Fictional Worldbuilding: Multi-Agent LLM Collaboration with Hierarchical Context Compression and Iterative Review
作者: Jingbo Chen, He Wang, Wei Yuan, Yuqiao Lai, Zhenyan Lu
分类: cs.AI
发布日期: 2026-07-10
备注: 36 pages, 7 fig
💡 一句话要点
提出AutoWorldBuilder以解决虚构世界构建中的多重挑战
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 虚构世界构建 大型语言模型 多智能体系统 上下文压缩 自动质量保证 内容生成 游戏设计 文学创作
📋 核心要点
- 现有方法在虚构世界构建中面临上下文爆炸、创意多样性与一致性之间的矛盾，以及缺乏自动质量保证等挑战。
- 论文提出的AutoWorldBuilder通过多智能体协作、层次化上下文压缩和迭代审查等机制来应对这些问题。
- 实验结果显示，该系统在20个任务中成功率达到95.0%，显著提高了提案通过率，从42%提升至85%以上。
📝 摘要（中文）
虚构世界构建是游戏设计和文学创作中的基础任务。大型语言模型（LLMs）为自动内容生成提供了新可能，但在世界构建中面临三大挑战：上下文爆炸、创意多样性与内容一致性之间的紧张关系，以及缺乏自动质量保证。本文提出的AutoWorldBuilder是一个多智能体协作系统，通过五个集成组件解决这些挑战。实验表明，该系统在20个多样化的世界构建任务中取得了95.0%的成功率，生成了56-103个自洽概念，且交付过程中无冲突。
🔬 方法详解
问题定义：本文旨在解决虚构世界构建中的上下文爆炸、创意多样性与内容一致性之间的矛盾，以及缺乏自动质量保证的问题。现有方法在这些方面表现不佳，导致生成内容的质量和一致性不足。
核心思路：AutoWorldBuilder通过多智能体协作和层次化上下文压缩来优化生成过程，确保内容的一致性与多样性，同时引入迭代审查机制以提高生成内容的质量。
技术框架：该系统由五个主要组件构成：结构化概念网络（包含冲突检测）、基于有向无环图的混合批调度器、四层上下文压缩机制、迭代审查系统（配备专门的审计代理）以及支持零代码扩展的技能驱动代理架构。
关键创新：最重要的创新在于层次化上下文压缩机制，能够实现约90%的令牌减少，同时通过语义局部性调度和生成与审查的分离，显著提升了内容生成的效率和质量。
关键设计：系统的关键设计包括对任务的语义局部性分组、四层上下文压缩的具体实现，以及审计代理在迭代审查中的角色，确保生成内容的高通过率和一致性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，AutoWorldBuilder在20个多样化的世界构建任务中取得了95.0%的成功率，生成56-103个自洽概念，且交付过程中无冲突。提案通过率从42%提升至85%以上，展示了该系统在内容生成质量和效率上的显著提升。
🎯 应用场景
该研究的潜在应用领域包括游戏设计、虚拟现实、文学创作等，能够为内容创作者提供高效的工具，自动生成高质量的虚构世界。此外，AutoWorldBuilder的架构和方法也可推广至其他知识密集型的多智能体LLM应用，具有广泛的实际价值和未来影响。
📄 摘要（原文）
Worldbuilding, the construction of coherent fictional worlds, is a foundational task in game design and literary creation. Large Language Models (LLMs) offer new possibilities for automated content generation, but their application to worldbuilding faces three challenges: context explosion that grows linearly with the building process, the tension between creative diversity and content consistency, and the absence of automated quality assurance. This paper presents AutoWorldBuilder, a multi-agent collaborative system that addresses these challenges through five integrated components: a structured concept network with conflict detection; a DAG-based hybrid batch scheduler that groups tasks by semantic locality; a four-layer context compression mechanism achieving approximately 90% token reduction; an iterative review system with specialized Auditor agents that improves proposal pass rates from 42% to over 85%; and a skill-driven agent architecture supporting zero-code extension with differentiated temperature configuration. Two experiments across 20 diverse worldbuilding tasks, using GPT-OSS 120B and DeepSeek v3.2 as LLM backends, demonstrate a 95.0% success rate. The system generated 56-103 self-consistent concepts per world in 18-31 minutes with zero-conflict delivery. The architectural patterns validated here, including layer-as-budget compression, semantic-locality scheduling, and separation of generation and review, transfer to the broader class of knowledge-intensive, multi-agent LLM applications.