MUSE：一个基于理论的故事引擎，用于氛围叙事

大语言模型能够写出流畅的散文，但高质量的故事还需要在规划、起草和修订过程中对情节、人物和语言做出协调一致的决定。我们将 Vibe Narrativizing 表述为将自然语言写作要求转化为完成的故事。 MUSE 是一个基于理论的故事引擎，解决了两个瓶颈：规则质量和持续的规则实现。故事理论提供了规则，实用的代理工具使它们发挥作用。知识工程通过规则原子化、语义整合、机制抽象、单一事实来源和分层披露来组织罗伯特·麦基的理论；典型的例子澄清了依赖于背景和审美目的的判断。该工具在设计、角色表演、场景构成和修订的中间可交付成果中保留故事决策。情境工程为每个角色提供相关的指导和决策；杰作语料库提供灵感和散文参考。一个工作示例遵循所请求的对象从其主题角色到高潮动作。在四个基本模型中，MUSE 将 WriteBench 比零样本生成提高了 1.1 到 6.2 个点；在我们的比较中，它是唯一这样做的多级系统。它还将 LongStoryEval 在四个模型中的三个上提高了十多点。所有四个模型的 ConStory-Bench 一致性错误密度都保持在较低的个位数，低于四个模型中三个模型的每个重现故事系统基线。消融在结构设计中找到了最大的质量贡献，在角色路径中找到了特定于声音的效果，并在修订中获得了进一步的收益。