StoryWriter: A Multi-Agent Framework for Long Story Generation

arXiv/venue: 2506.16445（2025-06；另见 CIKM 2025, dl.acm.org/doi/10.1145/3746252.3761616）
作者: Haotian Xia, Hao Peng, Yunjia Qi, Xiaozhi Wang, Bin Xu, Lei Hou, Juanzi Li（清华大学计算机系 / BNRist；*共同一作；THU-KEG 实验室，与 DOME、LongWriter 同一 Lei Hou / Juanzi Li 团队）
类型: 多智能体 "事件图大纲 + 非线性叙事 + 历史压缩" 长篇生成框架，并产出可 SFT 的数据集 LongStory
一句话: 用三组专门 agent（事件图大纲 → 非线性编排 → 压缩式改写）把长故事写到平均 8000 词且质量高，还用它蒸馏出 6000 篇数据集把 8B/9B 小模型训到超过 GPT-4o。

1. 要解决的问题

长故事生成（尤其超过 1000 词）对 LLM 有两大难点： - 篇章连贯（discourse coherence）：要求情节一致、逻辑连贯、完整；长文里要保住远距离关键信息（事件、人物、关系）。 - 叙事复杂度（narrative complexity）：要求交织、引人入胜、多样；LLM 直出往往同质化、缺乏情节推进。

2. 方法 / 核心思路

全部基于 AutoGen 多智能体框架实现，backbone 用 GPT-4o-mini。流水线三段（Premise → Outline → Chapter → Story）：

2.1 Outline Agent（事件图大纲）— 两个 agent

不写描述性句子，而把大纲结构化成事件元组序列 / 事件图（节点=事件，边=事件间关系如因果，每个事件绑定若干人物、时间、地点）。 - EventSeed：按 premise 顺序增量生成事件，补齐时间/地点/关系等信息。 - EventValidator：持续监控、校验每个事件是否合理连贯，给反馈并引导后续事件生成（图中 "Good and next" / "Bad and I suggest…"）。

2.2 Planning Agent（非线性叙事 NLN）— 两个模块

基于 Genette 叙事顺序理论（区分 story order 与 narrative order，用 analepsis 倒叙 / prolepsis 预叙），把事件拆解后重排到各章，制造交织感又不破坏因果链。 - SubTasker：把高层事件分解成更细的 sub-event。 - Weaver：把 sub-event 分配到不同章节（可跨章、非时序），只要因果/逻辑链保留，读者仍能重建事件链。这是对抗同质化、提升复杂度的关键。

2.3 Writing Agent（ReIO 压缩改写）— 两个 agent

论文实测：输入超过约 10,000 字符后 LLM 出现上下文碎片化、注意力衰减，导致跑题。为此提出 ReIO（Re-write Input and Output）： - Coordinator：统管全局叙事架构，全程参与。输入端动态摘要压缩历史、只留与当前 sub-event 相关的信息（摘要缓存复用）；输出端评估并在必要时改写生成文本，使其对齐大纲与风格。 - FinalWriter：专注合成最终叙事，保证风格统一、文本质量。 - 采用滑动窗口做历史压缩；实验发现对 <15,000 token 的文本，窗口 [2, k-1]（即最大化简化中间历史、只保留首尾）效果最佳。

3. 数据与实验

评测集：MoPS（提供 7.6k premise + 1000 扩展故事）。
评测框架：沿用 HANNA 的 6 个正交维度——相关性 RE、连贯 CH、共情 EM、意外 SU、创意 CR、复杂度 CX。人评 5 分 Likert（研究生，TOEFL≥108），自动评估用 GPT-4o 打 1–5。
基线：DOC、Agents' Room（用确定性 orchestrator）、GPT-4o-mini 直出。
数据集构建 LongStory：用 StoryWriter 对 MoPS 训练集 6000 个 premise 各生成一篇，清洗后得 5,500 篇，平均约 8000 词；用 LongAlign 训练代码对 Llama3.1-8B 与 GLM4-9B 做 SFT（batch=1，lr=2e-5，4 epoch），得 STORYWRITER_LLAMA / STORYWRITER_GLM。

