paper_type: 方法与系统, 实证与评价 type_confidence: 高 reading_depth: 深度复现 title: "Generating Long-form Story Using Dynamic Hierarchical Outlining with Memory-Enhancement" authors: Qianyue Wang, Jinwu Hu, Zhengping Li, Yufeng Wang, Daiyuan Li, Yu Hu, Mingkui Tan year: 2025 source: arXiv:2412.13575v1; NAACL 2025 pdf: 03_dome.pdf tags: [论文精读, 长篇生成, 动态分层大纲, 时序知识图谱, 记忆增强, 故事一致性] related: [[01_lost_in_stories]], [[09_longwriter]], [[10_storywriter]], [[38_re3]]
DOME：边写边展开大纲，并用时序知识图谱压缩历史
一句话答案：DOME 先固定五阶段故事骨架、到达某阶段时才展开三级细纲，再把已写内容抽成时序知识图谱供后续检索；它在 20 个 DOC premise 上把 Qwen1.5-72B 的平均长度从 496 词扩到 7,114 词，并取得更低的自动冲突率和更好的人评排序，但消融不等预算、冲突指标与系统共享同一套图谱表示，因而不能把全部收益严格归因于动态大纲或图谱记忆。
真正的问题是规划刚性与生成不确定性冲突
问题入口。固定的详细大纲能提供全局结构，却无法吸收正文生成时出现的新人物、事件和因果；完全逐步生成又容易失去全局方向。论文要解决的不是单纯“上下文不够长”，而是如何同时保留宏观故事弧和局部适应性，并避免早期事实在长生成中被遗忘。（作者主张，§1、图 1）
核心问题可以写成：哪些信息必须预先固定，哪些信息应随正文展开，以及历史应以什么形式回流到下一步规划？ DOME 的答案是把全局阶段、局部细纲和已发生事实分成三种状态，各自在不同时间尺度更新。
先给结论
- 系统设计。Dynamic Hierarchical Outlining（DHO）先生成五个粗阶段，每到一个阶段再依次展开 3 个详细 outline；Memory-Enhancement（MEM）把历史抽取为带章节索引的时序知识图谱，并检索与当前实体相关的事实；Temporal Conflict Analyzer（TCA）在同一表示上计算冲突率。（论文报告，§3–§4，图 2–4）
- 主结果。在 20 个 DOC premise、Qwen1.5-72B-chat 骨干上，DOME 平均生成 7,113.75 词，冲突率 0.56，Ent-2 为 12.29；DOC 分别为 3,904.90、1.21、11.55，Re3 为 3,802.15、0.77、11.56。（论文报告，§5.2，表 1）
- 人评结果。3 名研究生对 20 组匿名故事做五维排序，DOME 在 plot completeness、plot coherence、relevance、interestingness、expression coherence 上的平均名次分别为 1.15、1.44、1.26、1.77、1.16，均优于四个对照；这些是“名次越小越好”的排序，不是绝对质量分。（论文报告，§5.1–§5.2、Appendix A.4，表 1）
- 证据边界。去掉 MEM 或 DHO 时，输出长度、调用轮数和可用上下文明显改变；TCA 又复用知识图谱抽取与 LLM 判断，因此实验支持“整套高预算流水线在该任务上更有效”，但没有干净隔离图谱记忆本身的因果贡献。（阅读者分析）
信息流：规划、记忆与评价怎样接续
粗纲状态。系统依据 Campbell 的五阶段结构先生成 rough outline，使开端、发展、高潮和收束在写作前已有全局位置。这个层级保持稳定，承担“故事最终要去哪里”的约束。（论文报告，§3.1、图 2）
细纲状态。写到某个粗阶段时，DHO 才结合该阶段、此前正文和相关历史，逐次生成 3 个 detailed outlines，再按细纲写正文。下一阶段的细节没有过早冻结，因此正文中新出现的信息可以影响后续规划。（论文报告，§3.1、算法 1）
记忆状态。MEM 从正文抽取 <subject, action, object, chapter index> 四元组形成 temporal knowledge graph。检索先用实体向量召回候选，论文实现采用 bge-large-en-v1.5、余弦阈值 0.75，再由 LLM 过滤语义相关事实；返回的精简历史同时服务于细纲扩展和正文生成。（论文报告，§3.2、图 3）
评价状态。TCA 将图谱四元组按相关实体组织，并让 LLM 判断时间顺序中的事实冲突。若检测到的冲突数为 \(m\)、候选四元组组数为 \(N\)，论文定义 \(CR=m/N\times100\%\)。这一指标适合自动比较，但它测的是“图谱抽取后可见的显式冲突”，不是完整的叙事连贯性。（论文报告，§4、图 4；阅读者分析）
实验方法：比较什么、由谁判断
任务与基线。作者从 DOC 使用的资源中选择 20 个 premise，比较直接调用 Llama3-70B、直接调用 Qwen1.5-72B-chat、Re3、DOC 与 DOME；DOME 主实验使用 Qwen1.5-72B-chat，温度 0.5、单次最大输出 1,000 tokens，在 2 张 A800 上运行。（论文报告，§5.1）
