IVIE：一种用于增量式且经过验证的互动小说世界生成的神经符号方法

# IVIE：一种增量式与验证式交互式小说世界生成的神经符号方法
来源：https://arxiv.org/html/2606.13348
Micaela Vaucher† Santiago Silveira Santiago Góngora† Luis Chiruzzo
Instituto de Computación, Facultad de Ingeniería, Universidad de la República, Uruguay
†\{micaela.vaucher, sgongora\}@fing.edu.uy

###### 摘要

> 交互式小说中的计算创造力面临一个基本矛盾：大型语言模型（LLM）能够产生富有创意的叙事，但难以维持世界的连贯性；而符号系统能保证一致性，却缺乏创造性灵活性。我们提出 **IVIE**（增量式与验证式交互体验），一种从头生成完整且可玩的交互式小说世界的神经符号方法。基于 PAYADOR 的神经符号框架，IVIE 采用四阶段增量生成流水线，将创意决策（场景与角色创建、谜题设计）委托给 LLM，同时通过符号验证来锚定世界状态。该系统生成包含相互关联的地点、功能性物品、非玩家角色和连贯谜题的世界，所有元素均围绕一个中心目标导向架构构建。人工评估表明，该方法能生成沉浸感强、主题连贯且玩家参与度高的世界。结果似乎表明，神经符号方法成功地在灵活性与叙事连贯性之间取得了平衡：符号验证在不消除生成自由的前提下，对 LLM 生成进行了约束。然而，挑战依然存在：LLM 的不一致性偶尔会绕过谜题约束，而目标验证的空白会导致一些结构上不可能实现的目标。我们为未来的神经符号交互式叙事系统提出了关键设计考量，特别是针对 LLM 的能力及其局限性。

## 引言

大型语言模型可以按需生成流畅的叙事，但当要求它们在仅数轮玩家交互中维持连贯的游戏世界时，它们却频频失败。物体会无缘无故地消失又重新出现，NPC 会忘记之前的对话，空间关系变得矛盾，谜题解法也会在游戏中途发生改变 (?)。然而，创造性潜力依然诱人：如果我们能将 LLM 生成锚定在符号验证之上，就能显著推进一致交互式叙事的生成。

交互式小说 (IF) ——一种文本类游戏类型，用户通过自然语言命令探索虚构世界并影响叙事走向 (?)——正是这种创造性灵活性与结构连贯性之间矛盾的典型代表。经典系统如 *Zork* (?) 通过手工制作的物品、地点和确定性规则来维护世界状态，保证了连贯性，但每个世界都需要大量的人工创作。程序化内容生成 (PCG) 方法通过算法自动创建游戏内容来缓解创作瓶颈 (?)，然而传统的叙事方法依赖符号规划系统，生成的故事情节刻板、基于模板，缺乏丰富的创造性 (?)。

LLM 承诺了一种计算即兴创作的形式，无需预定脚本即可实时生成流畅叙事。然而，即兴创作并非单纯的即兴发挥——它需要技巧、记忆和上下文锚定 (?;?)，而这正是 LLM 在长期交互中所缺乏的。它们会幻觉出物品，忘记已设定的事实，并且会丢失游戏状态 (?;?)。在第 5 回合出现的一把金钥匙，可能在 25 回合后被遗忘；更糟糕的是，LLM 可能前后矛盾地否定了门曾被锁住的事实。对于寻求连贯体验而非超现实探索的玩家来说，这种不一致性从根本上破坏了沉浸感。

最近的神经符号方法 (?;?) 通过分离关注点来解决这个问题：LLM 负责创意生成，而符号结构维护世界状态。像 PAYADOR (?) 这样的系统表明，这种方法在处理*预定义世界中的游玩*时非常有效。将这些架构扩展到*自动生成*完整世界，将能够实现快速原型设计和程序化变体，同时保持手工创作所提供的结构连贯性。

在本文中，我们提出 **IVIE**（增量式与验证式交互体验），一种能自动生成完整、可玩的交互式小说世界的神经符号系统。虽然 PAYADOR 似乎表明神经符号架构能在游戏过程中维持连贯性，但它仅在手工预定义的世界中运行。IVIE 将此框架扩展到世界生成本身：不是手工雕琢每个世界，而是通过 IVIE 的四阶段增量生成流水线，将创意决策（场景与角色创建、谜题设计）委托给 LLM，同时符号层在每个阶段强制执行空间连通性、类型正确性和目标可解性。源代码可在 GitHub 上获取¹¹¹https://github.com/micaelavaucher/IVIE。