4. 主要结果（带数值 vs baseline）

主表（人评 / 自动，均分，满分 5，见 Table 1）： | 模型 | 人评均分 | 自动均分 | 平均长度(词) | |---|---|---|---| | DOC | 3.7 | 3.9 | 2,373 | | Agents' Room | 3.8 | 3.9 | 3,134 | | GPT-4o-mini | 3.6 | 3.9 | 1,078 | | STORYWRITER | 4.2 | 4.2 | 8,081 |

长度碾压（8081 词 vs 基线 1–3k），且质量不降反升。创意 CR 人评 4.3、复杂度 CX 人评 4.8，显著高于所有基线；仅连贯 CH 略逊 Agents' Room（因故事更长，连贯天然随长度下降）。

消融（自动评估，Table 2）： - 去掉事件图大纲 (-Events-Outline)：均分 4.3→2.5（复杂度 CX 从 4.6 崩到 1.1），破坏最大。 - 去掉 NLN (-Planning)：均分→3.9，复杂度掉到 3.8（第二大破坏）。 - 去掉 ReIO-Input：均分→3.9（输入变长、成本升、性能降）。 - 去掉 ReIO-Output：相关性 RE 4.1→3.7（改写维护结构一致性的作用被证实）。

SFT 下游（LongBench-Write 评测，综合分 S̄，Table 3）： - STORYWRITER_GLM 综合分 83.7，全面超过 backbone GLM4-9B（47.3）、LongWriter-GLM4-9B（76.3），也超过 GPT-4o（67.4）。 - STORYWRITER_LLAMA 73.4，远超 Llama3.1-8B-Instruct（46.6）。 - 在 4000 词以上分桶质量提升尤为明显；虽未显式训练长度控制，长度得分 S_l 也大幅优于基线（说明"用更长的响应训练能自然增强长度遵循能力"）。

5. 局限

只用了 GPT-4o-mini 做生成（省钱），更强模型可进一步提升；蒸馏到 8B 也是可优化点。
仅英文数据。
主要针对小说式故事，对剧本、诗歌、散文等其他文体探索有限。 4.（工程侧隐含）事件图 + 校验 + 压缩改写会放大 API 调用与延迟。

6. 对做产品 / 工程的启发

把大纲做成"事件图/事件元组"而非散文式提纲，可控性和逻辑一致性都更好；配一个 Validator agent 边生成边校验，是低成本纠错手段。
非线性叙事（SubTasker+Weaver） 是提"复杂度/趣味性"的抓手：先拆 sub-event 再跨章重排，只要守住因果链就不会散——这是 LLM 直出很难自发产生的能力。
ReIO 的"输入压缩 + 输出改写" 直接针对 ~10k 字符后的注意力衰减，滑动窗口最优区间 [2, k-1]（保首尾、压中段）是可直接复用的工程经验。
"用强框架蒸馏数据再 SFT 小模型" 的路线被验证有效（8B/9B 超 GPT-4o），对想要本地部署长写作能力的产品很有参考价值。
代码/模型/数据 MIT 开源（github.com/THU-KEG/StoryWriter）。

关联

与 [[03_dome]] 同属清华 THU-KEG（Lei Hou/Juanzi Li）团队、同用 LongWriter/LongBench-Write 评测：DOME 走"动态分层大纲+KG记忆"，本篇走"事件图大纲+非线性编排+ReIO 压缩"，互为方法侧对照。
事件校验 / 一致性思路与 [[01_lost_in_stories]] 的一致性检测、[[02_from_personas_to_plot_magnet]] 的世界状态建模同源。
非线性重排 + 因果链保持，可与 [[04_codified_foreshadowing_payoff]] 的伏笔-回收编码结合。
本篇把 [[14_agents_room]] 作为直接基线复现；同批可与 [[11_storybox]]（自底向上模拟）、[[12_cogwriter]]（认知写作/并行生成）对比不同长篇范式。