AI写小说这件事，走到哪了？

这篇之前最好的系统叫Re3，只用三句话来指导一整篇几千字的故事。你想想，三句话——"主角去城堡、遇到龙、打败它"——然后让AI自由发挥写三千字。能不跑题才怪。

DOC做了两件事：一是把粗大纲展开成三层深度的树状结构，每个节点多个子事件，还做了过滤和排序；二是写的时候有个"监工"实时检查有没有偏离大纲。把创意决策提前到规划阶段去了。

结果不错，连贯性提升了 22.5%，趣味性也涨了 20.7%。

但有个数字值得注意：大纲最细那一层的实际执行率只有 58.5%。也就是说，大纲写得越细，AI反而越不听话。另外大纲一旦生成就不能改，这在实际写作中很不方便——谁写小说不是写着写着想法就变了？

既然静态大纲不好使，那就别一次写死。这篇的做法是写一段、更新一次大纲。大纲跟着故事走，写到中途发现某个角色特别出彩，就调整大纲给ta加戏。

听起来很自然，代价是计算开销变大了，而且"什么时候该调、调多少"靠的还是人拍脑袋的规则。

这篇的想法特别巧妙。Transformer有上下文窗口限制，写长了就看不见前面的内容。怎么办？用自然语言来模拟LSTM的循环记忆。

说人话就是搞两套笔记：一套短期笔记放在prompt里（最近几段在说什么），一套长期笔记存硬盘上（之前所有段落的摘要），需要的时候用语义搜索把相关内容找出来。因为笔记是文字写的，用户能直接看到甚至修改AI的"记忆"——这一点在做产品时特别值钱。

不过实际用起来，长期记忆的检索精度会随着文本变长而下降。到了第100章，搜出来的"相关记忆"可能已经不太靠谱了。

现在的LLM能读10万字的输入，却写不出超过2000字的输出。为啥？不是模型架构不行，是训练数据里就没有长输出的样本。模型不是"不能"写长文，是"没见过"长文该怎么写。

解决方法也很直接：先用Agent方式（写大纲然后分段写）让GPT-4o从2000字扩展到2万字，再用这些输出造了6000条训练数据，拿去微调一个9B模型。结果这个小模型在长文写作上直接超过了更大的商业模型。

这篇论文的意义在于，它把"AI写不长"这个问题从玄学拉回到了工程：不是能力问题，是数据问题。

所有层级生成系统都在做"压缩-展开"（从大纲写到正文），但没人量化过这个过程中信息到底丢了多少。这篇用信息论建模，在40部百万字中文小说上做实验，给出了一个具体数字：最优压缩展开比是R=0.01。翻译成人话就是：10万字的小说，大纲在1000字左右最合适。

不过要注意，这篇做的是"重建"不是"生成"——它告诉你什么比例信息丢得最少，但不直接解决怎么从零开始编一个好故事。

Google的人做了一个剧本写作工具。从一句话的核心冲突出发，一步步生成标题、角色表、情节节拍、场景描述、对话。每一步只把精炼摘要传给下一步，不让上下文膨胀。

请了15位行业专家来评——84%说有帮助，92%觉得输出有惊喜。但只有46%对最终剧本感到自豪。对话被集体吐槽"太表面了，没有潜台词"。不过有一位编剧真的把4部合作剧本搬上了舞台。

还暴露了一个风险：系统有时会原封不动地输出训练数据里的片段，作者建议使用者对输出做子串搜索。

这篇论文关注的点跟之前都不一样。之前大家都在想怎么写得"连贯"，这篇第一次认真问了一个问题：写得连贯但无聊，算好吗？

做法是请三个"评论家"来审稿。有意思的是评论家的身份根据故事内容动态分配——你写反乌托邦就派社会学家、心理学家、未来学家来。一个"主编"从三人的建议里选最好的。来回三轮。

创造性从57%拉到84%，效果显著。但同时发现一个重要规律：改的轮次越多，创造力越高，连贯性越低。这俩是跷跷板，你按下这头那头就翘起来。

第一次有人用正经叙事学理论来设计Agent分工。参照Freytag叙事金字塔搞了9个Agent：4个负责规划（冲突、人物、场景、情节），5个负责写作（铺垫、上升、高潮、下降、结局）。大家通过一个共享笔记本交流。还找了28位专业作家来造了一个高质量数据集。

写出来的东西在情节、创造力、人物、语言四个维度都获得了专家偏好。不过语言多样性上还是跟人类有明显差距——三元组重复率更高，用词更单调。而且是线性流水线，Agent之间没法互相修改。

Agents' Room只能写3000字左右，StoryWriter直接拉到了8000+。三个Agent各管一摊：大纲Agent生成事件元组（每个事件标注时间、空间、角色、因果关系）；规划Agent把事件分配到章节里，而且支持闪回和闪前；写作Agent在写每一章时会动态压缩前面的上下文，写完还有个协调器检查质量，不行就重写。

