StoryBox: Collaborative Multi-Agent Simulation for Hybrid Bottom-Up Long-Form Story Generation Using Large Language Models

• arXiv/venue: 2510.11618（2025-10；已被 AAAI-40 收录，Proc. AAAI 40(36): 30359-30367；项目页 storyboxproject.github.io）
• 作者: Zehao Chen, Rong Pan, Haoran Li（Chen, Z., Pan, R., & Li, H., 2026）
• 类型: "自底向上 + 自顶向下"混合的多智能体沙盒模拟长篇生成（generative-agents 路线，源自 Park 的 Generative Agents）
• 一句话: 让角色 agent 在动态沙盒里自由行动、"涌现"出事件，再由 Storyteller agent 把这些涌现事件组织成故事，从而生成平均约 1.2 万词、角色行为更自洽的长篇。

1. 要解决的问题

主流长篇生成是自顶向下（先定大纲/结构再填充），结构僵硬，导致角色发展和情节推进不自然、"被安排感"强、可预测。作者提出混合自底向上（hybrid bottom-up）：先让事件从多 agent 交互中自然涌现，再自顶向下组织成叙事，兼顾自发性与连贯性，目标是稳定生成超 1 万词且保持连贯一致的故事。

2. 方法 / 核心思路

分两大阶段：沙盒模拟（产生涌现事件） → 故事生成（把事件写成小说）。

2.1 沙盒模拟（自底向上）

• 角色 agent（Persona）：属性含 Name / Age / Innate traits / Learned skills / Currently(状态) / Lifestyle；每天动态重生成 Daily Plan（按小时排程）。
• Abnormal Behavior + Abnormal Factor（超参）：一个"异常行为"属性，用超参控制注入不可预测性——消融显示这是创意/角色发展/冲突质量的最大贡献项。
• 行为类型：move（移动）/ chat（对话）/ none（休息）。
• 环境建模：不用网格，用树状五层结构 World → Region → Zone → Area → Object（对象带描述），实现近乎无限、无坐标约束的环境。
• 事件记录：每个沙盒事件含 ID、起止时间、参与者、地点、简述、以及 detail 属性（环境、时段、涉事角色状态、动作、情绪、可能动机）。
• 模拟逐角色串行推进（每次一个角色行动）。

2.2 故事生成（自顶向下组织）

1. 事件摘要：事件按时间排序，用动态窗口机制分块，每窗内摘要抽象浓缩。
2. 故事信息生成：先定故事类型（冒险/悬疑/爱情…），随每个事件摘要迭代精修标题，产出背景、主题、各章标题、每章冲突、情节点。
3. Storyteller Agent（故事讲述者）：带信息检索模块，把事件转成 embedding 做稠密向量检索；逐章迭代生成（每章多次迭代）→ 摘要该章 → 喂给下一章（后续章生成都带前面章的摘要），保证跨章连贯。

3. 数据与实验

• 数据：20 个无参考答案的故事设定（Premise / Setting / Characters），比 DOC 数据集题材更广（含科幻），如时间冻结、反乌托邦艺术审查、北极外星发现、诅咒宅邸、地下迷宫、黑色侦探、时间旅者、读心侦探、深空外星、绑架惊悚、次元之门、丛林考古、梦境窃取、企业劫案等。
• 模型：embedding 模型做事件向量；生成与评估用 GPT-4o / GPT-4o-mini。
• 基线：复现 Re3、DOC-V2、IBSEN，外加 vanilla GPT-4o、DeepSeek-V3。
• 评估：
• 人评（78 名参与者，文学/CS/其他背景，Latin Square 分配，成对比较）6 维：情节 Plot、创意 Creativity、角色发展 Character Development、语言 Language Use、冲突质量 Conflict Quality、总体 Overall。
• 自动评估（LLM）：同 6 维 + Character Behavior Consistency（角色行为一致性，0–10，衡量角色行为是否符合预设 persona，这是沙盒方法专属指标） + 平均字数。

4. 主要结果（带数值 vs baseline）

故事长度：StoryBox 平均约 12,000 词；其他长篇方法约 10,000 词；未适配的原生模型仅约 1,000 词。

质量（Figure 4，自动评估）：StoryBox 在 Plot、Character Development、Language Use、Conflict Quality 均领先，Overall "强而均衡"；在沙盒专属的 Character Behavior Consistency 上略胜 IBSEN（说明模拟确实带来更自洽的角色行为）。创意维度各法接近，DeepSeek-V3 明显偏弱。

人评（78 人）：StoryBox 在所有维度均分最高，趋势与自动评估基本一致；差异点是人评对 IBSEN 的偏好强于对 GPT-4o / DeepSeek-V3。

模拟时长研究（Figure 5，测 1/3/7/14/30 天）：Plot、Creativity、Language Use 变化极小；Character Development、Conflict Quality 随模拟变长而提升；Overall 从 1 天到 7 天显著提升、7 天后收益递减；token 用量随时长每档约翻倍 → 推荐 7 天模拟为性价比平衡点。

消融（Figure 6）：去掉对象描述 → 伤 Language Use；去掉异常行为 → 降幅最大（尤其 Creativity / Character Development / Conflict Quality）；去掉动态上下文窗口 → 降 Plot。

5. 局限

1. 串行模拟慢：角色逐个行动，整体过程慢；因行为相互依赖，并行化易造成不一致，难做。
2. 评估困难：故事质量评估仍是难题，人评昂贵耗时，需要更准确、可扩展的自动指标。 3.（隐含）多天模拟 + 逐章多次迭代 + 向量检索，token 成本高（每档翻倍）。

6. 对做产品 / 工程的启发

• "沙盒涌现事件 → 再组织成叙事" 是与大纲派完全不同的第三条路：适合做"世界模拟型"产品（互动小说、游戏 NPC 生活流、角色扮演），能自然长出有生活质感、行为自洽的角色。
• 树状五层环境（World→…→Object） 比网格更适合 LLM，语言可寻址、可无限扩展，是构建 agent 世界的实用数据结构。
• "异常因子"注入不可预测性 是提升创意/冲突的低成本旋钮——纯按 persona 行动会太平淡，可控随机性反而更好看。
• 模拟时长是可调的质量/成本旋钮：7 天是甜点，超过收益递减但成本翻倍，产品化要按预算设档。
• Character Behavior Consistency（0–10） 提供了一个"角色是否 OOC"的可自动化评测维度，可接入 CI。
• 局限提醒：串行是硬瓶颈，若要产品化需想清楚如何在保持一致性的前提下做并行/增量模拟。

关联

• 与 [[10_storywriter]]、[[03_dome]] 形成鲜明对照：后两者是自顶向下"事件图/分层大纲"派，本篇是自底向上"沙盒模拟"派；本篇明确把 [[14_agents_room]]（1–2k 词）、IBSEN（剧本）当作"更短/更僵硬"的对比对象。
• 角色状态/世界建模与 [[02_from_personas_to_plot_magnet]] 的角色-世界状态图、[[01_lost_in_stories]] 的一致性追踪同源。
• 角色行为一致性（Character Behavior Consistency）与 [[01_lost_in_stories]] 关注的角色崩坏/一致性问题直接呼应。
• 同批次可与 [[12_cogwriter]]（认知写作/并行生成）、[[13_muse]]（闭环编排的多模态叙事）比较不同"多智能体协作"范式。