自动指标。长度衡量系统能否持续生成；Ent-2 衡量二元词组多样性；CR 由 TCA 衡量显式事实冲突。三者分别覆盖规模、词汇多样性和一种结构化一致性，但没有直接测情节质量、人物弧或读者沉浸。（论文报告，§4、§5.1；阅读者分析）
人工协议。3 名受过良好教育的研究生在不知道系统身份的情况下，对每个 premise 下的 5 个输出进行排序，维度为 plot completeness、plot coherence、relevance、interestingness 和 expression coherence，共 20 组。论文没有报告评审一致性、置信区间或显著性检验，因此名次差异只能视为小规模偏好证据。（论文报告，§5.1、Appendix A.4；阅读者分析）
主结果支持了什么
长度与自动指标。DOME 的 7,113.75 词远长于 DOC 的 3,904.90 和 Re3 的 3,802.15；CR 为 0.56，低于 DOC 的 1.21 和 Re3 的 0.77；Ent-2 为 12.29，高于两者的 11.55、11.56。与直接 Qwen 的 495.70 词、CR 0.66、Ent-2 9.06 相比，最确定的收益是系统显著延长了生成并提高词汇多样性。（论文报告，§5.2，表 1）
人工排序。DOME 在五维平均名次上都排第一，其中 plot completeness 为 1.15，下一名 DOC 为 2.58；expression coherence 为 1.16，下一名 DOC 为 2.56。该结果与自动指标方向一致，但评审只有 3 人，而且更长文本可能让完整性与有趣程度的印象同时上升，不能据此推出职业写作质量。（论文报告，§5.2，表 1；阅读者分析）
消融怎样读才不夸大因果
移除 MEM。w/o MEM 平均 6,511.10 词，CR 从完整系统的 0.56 升至 4.52，Ent-2 从 12.29 降至 10.00；论文据此计算 MEM 将冲突减少 87.61%。不过该版本因计算限制只运行 2 轮 chat，且缺少等 token 的滑窗或摘要记忆替代，所以数值同时混入“记忆形式”和“可用计算/历史量”的差异。（论文报告，§5.3，表 2、脚注；阅读者分析）
移除 DHO。w/o DHO 只生成 1,471.90 词，CR 0.65、Ent-2 11.50；人评五维名次也普遍更差。长度坍缩说明 DHO 对持续展开很重要，但也使质量比较与文本长度混杂：实验没有提供同长度的静态大纲或滚动大纲对照。（论文报告，§5.3，表 2；阅读者分析）
跨骨干结果。作者还在 Yi1.5-34B、Llama3-70B 和 Qwen1.5-72B 上比较直接生成与 DOME，三个骨干均出现 Ent-2 上升、CR 下降；正文强调 Llama 的 CR 降幅超过 18%，Yi 的 Ent-2 增幅超过 29%。这说明方向不只出现在一个骨干上，但没有给出等成本设置或重复运行的不确定性。（论文报告，§5.4，图 5；阅读者分析）
复现时真正需要记录的工程条件
调用与资源。表 3 对知识图谱构建报告约 791 个节点、258 个关系、405 个四元组和 16 次 API 调用；局限部分进一步说明完成约 7,000 词故事总计接近 200 次 API 调用、约需 4 小时。16 次不是整套 DOME 的总成本，复现预算应以后一个口径为准。（论文报告，§5.5，表 3、Limitations）
最小复现链。实现至少需要：五阶段粗纲模板；每阶段 3 个细纲的按需展开；四元组抽取和带时间索引的图存储；实体向量召回与 LLM 过滤；当前细纲、检索历史到正文的提示接口；独立记录长度、Ent-2、冲突判断和调用成本。若要验证机制，还应加入同长度静态大纲、滑窗摘要记忆和等调用预算三类基线。（阅读者分析）
局限与适用边界
风险点。论文没有提供自动质量指标，只有 20 个 premise；图谱抽取错误会同时影响记忆和 CR；自定义提示和大量模型调用使结果对闭源/特定骨干敏感。作者也承认大量调用让付费闭源模型的规模化使用不现实。（论文报告，Limitations；阅读者分析）
原文定位（附录）
- 研究问题、DOME 总览：Abstract、§1、图 1，PDF pp.1–3。
- DHO、MEM 与算法流程：§3、图 2–3、算法 1，PDF pp.4–6。
- TCA 与冲突率：§4、图 4，PDF p.6。
- 实验设置、主结果：§5.1–§5.2、表 1，PDF pp.6–7。
- 消融、跨骨干与图谱成本：§5.3–§5.5、表 2–3、图 5，PDF pp.7–8。
- 人评协议：Appendix A.4，PDF p.16。
- 总调用、运行时间与其他局限：Limitations，PDF p.9。
读完后的判断
DOME 的设计逻辑是完整的：稳定粗纲保全局、延迟展开细纲保适应性、图谱记忆保历史可检索。主结果和消融都支持这套组合能在小规模 premise 集上生成更长、显式冲突更少且更受评审偏好的故事；其中“持续写长”的证据最强，“提高整体文学质量”的证据较弱。
对当前项目最值得迁移的不是“多调用本身”，而是三种状态的分离与可审计接口。若落地，应把总调用、延迟、长度和错误率一起纳入评价，并用等预算摘要记忆、同长度静态大纲和独立事实检查器重新做消融。这样才能判断收益来自动态规划、结构化记忆，还是更大的推理预算。