Creating Hybrid Interactive Narrative Systems with LLM: From Formal Description to Evaluation
作者: Jules Clerc, Domitile Lourdeaux, Mohamed Sallak, Marc Ravaine
分类: cs.AI, cs.CL, cs.HC
发布日期: 2026-11-02
期刊: 38th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2026), IEEE Computer Society, Nov 2026, Boca Raton, United States
💡 一句话要点
提出基于LLM的混合互动叙事系统以解决叙事管理难题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 互动叙事 大型语言模型 叙事管理 符号世界模型 功能分析 玩家代理 EM可控性
📋 核心要点
- 现有的互动叙事系统在管理器的比较上存在困难，因其行为通常与特定场景紧密相关，缺乏明确的结构。
- 论文提出了一种基于LLM的叙事平台，管理器作为可互换模块在共享的符号世界模型上运行，便于分析和评估。
- 通过在《小红帽》场景中的实验，结果表明不同管理器在各属性上表现不同，为设计者提供了选择依据。
📝 摘要（中文）
互动叙事允许用户塑造故事，而体验管理器（EM）则保持故事的连贯性，平衡玩家自由与作者控制。大型语言模型（LLM）使得新一代混合EM成为可能，结合了自由文本输入的运行时生成与符号叙事控制。然而，由于其异质性，比较这些管理器变得困难。本文提出了一种基于LLM的叙事平台，管理器作为可互换模块在共享的符号世界模型上运行。每个操作都有明确的前提条件和效果，使得每次会话可以通过共同的状态转移表示进行分析和评估。我们实现了三种不同的管理器，并在互动的《小红帽》场景中进行了功能分析，结果显示没有一种管理器在所有属性上都占优，为作者和EM设计者提供了根据优先级选择管理器的具体依据。
🔬 方法详解
问题定义：本文旨在解决互动叙事系统中管理器比较困难的问题，现有方法的痛点在于管理器的行为与特定场景紧密相关，缺乏统一的评估标准。
核心思路：论文提出了一种基于大型语言模型（LLM）的叙事平台，管理器作为可互换模块在共享的符号世界模型上运行，从而实现统一的分析和评估。
技术框架：整体架构包括一个共享的符号世界模型，管理器模块，以及用于状态转移表示的分析工具。每个管理器的操作都有明确的前提条件和效果，便于进行功能分析。
关键创新：最重要的技术创新在于引入了可互换的管理器模块，使得不同管理器的行为可以在统一的框架下进行比较，解决了以往方法中缺乏明确结构的问题。
关键设计：在设计中，明确了每个操作的前提条件和效果，采用了状态转移表示来分析每次会话，确保评估的独立性和一致性。
📊 实验亮点
实验结果表明，在《小红帽》场景中，三种管理器在玩家代理、EM可控性、作者意图和鲁棒性等四个属性上表现各异，没有一种管理器在所有属性上占优。这为作者和EM设计者提供了根据优先级选择管理器的实证依据。
🎯 应用场景
该研究的潜在应用领域包括游戏设计、教育培训和虚拟现实等互动叙事场景。通过提供可互换的管理器模块，设计者可以根据具体需求选择合适的管理器，从而提升用户体验和叙事质量，未来可能推动互动叙事系统的广泛应用。
📄 摘要（原文）
Interactive narratives let users shape a story while an Experience Manager (EM) keeps it coherent, balancing player freedom against authorial control. Large Language Models now enable a new generation of hybrid EMs, which combine run-time generation from free-text input with symbolic narrative control. However, their heterogeneity makes them hard to compare: A manager's behaviour is generally tied to the unique and specific scenario in which it operates, and much of its decision-making takes place outside of any explicit and verifiable structure. We address this with an LLM-based narrative platform whose managers are interchangeable modules operating over a shared symbolic world model of facts, operations, and goals. Because every applied operation carries explicit preconditions and effects, each session can be analysed as a plan through a common state-transition representation and evaluated, independently of how the manager works internally, with shared indicators of four properties: player agency, EM controllability, author intent, and robustness. We implement three contrasting managers, based respectively on open generation, Monte Carlo repair, and autonomous characters, and compare them through functional analysis on an interactive Little Red Riding Hood scenario. The results show that no manager dominates on every property, giving authors and EM designers a concrete basis to select a manager according to their priorities.