method

R² 方法详解：从小说到剧本的完整流程

1. 问题形式化定义

输入：长篇小说 $N$（原始文本，可达数十万字）

输出：剧本 $S$，包含：

• 场景描述（时间、地点、氛围）
• 角色对话（含语气和行为标注）
• 舞台指导（动作、走位、道具）

核心转换： $S=\text{R²}(N)=\text{Rewriter}(\text{Reader}(N))$

其中 Reader 将小说转化为因果情节图，Rewriter 将该图转化为剧本。

2. Reader 模块：从小说到因果图

2.1 滑动窗口分段

小说 N → [窗口1] [窗口2] [窗口3] ... [窗口k]

• 固定窗口大小（适应 LLM 上下文限制，如 ~64K tokens）
• 相邻窗口有重叠区（防止边界切割关键事件）
• 每个窗口独立送入 LLM 进行事件提取

2.2 每窗口事件提取

对每个窗口，LLM 提取：

• 事件实体：⟨地点+时间, 背景描述, 具体事件描述⟩
• 局部因果关系：窗口内事件间的因果方向
• 初始关系强度：High / Medium / Low

2.3 CPC：因果情节图构建

跨窗口事件对齐：

• 通过事件属性（地点、时间、参与者、描述语义相似度）匹配
• 将同一事件的多次出现合并为图中的一个节点 $e\in E$

全局因果图构建：

$G=⟨E,D,W⟩$

元素	含义	示例
$E$	事件节点集合	主角发现秘密、反派设计陷阱
$D$	有向因果边集合	发现秘密 → 产生恐惧 → 求助朋友
$W$	边强度	High: 直接导致; Medium: 部分影响; Low: 弱关联

2.4 贪心破环算法（Prim 变体）

动机：LLM 提取的原始图通常包含：

• 虚假循环（A→B→C→A，图上不可能作为因果图存在）
• 大量 Low 强度的幻觉边

算法步骤：

输入: 原始有向图 G = ⟨E, D, W⟩
输出: 无环因果图 G' = ⟨E, F⟩，其中 F ⊆ D

1. 排序 D: 按 W 降序（High → Medium → Low），同强度按端点度之和升序
2. 初始化 F ← ∅，维护每个节点的可达集合 R(v)
3. For each (a → b, w) in 排序后的 D:
      If b ∈ R(a):   // b 已通过已选边可从 a 到达
         跳过（加入此边会形成环）
      Else:
         将 (a → b) 加入 F
         更新所有相关节点的可达集合
4. Return G' = ⟨E, F⟩

设计直觉：

• 优先级保证：最强因果链优先保留
• 可达性检查：精确阻断所有可能的循环路径
• 贪心而非最优：每一步局部最优，最终 DAG 可能不是最大权重生成树，但在实践中保持了关键因果结构

3. Rewriter 模块：从因果图到剧本

3.1 图→场景大纲

从因果图 $G^{\prime }$ 中提取场景结构：

1. 关键事件聚类：将时间/地点相近的事件聚为一个场景
2. 场景序列化：沿因果图的拓扑序排列场景（前因→后果）
3. 大纲生成：每个场景包含：
   • 场景头（内景/外景、地点、时间）
   • 关键事件摘要
   • 角色对话方向（需传达的信息和情感）
   • 与前后场景的因果衔接提示

3.2 大纲→完整剧本

对每个场景大纲，LLM 展开为完整剧本段落：

场景描述：环境氛围、视觉要素、场景基调

角色对话：

• 每个角色对话前标注角色名
• 对话中嵌入语气说明（括号内）
• 对话推进情节（对应因果图中的因果边）

舞台指导：

• 角色动作和走位（斜体/括号标注）
• 道具使用和场景切换
• 情感节奏控制（紧张→舒缓→高潮）

4. HAR：贯穿全程的幻觉优化

4.1 幻觉类型检测

HAR 检测三类典型幻觉：

幻觉类型	表现	检测方法
不一致 (Inconsistency)	同一角色在两个场景中的行为/动机矛盾	跨场景语义一致性检查
矛盾 (Contradiction)	剧本内容与小说事实冲突	小说原文回溯验证
缺失因果 (Missing Causality)	事件跳跃，前因未解释就出现后果	因果图完整性检查

4.2 迭代优化流程

LLM 生成输出
     ↓
HAR 检测 → 发现幻觉? 
     ↓ 是
生成反馈提示（具体幻觉位置+类型+修正建议）
     ↓
LLM 根据反馈重新生成
     ↓
HAR 再检测 → 最多迭代 K 轮，取最佳输出

4.3 双重部署位置

Reader 阶段:
  事件提取输出 → HAR → 清洗后的事件集
  CPC 建图输出 → HAR → 无环因果图 G'

Rewriter 阶段:
  场景大纲输出 → HAR → 清洗后的大纲
  完整剧本输出 → HAR → 最终剧本 S

每一步都经过 HAR 把关，阻断幻觉的流水线传播。

5. 完整流水线（Mermaid 图）

graph TD
    N[📖 长篇小说 N] --> SW[🔍 滑动窗口分段]
    
    subgraph Reader[📚 Reader 模块]
        SW --> W1[窗口1 事件提取]
        SW --> W2[窗口2 事件提取]
        SW --> W3[窗口... 事件提取]
        W1 --> HAR1[🛡️ HAR 检测]
        W2 --> HAR1
        W3 --> HAR1
        HAR1 --> |清洗后事件| CPC[🔗 CPC 因果图构建]
        CPC --> |原始图| GCB[✂️ 贪心破环算法]
        GCB --> |排序: W降序| PRIM[Prim 变体选择]
        PRIM --> |可达性检查| HARG[🛡️ HAR 图验证]
    end
    
    subgraph Rewriter[✍️ Rewriter 模块]
        HARG --> |无环因果图 G'| SCENE[🎬 场景聚类 + 拓扑排序]
        SCENE --> OUTLINE[📋 场景大纲生成]
        OUTLINE --> HARO[🛡️ HAR 大纲验证]
        HARO --> DIALOG[💬 对话 + 舞台指导生成]
        DIALOG --> HARF[🛡️ HAR 最终验证]
    end
    
    HARF --> S[🎭 完整剧本 S]
    
    style N fill:#e1f5fe
    style S fill:#c8e6c9
    style HAR1 fill:#ffcdd2
    style HARG fill:#ffcdd2
    style HARO fill:#ffcdd2
    style HARF fill:#ffcdd2
    style GCB fill:#fff9c4

6. 关键技术参数

参数	建议值	作用
滑动窗口大小	~64K tokens	匹配 LLM 上下文限制
窗口重叠比例	10-20%	减少边界切割损失
HAR 最大迭代轮数 K	3-5	平衡质量与推理成本
事件相似度匹配阈值	可调	跨窗口事件对齐的精确度

相关笔记

• summary
• insights