影视创作领域AI agent:角色模拟在故事创作中的应用

本篇内容我们提到多伦多团队的研究结果，他们将目光对准了故事创作的主体，并以角色模拟为切入口重塑故事创作流程。

• 支撑论文：Multi-Agent Based Character Simulation for Story Writing
• 链接：https://aclanthology.org/2025.in2writing-1.9/
• 作者：Department of Computer Science University of Toronto，CANADA

• 大型语言模型（LLMs）模拟角色–Simulating Characters with LLMs

• 自动化故事生成–Automatic Story Generation

• 自动化故事评估–Automatic Story Evaluation

2. 叙事方法论：叙事理论中，故事可分为时间顺序（fabula）和故事时间（syuzhet）。前者指事件发生的原始时间序列，由角色扮演步骤完成；后者指故事在读者眼中呈现的序列，由重写步骤实现。

3. 智能体协作框架

两个步骤：角色扮演role-playing step和重写rewrite step。

在角色扮演步骤中，导演智能体（director agent）通过扮演角色来模拟场景并发出行动指令，角色智能体（character agent）进行情节生成，两者共同实现作者意图与角色驱动对话历史之间的自然平衡。

在重写步骤中，将生成的内容提炼成故事文本。在人类与AI协作写作的情况下，该阶段参考对话历史，并可能重复使用大部分对话和动作，只需调整其顺序，从而显著降低了实际故事内容编写过程的难度。

3. 数据集准备：使用Tell me a story数据集，通过UMAP和k-means聚类方法，从230个数据集中选取28个进行实验。

4. 实验过程

通过一个教师LLM根据writing prompt和golden story生成synthetic plan合成计划，让单一智能体Dramatron、多智能体Agents‘ room、本论文系统均基于GPT-4o模型生成故事并进行LLM评估及定性评估。

5. 评估维度：plot情节、creativity创意、development发展、language use语言使用、overall总体。使用Gemini 1.5pro作为评估模型。

6. 实验结果：LLM评估指标均表现突出。定性分析上，该套系统角色一致性、叙事连贯性上表现突出，而dramatron缺乏对尚未叙述的、时间上更早的事件（如第二个场景）的认知、Agents‘ room不仅面临着过早泄露信息的风险，还发现了重复的内容，偶尔会生成一些随机且偏离主题的词汇。

7. 优势及创新点

• 组合拳：角色模拟策略+两阶段生成框架+多智能体协作+人机协作机制

• 排序机制：按时间顺序进行角色扮演，角色代理人Aerie在扮演第一个场景（与学者Kissen的相遇）之前，已经记住了她访问该场地（第二个场景）的记忆

• 重写机制：确保生成的场景内容严格遵循当前场景大纲，有效防止未来信息的过早泄露，从而生成更加一致和连贯的故事。

基于以上2篇论文，我们会遍历github开源项目及市面上的writer agent产品，结合工作实例，进一步进行优化落地。

如需转载，请联系本公众号进行授权。

投稿或参与商务合作：suzywang168@gmail.com

欢迎在AI影视创作领域的学者、技术、产品、创业者、商业投资人分享你的想法与思考！