From Personas to Plot: Character-Grounded Multi-Agent Story Generation for Long-Form Narratives

📄 arXiv: 2607.00918v1 📥 PDF

作者: Aayush Aluru, Chloe Ho, Muhammad Hammouri, Kerry Luo, Myra Malik, Ryan Lagasse, Arjun Bahuguna, Vasu Sharma

分类: cs.CL, cs.AI, cs.MA

发布日期: 2026-07-01

💡 一句话要点

提出MAGNET框架以解决长篇叙事生成中的一致性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长篇叙事生成 多代理系统 叙事一致性 大型语言模型 故事生成 图形比较 目标驱动生成

📋 核心要点

  1. 现有的大型语言模型在长篇叙事生成中难以保持一致性和连贯性，导致故事质量下降。
  2. 本文提出MAGNET框架，通过多代理角色生成故事，结合共享世界状态和目标驱动的方法，提升叙事一致性。
  3. 实验结果显示，MAGNET在长篇故事生成中显著减少了注释和幻觉，提升了叙事的连贯性和结构性。

📝 摘要（中文）

尽管大型语言模型在创意小说生成方面表现出色，但在长篇故事中保持叙事一致性和连贯性仍然存在困难。本文提出了一个统一的长篇叙事生成与验证框架MAGNET，该框架通过基于角色的多代理生成故事，利用共享的世界状态和不断演变的故事目标来提出行动。同时，ATLAS是一个基于图的管道，用于比较生成故事中的场景级世界表示，以检测幻觉。通过使用LLM编辑器、成对评分和ATLAS对MAGNET进行评估，结果表明该框架生成的叙事比单模型提示和IBSEN更为连贯。在100页的故事中，MAGNET相比单模型基线减少了41%和50%的注释和幻觉，相比IBSEN减少了34%和45%。这些结果表明，通过明确的世界状态跟踪和目标驱动的多代理生成，可以实现可控且结构连贯的长篇叙事生成。

🔬 方法详解

问题定义：本文旨在解决大型语言模型在长篇叙事生成中存在的叙事一致性和连贯性不足的问题。现有方法往往无法有效跟踪故事进展和角色行为，导致生成的故事缺乏逻辑性和连贯性。

核心思路：MAGNET框架的核心思想是通过多代理角色生成故事，角色根据共享的世界状态和演变的故事目标提出行动，从而增强叙事的一致性和连贯性。

技术框架：MAGNET框架包括两个主要模块：多代理目标驱动叙事引擎和ATLAS图形比较管道。多代理引擎负责生成故事，而ATLAS则用于检测生成故事中的幻觉现象。

关键创新：MAGNET的创新之处在于其多代理生成机制和世界状态跟踪能力，使得叙事生成不仅依赖于单一模型的输出，而是通过多个角色的互动和目标驱动的方式来提升故事的连贯性。

关键设计：在设计上，MAGNET采用了共享的世界状态表示，角色之间通过明确的目标进行互动。此外，ATLAS模块通过图形比较技术来识别和减少生成中的幻觉，确保故事的逻辑一致性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，MAGNET在生成100页故事时，相比单模型基线减少了41%的注释和50%的幻觉，相比IBSEN减少了34%和45%。这些数据表明MAGNET框架在提升叙事连贯性和减少生成错误方面具有显著优势。

🎯 应用场景

该研究的潜在应用领域包括游戏设计、虚拟现实叙事、教育和娱乐等。通过提供可控的长篇叙事生成工具，MAGNET框架能够为创作者提供更高效的故事创作手段，推动叙事生成技术的发展。未来，该技术可能在自动化内容创作和个性化故事生成方面发挥重要作用。

📄 摘要（原文）

Although large language models (LLMs) have demonstrated impressive creative fiction generation, they struggle to maintain narrative consistency and coherent plot lines in long-form stories. In this work, we introduce a unified framework for long-form narrative generation and verification. MAGNET, a multi-agent goal-driven narrative engine for storytelling, generates stories with persona-grounded character agents that propose actions based on a shared world state and evolving story goals, while ATLAS is a graph-based pipeline that compares scene-level world representations across a generated story to detect hallucinations. By evaluating MAGNET using an LLM editor, pairwise rubric scoring, and ATLAS, we show that our framework produces coherent narratives compared to single-model prompting and IBSEN. At 100 pages, MAGNET reduced annotations and hallucinations by 41 and 50%, respectively, compared to the single model baseline and by 34 and 45%, respectively, compared to IBSEN, with pairwise rubric evaluation showing similar results. These results suggest that long-form narratives can emerge from explicit world-state tracking and goal-driven multi-agent generation, providing a foundation for controllable and structurally coherent long-form narrative generation.