叙事引擎架构设计：调度器 + 执行器 + 渲染器

一、整体架构

叙事引擎由三个核心模块组成：

调度器（Scheduler）—— 状态管理中心

• 接收事件输入（五要素：时间、地点、发生了什么、事件意图、角色弧状态）
• 沿世界图检索相关背景条目（节点+边遍历）
• 拼接提示词：世界状态 + 事件意图 + 角色弧 + 历史摘要
• 接收执行器输出，拆解扩散（状态变化），写回世界图节点
• 增量更新图谱，查询下一事件节点，循环直到暂停标记

执行器（Executor）—— 多角色子代理

• 每个角色一个独立子代理实例，跨事件持久化（保持对话历史和记忆）
• 调度器按信息差（Genette 聚焦理论）定向分配知识——每角色只获取该角色已知的世界条目子集
• 角色子代理之间角色扮演交互，产出结构化数据（非自然语言文本）
• 结构化格式：{ actor, action, target, emotion, relation_update, thought }

渲染器（Renderer）—— 文本输出层

• 接收所有角色子代理的结构化输出
• 将结构化数据渲染为自然语言叙事文本
• 产出可直接阅读的最终文本，支持导出 Markdown/Word

二、核心循环

事件输入 → 调度器定向分配知识 → 角色子代理交互（结构化输出） → 调度器提取扩散更新世界图 → 渲染器生成文本 → 下个事件（子代理实例保留） → 暂停标记（人在回路）

三、为什么这样设计

信息差从模拟变为结构

不是让一个 AI 假装角色知道不同的事，而是每个角色拥有独立的子代理实例，调度器按信息差定向分配知识。信息差是真实存在的。

扩散提取从不可靠变为可靠

旧方案：执行器输出自然语言文本 → 调度器从中"猜"扩散。新方案：角色子代理直接输出结构化数据，扩散天然以结构化形式呈现。

角色代理持久化

每个角色一个独立实例，事件之间保持对话历史和记忆。只接收增量信息（变化了的世界状态 + 当前事件上下文），不全量刷新。

四、理论依据

• Oz Project 可信代理：角色不需要"智能"，只需"看起来有生命"
• Genette 内聚焦：信息差从叙事技巧变为架构原则
• MEXICA 故事生成系统：语义层（结构化）和文本层分离
• NWM 知识分层模型：角色/读者/系统三层知识状态

五、后续待办

• 事件粒度与叙事连续性：渲染器提升到循环内部，微事件缝合
• 扩散类型学形式化：即时/延迟/累积/条件四种扩散的精确定义
• 图自动构建：边的创建是手工还是自动推断
• 多线并行调度：多条因果链的协调推进
• 世界图管理：检索注入、非破坏性更新（REAL）、溯源锚定（Eywa）

---

本文由 AIGC 调研生成，仅做研究笔记和参考，真实性需要自行考证。