R² 深度分析：核心设计洞察
1. 为什么用因果图而非扁平事件列表？
核心论点：因果关系维护了叙事连贯性，而扁平事件列表丢失了时序和逻辑依赖性。
- 扁平事件列表的问题：LLM 如果仅提取事件序列（“事件A发生→事件B发生→事件C发生”），无法捕捉”为什么B会发生”、“A对C有何影响”等关键信息。剧本创作的核心是因果驱动——角色的每一个决定都应有前因后果。
- 因果图的优势：通过有向边 和关系强度 ，图结构显式编码了”A导致B”的逻辑链。当 Rewriter 处理场景时，可以回溯因果链来确保角色行为的一致性。
- 实际影响：如果只是扁平提取，Rewriter 可能为两个本来有因果依赖的事件分配错误的时间顺序，破坏叙事张力。
2. 为什么选择贪心破环算法？
核心论点：LLM 幻觉产生虚假因果循环，Prim 变体优先保留高强度关系并通过可达性检查破环。
- 虚假循环的来源：LLM 在处理长文本时，可能将时间上反复出现的事件循环（如”争吵→和好→争吵”）误编码为因果循环（“A→B→A”）。这在图论上是无意义的——一个事件不能因果上导致自己的前提。
- Prim 变体的设计原理：
- 按 W（High > Medium > Low）排序 → 优先保留强因果关系
- 同强度按端点度之和升序→ 避免过度连接同一节点
- 可达性检查（终点 b 是否已可达起点 a）→ 精确阻断循环形成
- 为什么是”贪心”？ 每一步做局部最优选择（当前最强边），不保证全局最优生成树，但在实践中足够有效。代价是可能舍弃一些真实的弱因果边。
3. 为什么 HAR 必须同时集成到两个模块？
核心论点：幻觉会沿流程传播——Reader 的幻觉 → 错误的图 → Rewriter 的幻觉 → 错误的剧本。迭代优化必须在每个阶段打破传播链。
- 传播放大效应：
Reader 幻觉 → 错误因果边 → 因果图偏差 ↓ Rewriter 基于偏差图生成场景大纲 → 大纲幻觉 ↓ 基于偏差大纲写剧本 → 最终剧本深度偏离原作 - 仅在输出端做 HAR 不够：如果只在 Rewriter 最终剧本上做纠正，上游的错误因果结构仍然扭曲了整个改写过程，纠正成本极高且可能无法回溯到根因。
- 双重 HAR 的效果：
- Reader 阶段 HAR：过滤虚假事件、纠正因果关系方向、补充缺失因果边
- Rewriter 阶段 HAR：检查场景一致性、角色对话前后矛盾、舞台指导逻辑冲突
- 这是一种 阶段门控（stage-gating） 策略，每一阶段输出都经过质量校验再流入下一阶段。
4. 为什么需要滑动窗口？
核心论点：长篇小说远超单次 LLM 上下文限制；滑动窗口配合 CPC 从局部读取构建全局因果结构。
- 上下文限制的现实约束：即使最先进的 LLM（如 GPT-4o 128K），对于动辄数十万字的长篇小说仍然不够。且上下文越长，LLM 注意力越分散，提取质量下降。
- 滑动窗口的设计：将小说按固定长度窗口分段，每个窗口独立提取事件和局部因果关系。CPC 模块负责跨窗口的事件对齐和因果关系全局合并。
- 跨窗口对齐的挑战：同一角色可能在多个窗口出现，CPC 需要识别”窗口i的事件A”和”窗口j的事件A‘“是否指向同一事件。这依赖事件属性的相似度匹配（地点、时间、参与者）。
- 信息损失：滑动窗口的天然代价——窗口边界可能切割紧密关联的事件对，CPC 无法恢复被边界切断的因果边。
5. 局限性与未解决问题
方法局限性
| 局限 | 描述 | 影响 |
|---|---|---|
| 模型依赖性 | 仅在 GPT-4o 上测试，未验证在其他 LLM 上的泛化性 | 换用其他模型可能需要调整 HAR 的幻觉检测模式 |
| 强度标注质量 | CPC 依赖高质量的 W 标注（High/Medium/Low），标注本身可能不准确 | 强度误标会直接导致破环算法删除真实因果边或保留虚假边 |
| 贪心破环非最优 | 贪心策略不保证全局最优生成树，可能舍弃真实弱因果边 | 某些微妙的情节依赖可能在破环中丢失 |
| 滑动窗口边界效应 | 窗口切割可能断开跨越窗口边界的关键因果对 | 某些长程因果链可能不完整 |
未解决的问题
- 多视角叙事：小说常有多条平行故事线，当前因果图是单图结构，难以表达不同视角/时间线的平行因果
- 角色内心世界的表示：剧本需要大量独白和内心戏，但因果图只编码外部事件关系
- 风格迁移：不同导演/编剧风格对同一小说的改编差异巨大，R² 未涉及风格控制
- 评估局限性：仅使用 GPT-4o 成对比较，缺乏大规模人工评估和长期叙事质量指标