论文信息

论文标题：StoryWriter: A Multi-Agent Framework for Long Story Generation
论文作者：Haotian Xia, Hao Peng et al. (Tsinghua University)
论文链接：https://arxiv.org/abs/2506.16445
代码链接：https://github.com/THU-KEG/StoryWriter 未提供运行代码

---

研究背景与动机

核心挑战： 现有大语言模型（LLMs）生成长篇故事（>1000词）存在两大瓶颈：

• 语篇连贯性（Discourse Coherence）：长文本中难以维持情节一致性、逻辑连贯性与完整性（如角色/事件关系丢失）。
• 叙事复杂性（Narrative Complexity）：LLM生成故事同质化严重，缺乏人类叙事的交织结构与吸引力。

现有方法局限： 传统基于LLM的提纲生成方法缺乏细粒度事件控制，导致生成内容单一且逻辑松散。

---

核心贡献

1. 提出了一种多智能体框架 STORYWRITER ，用于高质量长篇故事生成。
2. 构建了一个高质量的长篇故事数据集 LONGSTORY ，包含约6000个平均长度为8000词的故事。
3. 基于 LONGSTORY 对 Llama3.1-8B 和 GLM4-9B 进行监督微调，训练出性能优越的长篇故事生成模型 STORYWRITERLLAMA 和 STORYWRITERGLM 。
4. 在多个评估指标上验证了 STORYWRITER 的有效性，并通过消融实验分析各模块的作用。

---

StoryWriter

StoryWriter 框架在 Auto-Gen 框架下实现 ，其 Agent 网络由以下三个主要模块组成：

Outline Agent

• 该模块负责生成基于事件的大纲，其中包含丰富的事件情节、人物和事件-事件关系 。
• 它由两个专门的Agent构成：EventSeed 和 EventValidator
• EventSeed 负责根据给定的前提（premise）顺序生成事件，为每个事件提供时间、地点和关系等基本信息 。
• EventValidator 持续监控和评估生成的大纲，提供反馈以确保每个事件的合理性和叙事连贯性 。
• 与传统的大纲生成方法不同，该方法将大纲构建为一系列事件元组，从而增强了可控性和逻辑一致性 。

Planning Agent

• 该模块进一步细化事件，并全局规划每个章节应包含哪些事件，以保持故事的交织性和吸引力 。
• 它引入了“非线性叙事”（Non-Linear Narration, NLN）策略，将事件分解为子事件，并有策略地将它们分布在不同的章节中 。
• 该模块由 SubTasker 和 Weaver 组成 。
• SubTasker 负责将高级别事件分解为更细粒度的叙事单元，即子事件 。
• Weaver 则将这些子事件分配到不同的章节中，即使它们以非时间顺序呈现，也能保持整体叙事结构的连贯性 。
• 这种方法克服了线性叙事的单调性，增强了叙事的多样性和读者的参与度 。

Writing Agent

• 该模块根据历史上下文生成和完善具体的故事内容 。
• 它采用了一个名为“重写输入和输出”（Re-write Input and Output, ReIO）的机制，由 Coordinator 和 FinalWriter 两个Agent协作完成 。
• 在输入处理阶段，Coordinator 动态地压缩历史叙事上下文，只保留与当前子事件相关的信息，从而有效减少输入长度并保持关键上下文 。
• 在输出处理阶段，Coordinator 会评估生成的文本，并在必要时对其进行重写，以确保其与预定叙事结构和风格要求的一致性 。
• 这种分工确保了宏观结构连贯性和微观叙事流畅性 。

---

实验部分

实验设置

• 数据集: 评估采用 MoPS 数据集 。
• 评估方法: 采用人工评估和基于GPT-4o的自动评估，涵盖六个维度：相关性（Relevance）、连贯性（Coherence）、同理心（Empathy）、意外性（Surprise）、创造性（Creativity）和复杂性（Complexity）。
• 基线模型: DOC、Agents’ Room 和 GPT-4o-mini 。

实验结果

主要实验

StoryWriter 在人工和自动评估中均显著优于所有基线模型 。它在保持高质量的同时，显著超越了以往基线模型的生成长度 。在内容多样性和创造性方面 StoryWriter 表现突出 。

消融实验

• 移除大纲Agent： 故事大纲缺乏深度和结构，导致所有评估指标显著下降 。
• 移除规划Agent： 子事件严格按时间顺序排列，导致复杂性得分显著降低 。
• 移除ReIO-Input： 输入文本长度大幅增加，导致计算成本上升和整体性能下降 。
• 移除ReIO-Output： 生成文本的相关性得分显著下降，因为该模块对于维持结构连贯性至关重要。

---

LONGSTORY 数据集与模型训练

• 数据集构建: LONGSTORY 数据集是使用 StoryWriter 框架，从 MoPS 训练集中收集的6000个故事前提生成而成的 。经过数据清洗，最终包含5500个平均长度约8000字的高质量长篇故事 。
• 模型微调: 使用 LONGSTORY 数据集，通过监督微调（SFT）训练了基于 Llama3.1-8B 和 GLM-4-9B 的模型 。
• 评估指标: 采用 LongBench-Write 评估方法，包括内容质量分数 $S_q$、$S_l$，和综合分数 $\bar{S}$。
• 结果：
  • StoryWriter-GLM 在故事质量 $S_q$ 上显著优于其基础模型，尤其是在生成超过 4000 字的故事时。
  • StoryWriter-Llama 和 StoryWriter-GLM 在长度分数 $S_l$ 也远优于 Llama3.1-8B-Instruct 和 GPT-4o，这表明即使训练中没有明确的长度约束增强，训练长文本也能提高模型遵循长度约束的能力 。

---

总结

1. 研究只考虑了英文，并不支持多语言生成
2. 只关注了小说故事生成，并未考虑其他艺术风格
3. 该文章中的复杂叙事结构，其实就是把 生成的 Outline 在扩写后，交给 LLM 重构了 Outline 的顺序，这样不能解决实际问题，只是表面上的工作，该处可以参考 Multi-Agent Based Character Simulation for Story Writing 中对于复杂叙事结构的描述，或许有参考价值。
4. 生成长度为 4000 字，并不能很好的解决小说的故事生成，还是个 toy。