302 篇故事生成研究读下来，长篇为什么还是崩

中文网文圈谈 AI 写长篇，多是从「我踩了什么坑」出发。海外的研究界走的是另一条路：发论文。GitHub 上有一份索引，把 2022 年至今的故事生成研究收了 302 篇，按方法分成 10 类，逐条核验过链接。

把这份索引的分类数一遍，能看到几件在中文圈子里很少被说清的事。

一、先看篇数分布：重心在哪，一目了然

三件事值得留意。

第一件：评测类 79 篇，排第一。 这个数字本身就是结论——「怎么判断一个故事好不好」，比「怎么生成一个好故事」更没解决。研究界花了最多的力气去定义「什么算好」，说明这件事至今没有共识。

第二件：多模态 66 篇。 文生图、文生视频、漫画、音频——当下最热的主战场不在「写文字」，在「把文字变成别的形态」。这对中文作者其实是个信号：网文改编成漫剧、短剧、有声书，正是这波研究最密集的方向。

第三件：「按计划分解」只有 22 篇。 但它是几乎所有可用方案的底层。这一类的核心思路，跟中文网文圈的「章节卡」「细纲」是同一件事——先规划，再生成。

二、最大的坑：自动通过不等于写得好

海外做得最实在的一份，是 Meta 研究团队的一个开源实现（DOC Story Generation V2）。它的方法归结成一句话：

先写「详细大纲」，再按大纲逐段生成。

这个思路跟中文圈「先出章节卡、再写正文」完全一致。一个出自学术、一个出自实战，两边的答案撞在了一起——这通常说明这个约束是真正必要的，不是因为谁的习惯。

但真正值得抄的不是方法，是它的诚实。

另一个项目用同样的路子做了一整套命令行写作程序（用 Neo4j 知识图谱记人物与事件，用 LangGraph 存检查点，可中断续写）。作者在说明里主动交代了实测结果：

修复后的流程实测完成了一个两章八场的项目，约 6700 字。AI 审查这份稿子，仍然发现了重复、时间线错误和算术错误，以及对前提的遵循不完整。自动接受不等于编辑认可。

这段话比任何宣传都有价值。它说明：再严谨的流程，也只能帮你把「低级错误」拦在门外，拦不住「写得平庸」。 流程能保证不崩，保证不了好看——这两件事必须分清楚。指望靠流程解决「不好看」，方向就错了。

三、另一条路：把记忆做成「可检查的运行」

前面那个程序还有一句自述值得看：

它不是一次性提示词的包装。

它给自己的卖点是「可检查的运行」（inspectable runs）——生成的每一步都能回看、能改，而不是丢给你一段文字了事。

这个点戳中了很多工具的软肋：大部分 AI 写作工具是黑箱。你给它设定，它给你一章；这一章为什么这么写、哪一步偏了、改哪里能救，你无从下手。而「可检查」意味着：每一步都留痕，每一次生成都可追溯。

对一个真写长篇的人来说，这个特性和「写得多好」同等重要。因为长篇写到五十万字，你需要的不是「再生成一章」，是「上一章为什么崩了，我该回滚到哪一步」。

四、研究界的三条可用结论

抛开论文，能直接拿来用的有这三条：

一、计划分解是共识，但粒度更重要。 都同意「先规划后生成」，分歧在规划多细。研究里被验证有效的做法是「详细大纲」——细到每一场戏的目标，而不只是「第三章：主角进城」。粒度越细，生成时跑偏越少。

二、一致性是硬骨头，且是分类里最集中的一批。 29 篇专门研究「一致性 / 可控性 / 约束遵循」。什么意思？让模型「写得像那么回事」不难，让它「始终记得自己写过什么」很难。

三、评价是最没解决的问题。 79 篇研究在纠结怎么打分。给你一个实际建议：别信单一指标。句长、词频、AI 检测分数，任何一项单独看都会骗你——这一点本站另一篇《这些「AI 味」其实不是 AI 味》里有实测数据。

五、还有一件事，研究没替你做

翻完这 302 篇，最该记住的不是任何一篇的结论，而是一个事实：

这些研究做的都是「通用故事生成」——把故事当成一个可以自动生成的对象。 而网文是另一回事。网文的节奏、爽点、追读，是平台数据沉淀出来的经验，不在论文的研究范围内。

所以海外研究能给你的，是工程层面的方法（怎么存状态、怎么控一致性、怎么设计检查点）；给不了你网文层面的判断（这段够不够吸引人、这一章该不该收）。

两边都得用，但别指望一边顶两边。