这是目前我看到的最成熟的多Agent写作架构。他们还用这套系统造了一个6000篇、平均8000字的故事数据集。

前面所有方案都是功能性分工——规划Agent、写作Agent、评审Agent。这篇换了个思路：让Agent扮演故事里的角色，先即兴表演，再把表演记录改写成小说。角色的一致性和深度自然就有了，因为每个Agent"住在"自己的角色里。

AI小说里最让读者出戏的就是这类bug——死了的人又活过来，被摧毁的东西下一章完好无损。不是故事反转，就是纯粹的遗忘。

SCORE用了三板斧来治这个病。第一，状态追踪——给每个物品和角色记一个状态标签（存在/丢失/毁坏），用逻辑规则约束（"毁坏"不能变回"存在"）。第二，分层摘要——随时知道谁在哪、做了什么、现在什么心情。第三，混合检索——写新段落时自动找出相关的历史片段。

一致性提升了 23.6%，幻觉减少了 41.8%，物品状态追踪准确率 98%。不过三态系统（存在/丢失/毁坏）有点粗糙——"部分损坏"这种中间状态就没法表达。

这篇做了一件很扎实的事：在2000篇8000到10000字的AI小说上做全面体检，整理出5大类19种一致性错误——时间线矛盾（6种）、角色性格突变（4种）、世界观冲突（3种）、命名混乱（3种）、视角跳跃（3种）。

几个发现特别有意思：

• 错误集中出现在故事的40%到60%处，不是开头也不是结尾，是中后段
• 错误数量和故事长度线性相关——长一倍，错一倍
• 模型越"自由发挥"的段落（高信息熵），出错概率越高
• GPT-5推理模式的错误密度最低（0.113/万字），LongWriter较高（0.669）

他们做了个自动检测工具，召回率55%——听起来不高，但人类专家只有17%。对AI的错误，AI自己反而更能发现。

不过这篇只做了诊断没做治疗，而且分不清"故意的叙事模糊"（悬疑伏笔）和真正的错误。

这篇综述梳理了13个评估维度：连贯性、角色发展、趣味性、共情、惊喜感、风格... 结论挺残酷的：目前没有任何自动化指标能捕捉"读到这里你会不会起鸡皮疙瘩"。感动、紧张、惊喜这些东西，只能靠人来评。BLEU和ROUGE本来就是给翻译任务设计的，拿来评小说完全牛头不对马嘴。

之前让AI"像作家一样思考"全靠prompt工程师手写指令，效果取决于人的水平。这篇想让模型自己学会这件事。

做法是给模型一堆上下文（故事梗概、已写内容摘要、角色表、前一章全文、下一章概要），让它先推理出一个写作计划，再写。用RL训练，奖励信号很聪明——衡量的是"有了推理之后，写出来的东西有没有更接近真实的下一章"。不需要人工标注数据。

RL训练的模型对阵基座模型胜率 76.5%，对阵SFT模型胜率 90%。对，你没看错，SFT在这个任务上被打了个落花流水，还出现了严重的重复退化。科幻和奇幻体裁改善最明显。

全景综述，提出了一个六维度的自动评估体系（ASE）。领域共识三条：层级规划是基本功，多Agent是趋势，评估方法是最大瓶颈。

这个团队的路径值得单独讲。2023年发了RecurrentGPT（学术论文），2024年做了Weaver（创意写作专用模型家族，从1.8B到34B四个档位），然后基于Weaver上线了WawaWriter商业平台。论文到产品，一条线走通了。

工程上最有意思的决策是搞了一个动态路由Agent——根据任务复杂度自动选模型。简单的扩写用1.8B的Mini跑，省钱；复杂的大纲规划用34B的Ultra，保质量。这意味着他们的成本比所有用通用大模型API的竞品都低。

核心判断：专门为写作训练的小模型，在写作任务上可以超过通用大模型，而且便宜得多。

最工程化的RAG+写作方案。三个模块：从260万Wikipedia大纲里检索相关结构来辅助生成大纲；用约束搜索找相关信息；基于DAG结构的写作计划指导生成。260万大纲语料库是开源的，如果你的工具需要"给个主题就能自动找参考再写"，这就是现成的蓝图。

用知识图谱来管理故事世界——角色属性、关系网络、心理状态全部结构化存储。写新段落前先查图谱确认"当前谁和谁是什么关系"。矛盾减少了40%以上。如果你做工具，"角色关系图"可能比"角色描述卡"更管用。

写故事之前先用文生图生成角色的具体形象，然后基于视觉化的角色来写。还能切换不同的"作者人格"，让AI从不同视角写同一个故事。人类评估偏好率 79.5%。

把角色属性、人物关系、世界规则整合到一个"世界模型"里，写故事时自动保证角色行为符合设定。可以理解为小说版的"游戏世界状态机"。

不是专门做故事的，但对搭多Agent系统很有参考价值。定义了四层架构（用户端 -> 调度 -> 执行 -> 资源管理）和16个标准化接口。如果你从零搭多Agent写作工具，这是现成的脚手架。

从规划理论角度审视LLM写故事的能力，核心结论就一句话：混合方案（符号规划保结构 + 神经网络保流畅）胜过任何一种单打独斗。纯LLM结构散，纯规划太死板。