Ex3: Automatic Novel Writing by Extracting, Excelsior and Expanding

• arXiv: 2408.08506（ACL 2024，2024-08）
• 作者: Lei Huang, Jiaming Guo, Guanhua He, Xishan Zhang, Rui Zhang, Shaohui Peng, Shaoli Liu, Tianshi Chen
• 类型: 训练+生成框架（从真实小说学结构）
• 一句话: 不从零硬编大纲，而是先从已有小说里抽取结构信息，用它构造指令微调数据，再用树状扩展生成任意长度的小说。

说明：以下依据 arXiv 摘要与二手信息整理，部分数值细节未从全文确认。

1. 要解决的问题

主流"分层规划再写作（plan-then-write）"框架虽然能凑够长度，但情节逻辑连贯性和吸引力差、人物与事件刻画薄弱。根因之一：大纲是模型凭空造的，缺乏真实小说的结构先验。

2. 方法 / 核心思路：三阶段 Ex3

1. Extracting（抽取）：从已有小说数据中抽取结构信息（层级化的情节/事件骨架）。
2. Excelsior（精炼/训练）：把抽取的结构信息与原始小说文本结合，构造指令跟随（instruction-following）训练集，对 LLM 做微调，让它学会"给定结构 → 写出对应正文"。
3. Expanding（扩展）：用树状（tree-like）扩展方式，从粗到细逐层展开，生成任意长度的长篇小说。

与从零 plan-then-write 的关键区别：结构是从真实文学数据里学来的，再拿去指导生成。

3. 数据与实验

• 数据：真实小说语料（用于抽取结构 + 构造训练集）。
• 评测：与既有长篇生成方法对比长篇小说质量（自动 + 人工）。具体指标数值需查全文。

4. 主要结果

• 相比此前方法，Ex3 生成的长篇小说质量更高（情节连贯性与吸引力提升）。
• （精确数值/baseline 对比表需查 ACL 2024 正文补齐。）

5. 局限

• 依赖有结构可抽取的高质量小说语料。
• 树状扩展在极长篇下的误差累积/一致性仍是挑战（可与记忆类方法结合）。

6. 对做产品 / 工程的启发

• "从真实作品反推结构再训练" 是很实用的一招：与其手写 prompt 模板，不如从优质范本里挖结构模式。
• 树状扩展天然支持"任意长度"和分章生成，适合连载式产品。
• 与 [[05_book_writing_capability]] 思路相近（都从真实书反演结构训练），可对照。

关联

• 结构抽取 → 训练 → 扩展，与 [[05_book_writing_capability]] 的层级反演互为印证。
• 树状/分层展开与 [[03_dome]] 的分层大纲、[[15_storyline_trees]] 的层级结构表示相关。