## 相关工作

交互式小说系统面临一个基本挑战：平衡创意叙事灵活性与结构世界连贯性。基于解析器的经典系统如 *Zork* (?) 通过手动创作解决了这个问题：每个物体、地点和交互都是硬编码的，保证了连贯性，但每个世界都需要大量的开发工作。现代方法试图通过不同策略避开这一创作瓶颈，但每种策略都有其关键局限性。

像 AI Dungeon (?) 这样的系统开创了 LLM 能够针对任意玩家动作生成上下文相关回应的理念。通过将玩家输入与对话历史拼接，并利用 LLM（例如 GPT-3）生成后续内容，这些系统实现了前所未有的叙事灵活性。然而，广泛的用户测试揭示了关键缺陷 (?)：物品无缘无故消失后又重新出现，NPC 与之前的陈述矛盾，随着上下文窗口填满游戏规则变得不一致，以及模型出现“循环”行为。这些问题源于 LLM 的无状态本质——它们不维持持久的世界模型 (?)，仅依赖概率模式，缺乏强制执行结构连贯性的机制。

最近的研究以不同方式桥接了符号和神经范式。一些方法检索或维护叙事上下文以提高连贯性 (?)，或通过数据驱动生成来增强游戏内容 (?)，但这些方法仍然缺乏保证结构有效性的符号锚定。另一些方法则将创意生成委托给 LLM，同时维护结构化的世界状态 (?)，将规划与语言模型结合 (?;?)，或动态构建空间表征 (?)，但这些方法侧重于在已有世界中游玩或叙述，而非从头生成完整世界。

我们当前的工作 IVIE 直接建立在 PAYADOR 之上 (?;?)，这是一个将符号世界管理与神经叙事生成相分离的神经符号框架。PAYADOR 实现了一个面向对象的世界模型（Location, Item, Character, Puzzle, Objective），并采用双 LLM 架构：一个推理模型解释玩家动作以生成结构化的状态转换，另一个叙事模型则生成场景描述 (?)。世界连贯性通过一个持续的锚定循环维护：当玩家输入一个动作时，系统将当前符号世界状态渲染为自然语言；推理 LLM 预测其效果，生成符号转换（例如移动物品、解锁通道）和叙事结果；这些预测在应用到世界状态更新之前会经过验证；最后，叙事 LLM 基于更新后的状态生成场景描述。这种分离似乎在防止 LLM 不一致性方面很有效：空间连通性通过显式的图结构进行验证，物体位置被确定性地跟踪，谜题状态只有在显式修改时才会改变。然而，这些系统在手工预定义的世界中运行，其中每个地点、物体、NPC 和谜题都在游戏开始前硬编码完成。

## IVIE 方法

IVIE 探索了前述局限性，提出了增量验证式生成：一个四阶段流水线，从抽象概念逐步构建到具体的可玩体验，每个阶段都通过符号验证确保空间连通性、类型正确性和目标可解性。鉴于 LLM 能生成叙事文本但难以维持结构连贯性，而符号系统能保证一致性却缺乏生成灵活性，核心问题变成了：*我们如何同时利用两者？*

为了实现这种关注点分离，我们以 PAYADOR 的神经符号框架 (?;?) 作为架构骨架。如前所述，PAYADOR 通过符号世界状态和双 LLM 架构，在游戏过程中维持世界连贯性。在此框架基础上，IVIE 探索了自动生成完整世界的能力，而不是在预定义世界中游玩。

IVIE 的符号组件充当结构化的执行和验证层，而非创造性推理引擎：它不生成叙事内容，但执行并强制 LLM 提出的状态转换在结构上的正确性。与其要求 LLM 同时进行创意生成和维护世界一致性——这是一个它们已被证明失败的任务 (?)——我们旨在让每个组件做自己最擅长的事：

- • LLM 生成叙事元素：地点描述、角色背景故事、谜题设计和目标框架。
- • 符号 Python 结构维护世界状态：遵循 PAYADOR 的面向对象世界模型；哪些地点相连，哪些物品在哪里，哪些谜题阻挡了哪些通道，以及在当前世界配置下目标是否可解。

因此，挑战在于生成的世界不仅要富有创意和主题连贯，还要在结构上有效，并且玩家能够完成目标。

### 目标导向架构

PAYADOR 的世界包含玩家必须完成的目标，例如寻找物品或到达地点。我们意识到这一概念可以作为 IVIE 生成流水线的组织原则：不是生成分散的元素并寄希望于它们能构成一个连贯的世界，而是由目标定义必须存在什么以及组件之间如何关联。每个地点、物品、NPC 和谜题的存在都是为了服务于玩家的目标，无论是寻找隐藏的圣物、解决谜团，还是逃离危险地点。这种架构通过提供必要的结构约束来避免无法游玩的内容 (?)，同时在生成的元素之间维持连贯的总体结构 (?)，从而解决了常见的 PCG 挑战。

