相矛盾。线性故事尚且需要保持前后逻辑连贯，多分支结构下更需要一个机制来维护全局一致性。

本文方法

作者提出了Narrative Studio ，这是一个融合了LLM推理与蒙特卡洛树搜索（MCTS）的全新叙事创作环境。它通过一系列创新的技术机制，使用户能够在保持故事一致性的前提下同时开发多个分支剧情。下面将详细介绍该系统的关键组成部分与设计逻辑：

在这里插入图片描述

树形用户界面与分支控制

Narrative Studio 采用了直观的树状用户界面来呈现和管理故事情节的发展分支。故事以事件（一个段落或一句话）为基本节点，每个事件可以根据需要向下分支出多个后续发展。用户可以在任意剧情节点处新增分支，形成一棵剧情演进树，从而结构化地浏览和控制不同走向的故事。这样的界面允许分支点由用户指定，或者在某些情况下由LLM建议。用户可以自由切换关注不同分支，真正实现“一稿多版”的叙事创作体验。

在这里插入图片描述

前因/后果事件生成

为实现故事在树结构上的延展，Narrative Studio使用LLM来生成故事事件，并且独特地支持双向扩展：既可以向前生成后续情节，也可以向后补全前因情节：

后续事件生成（Forward Expansion） ：当用户在某一事件节点上选择后续扩展时，系统会收集该节点的祖先事件链（从故事开头到当前事件的路径）以及用户设定的相关参数（如情节风格、事件重要性等）。然后将这些信息打包成提示词，要求LLM续写一个合理且具体的下一步事件。生成过程中模型被引导要保持逻辑一致性、适当引入意料之外的转折。生成的新事件会被添加到事件树中，作为当前节点的一个子事件。在此过程中还会记录已生成的剧情，避免故事陷入循环。

前因事件生成（Backward Expansion） ：当用户选中某一事件节点向前追溯其起因时，系统会利用当前事件及其后代节点信息（如果有）构造提示，要求LLM生成一个合理且具体的前置事件，解释“为什么会发生当前情节”。生成的前因事件将插入到当前节点之前，作为当前事件的父节点。前因、后续事件生成让用户在得以构建一个因果图谱形式的故事网。

为增强生成过程的可控性，系统还提供了一组参数来影响LLM生成事件的风格和内容：

指导要求 ：一个可选的引导提示，描述生成时应采用的风格或基调，如“以幽默的语调叙述”。
事件可能性 ：一个评分（1~5），表示生成事件发生的可能性大小，数值越低表示情节更离奇少见。
事件严重性 ：一个评分（1~5），表示事件对剧情或角色影响的严重程度。
模型随机度 ：即temperature参数，数值越高生成结果越具有随机创造性。

在这里插入图片描述

MCTS自动探索与路径评分

手动扩展每个分支虽然灵活，但面对众多可能的分支路径，人工探索难免力有不逮。为此，Narrative Studio引入了蒙特卡洛树搜索（MCTS） 来自动扩展和评估剧情分支。MCTS是一种经典的AI搜索策略，它通过反复的模拟尝试来寻找高价值的决策路径。作者将其巧妙地用于故事生成：让系统自动“尝试”延展不同的剧情走向，并根据预先设定的评分标准来判断哪些分支值得深入发展。

在Narrative Studio中，MCTS模块会围绕故事树进行循环迭代，执行选择—扩展—模拟—回溯 四个步骤。其总体流程如下：

选择：从故事树的根节点（故事开头）出发，按照一定策略向下选择分支并到达一个情节节点。选择过程中采用上置信界（UCB1） 公式来平衡探索新分支和利用已知优秀分支；
扩展：如果此时故事树尚未达到预设的最大分支数N，则由自动为其生成一个后续事件子节点，代表在该情节之后可能发生的一种剧情。通过这种方式逐步拓展故事树，把可能的剧情走向不断加入进来。
模拟：不同于传统MCTS对新扩展节点立即评分，Narrative Studio会先让LLM临时生成后续若干步剧情，再对这一小段进行评分。这些临时生成的情节并不真正加入故事树，而是为了模拟“如果沿着这个新分支继续发展，会得到怎样的故事走向”，避免因局部信息不足而错判分支价值。
回溯：得到评分后，算法将该评分沿着刚才选择的路径反向传播回去，更新这条路径上各节点的评价值。在下一轮的选择步骤中，那些包含高分事件的路径会更有机会被再次选中扩展。通过多次迭代这个过程，MCTS逐步在故事树上发掘出高分支线。

