From World-Gen to Quest-Line: A Dependency-Driven Prompt Pipeline for Coherent RPG Generation

📄 arXiv: 2604.25482v1 📥 PDF

作者: Dominik Borawski, Marta Szulc, Robert Chudy, Małgorzata Giedrowicz, Piotr Mironowicz

分类: cs.CL, cs.AI

发布日期: 2026-04-28

备注: 13 pages, 1 figure, 5 listings

💡 一句话要点

提出依赖驱动的提示管道，用于生成具有连贯性的RPG游戏内容

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

关键词: RPG生成 程序化内容生成 大型语言模型 提示工程 依赖驱动 叙事生成 结构化表示

📋 核心要点

  1. 现有LLM在RPG内容生成中存在连贯性、可控性和结构一致性问题，难以生成复杂、多层次的游戏世界。
  2. 论文提出一种依赖感知的多阶段提示管道，通过结构化的中间表示建模叙事依赖，保证生成内容的连贯性。
  3. 实验结果表明，该管道能够生成逻辑合理且结构有效的RPG内容，且质量不会随复杂性增加而降低。

📝 摘要（中文）

大型语言模型(LLMs)在叙事生成方面表现出强大的潜力，但由于连贯性、可控性和结构一致性等问题，它们在复杂、多层次的角色扮演游戏(RPG)世界中的应用仍然受到限制。本文探索了一种依赖感知的多阶段提示管道，用于程序化RPG内容生成，该管道通过结构化的中间表示来建模叙事依赖关系。该方法将生成分解为顺序阶段：世界构建、非玩家角色创建、玩家角色创建、战役级任务规划和任务扩展。每个阶段都以先前阶段的结构化JSON输出为条件。通过强制执行模式和显式数据流，该管道减少了叙事漂移，限制了幻觉，并支持互连叙事元素的可扩展创建。通过以人为中心的分析，对多个独立运行进行定性评估。使用结构完整性、内部一致性、叙事连贯性、多样性和可操作性等标准评估输出。结果表明，该管道始终如一地生成逻辑合理且结构有效的RPG内容，而不会随着复杂性的增加而降低质量。将高级战役规划与详细的任务扩展分开，可以改善全局结构和局部故事讲述。这些发现表明，具有结构化中间表示的依赖感知提示管道是基于LLM的程序化内容生成的有效设计模式。这种方法也可以推广到其他需要对不断发展的上下文状态进行顺序推理的领域。

🔬 方法详解

问题定义：现有的大型语言模型在生成角色扮演游戏（RPG）内容时，难以保证生成内容的连贯性、可控性和结构一致性。尤其是在构建复杂、多层次的游戏世界时，容易出现叙事漂移和幻觉问题，导致生成的内容缺乏逻辑性和可玩性。

核心思路：论文的核心思路是将RPG内容生成过程分解为多个阶段，并在每个阶段之间建立明确的依赖关系。通过结构化的中间表示（JSON）来传递信息，确保每个阶段的生成都基于前一阶段的输出，从而保证整体叙事的连贯性和一致性。这种依赖驱动的方式可以有效控制生成过程，并减少幻觉的产生。

技术框架：该方法采用多阶段提示管道，包含以下主要模块/阶段： 1. 世界构建：生成游戏世界的背景、地理、历史等信息。 2. 非玩家角色（NPC）创建：生成NPC的角色设定、背景故事、性格特点等。 3. 玩家角色（PC）创建：生成玩家角色的背景故事、技能、属性等。 4. 战役级任务规划：生成战役级别的主线任务和支线任务。 5. 任务扩展：将战役级任务扩展为具体的任务流程、对话、场景等。 每个阶段都以JSON格式输出，并作为下一阶段的输入。

关键创新：最重要的技术创新点在于引入了依赖感知的提示管道，并使用结构化的中间表示来建模叙事依赖关系。与传统的单阶段生成方法相比，该方法能够更好地控制生成过程，保证生成内容的连贯性和一致性。此外，将高级战役规划与详细的任务扩展分离，可以改善全局结构和局部故事讲述。

关键设计：每个阶段的提示都经过精心设计，以确保生成的内容符合预期的格式和语义。JSON Schema被用来强制执行数据格式，确保数据在不同阶段之间的正确传递。此外，论文还采用了以人为中心的评估方法，通过人工评估来验证生成内容的质量和可玩性。具体的参数设置和损失函数等技术细节在论文中未详细描述，属于未知信息。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，该管道能够始终如一地生成逻辑合理且结构有效的RPG内容，且质量不会随着复杂性的增加而降低。通过人工评估，验证了生成内容的结构完整性、内部一致性、叙事连贯性、多样性和可操作性。将高级战役规划与详细的任务扩展分开，可以改善全局结构和局部故事讲述。

🎯 应用场景

该研究成果可应用于游戏开发、虚拟现实、教育娱乐等领域。通过程序化生成RPG游戏内容，可以降低游戏开发成本，提高游戏内容的多样性和可玩性。此外，该方法还可以应用于其他需要顺序推理和上下文状态管理的领域，例如故事创作、剧本生成等。

📄 摘要（原文）

Large Language Models (LLMs) have shown strong potential for narrative generation, but their use in complex, multi-layered role-playing game (RPG) worlds is still limited by issues of coherence, controllability, and structural consistency. This paper explores a dependency-aware, multi-stage prompt pipeline for procedural RPG content generation that models narrative dependencies through structured intermediate representations. The approach decomposes generation into sequential stages: world building, non-player character creation, player character creation, campaign-level quest planning, and quest expansion. Each stage conditions on structured JSON outputs from previous stages. By enforcing schemas and explicit data flow, the pipeline reduces narrative drift, limits hallucinations, and supports scalable creation of interconnected narrative elements. The system is evaluated qualitatively through human-centered analysis across multiple independent runs. Outputs are assessed using criteria such as structural completeness, internal consistency, narrative coherence, diversity, and actionability. Results show that the pipeline consistently generates logically sound and structurally valid RPG content, without quality degradation as complexity increases. Separating high-level campaign planning from detailed quest expansion improves both global structure and local storytelling. These findings suggest that dependency-aware prompt pipelines with structured intermediate representations are an effective design pattern for LLM-based procedural content generation. This approach may also generalize to other domains requiring sequential reasoning over evolving contextual states.