每个生成的元素都是为了实现一个中心目的——完成目标。此目标定义了世界的需求：如果目标是“将古代卷轴交给图书管理员”，那么世界必须包含卷轴作为可拾取物品、一位位于某地的图书管理员角色、连接卷轴所在地到图书管理员所在地的路径，以及可能阻挡对任一元素访问的谜题。因此，生成流水线从该目标逆向工作，确定该目标需要哪些元素以及应将它们放置在何处。图 1 (https://arxiv.org/html/2606.13348#Sx3.F1) 展示了一个生成的世界开始画面，其中所有元素都围绕寻找失踪人员这一中心目标。

生成的游戏开场
破旧的砖楼排列在街道上。雾气在建筑间翻滚，远处的声音在空旷的小巷中回响。
你是一位调查城市中神秘失踪事件的侦探。
当前地点：废弃仓库区
可到达地点：警察局、旧码头
被阻挡的通道：证据室
目标：寻找失踪人员
物品：手电筒、侦探笔记本
NPC：Martinez 警官

图 1：在 Generate 模式下生成的示例世界开场，展示了目标导向结构，所有元素服务于中心目标。

### 增量生成流水线

参见图注
图 2：IVIE 的增量生成流水线。从可选的用户灵感开始，LLM 在四个强制性阶段（冒险核心 → 世界结构 → 世界物化 → 挑战）中逐步生成世界，每个阶段都设有验证门。

在初步实验中，我们发现试图通过一次 LLM 调用生成完整世界会导致不一致性，因为模型难以在数十个相互依赖的元素间维持连贯性。此外，LLM 会生成大小不可预测的世界，使得系统评估和比较变得困难。为解决这两个问题，我们设计了一个四阶段增量生成流水线（如图 2 (https://arxiv.org/html/2606.13348#Sx3.F2) 所示），并设有可配置的大小参数。IVIE 允许设计师在生成开始前指定地点数、物品数、角色数和谜题数，从而确保可控评估所需的一致世界规模，同时使验证系统能够适当地缩放。该流水线在四个强制性阶段中逐步构建世界，从抽象到具体，每个边界处进行符号验证。每个阶段使用专门设计的提示来引导 LLM 生成；这些提示可在源代码仓库中找到。

#### 阶段 1：冒险核心

第一阶段通过生成三个核心组件来建立叙事基础：世界主题、主角描述和目标类型。

IVIE 扩展了 PAYADOR 的目标系统 (?)，增加了五种目标类型，每种类型对后续阶段施加不同的结构要求：

- • REACH\_LOCATION：玩家必须导航到特定地点（例如“逃离闹鬼的豪宅”）
- • GET\_ITEM：玩家必须获得特定物品（例如“取回古代圣物”）
- • DELIVER\_ITEM：玩家必须将物品带给一个角色或地点（例如“将卷轴交给图书管理员”）
- • FIND\_CHARACTER：玩家必须找到特定的 NPC（例如“找到失踪的探险家”）
- • SOLVE\_MYSTERY：玩家必须收集线索以解决谜团（例如“发现谁偷了王冠珠宝”）

这些组件可以以两种模式生成。在**灵感模式**中，LLM 接收用户提供的主题引导（例如“维多利亚时代豪宅中的谜案”），并生成与该主题一致的世界。在**生成模式**中，LLM 完全担当创造性责任 (?)，自主发明主题、设定和叙事前提，不受用户约束。

输出：`WorldConcept` 对象，包含冒险标题 (`title`)、叙事背景故事 (`backstory`)、玩家概念 (`player_concept`，角色身份) 和主要目标 (`main_objective`，高级目标描述)。正式的目标类型在后续阶段确定。**验证**：此阶段不需要除模式正确性之外的验证，因为概念元素（标题、背景故事、玩家概念、目标描述）是字符串（纯叙事性的），不会施加可能导致世界无法游玩的结构约束。任何主题上连贯的概念都可以作为后续阶段的输入。

#### 阶段 2：世界结构

一旦建立了叙事核心，此阶段将识别完成目标所需的主要实体：关键地点、相关角色和所需物品。LLM 生成实体标识符（名称）以及每个实体如何与目标关联的简要说明，但不包括空间连接或描述。