用户可以针对MCTS的运行设置若干参数来定制自动探索行为：

评分标准提示 ：用于指导LLM对剧情分支进行评分的文字提示。例如可以提示“请从1到10评分此事件的有趣程度”，这样模型就会以“趣味性”高低来评价情节走向。用户可根据需求更换提示语，以评估分支的其他属性（紧张度、悲剧性等）。
最大子节点数 ：限定每个事件节点最多可以扩展出的子事件数量。该参数控制故事树的分支宽度，防止某一节点无限扩展过多走向。
迭代次数 ：设置MCTS算法循环执行上述四步的次数上限。迭代次数越多，搜索越深入充分，但计算开销也越大。
评分深度 ：指在评分时，应当将多少个“之前的事件”纳入LLM评分提示中。较大的评分深度意味着模型在给新事件打分时会考虑更长的上下文（包括之前几步剧情），有助于发现因果不合理之处，提高评分的可靠性。
展开深度 ：即上述模拟步骤中向后临时生成的剧情层数。展开深度越大，表示在评估一个新事件时，模型会多看几步后续可能发展然后再打分。这提供更长远的展望，但也增加每次评分的开销。
提前停止 ：用户可设定提前终止搜索的条件。例如，当找到至少M条长度达到N的完整路径时，就提前结束MCTS迭代

在这里插入图片描述

基于知识图谱的实体约束与一致性保持

为了维持跨分支剧情的全局一致性，Narrative Studio利用知识图谱实现实体约束和背景设定管理。知识图谱中存储了关键实体（角色、地点、物品等）及其关系（例如“朋友”“敌人”“位于”“属于”等)。这个图谱相当于故事的世界状态数据库 ，在叙事生成过程中提供约束依据，确保各分支情节发展不违背已知的世界设定。通过将生成文本与实体图谱挂钩，系统可以大大增强多分支故事的逻辑连贯性。

构建实体图谱 ：用户可以通过两种方式创建故事的初始知识图谱：

手动编辑 ：在界面中直接添加实体节点（人物、地点等）并绘制它们之间的关系边。例如用户可以新建节点“国王”和“王后”，然后在两者间添加“结婚”的关系。手工方式直观灵活，适合用户已经有明确的世界观设定。

在这里插入图片描述

LLM生成 ：用户提供高层次的场景描述和实体/关系类型，系统会调用LLM自动生成一个符合描述的图谱元素。例如，用户输入“一个村庄里三户人家的关系图”，并给出实体类型（人物、村庄）和关系类型（婚姻、居住）列表，那么LLM会输出一个包含三户人家的村庄关系图的JSON结构。这种自动方式节省了手工整理的时间，并保证图谱内部的一致性。

在这里插入图片描述

图谱与事件生成的集成 ：一旦构建好知识图谱，用户可以选择启用它来约束后续的事件生成。具体而言，每当LLM进行前向或后向扩展时，系统都会将相关的图谱节点和关系摘要插入提示中。模型据此了解当前故事世界中的重要事实，从而遵守这些已知关系。例如，图谱中标明了角色A和B是朋友关系，模型可能生成A支持B的情节，或故意设计一次背叛来制造戏剧冲突，但无论如何不会毫无交代地忽视两人之前的好友关系。以结构化的世界模型作为依托，系统鼓励模型产生更丰富的细节和更深入的剧情：角色之间有明确关系，故事发展就会更加上下文敏感，围绕这些关系展开，从而提高叙事的复杂度和趣味性。