AI-Native游戏开发(6)：叙事图自增长

0. 系列文章导航

3句话，AI给我生成了一个galgame
AI-Native游戏开发(1)：为什么选择图数据库
AI-Native游戏开发(2)：角色美术生产链
AI-Native游戏开发(3)：角色声音生产链
AI-Native游戏开发(4)：场景与BGM生产链
AI-Native游戏开发(5)：剧情台词生产链
AI-Native游戏开发(6)：叙事图自增长

1. 生产的反面是选题

前五篇的每一次生产，起点都是一个明确的任务：这个角色出立绘、这节剧本配音、这章发布。任务的来源大致两类：人工指定，或上游产物链的级联推导。这套机制运转良好，但它有个隐含前提——有人知道该做什么。

项目初期这不是问题：世界观刚建立，写什么都在视野内。随着叙事图增长，一个新问题浮现：世界观越大，人越记不住缺口在哪。某个配角建了人设却始终没有事件；某条信息埋了却从未被剧情利用；某两个角色共同经历了两件事却连关系边都没有——这些缺口没有任何一张待办清单记录，它们不是「没做的任务」，是「没想到的任务」。

传统创作里这个职能由作者的记性、大纲笔记和责编承担。AI Native 流水线里，我们让它由图的结构承担：缺口不在人脑里，在图的形状里——没有关系的节点、断裂的时间线、密度失衡的区域，本身就是可计算的信号。

这就是自增长的出发点：生产的输入不该只是人的灵感，还应该是图算出来的结构事实。

flowchart LR G[(知识图谱)] -->|只读| A[10 种图算法检查] A -->|结构化建议<br>每项含可执行语句| J[建议文件<br>按轮次归档] J -->|逐条人工审阅| V{采纳?} V -->|通过| W[单事务写回图库<br>失败整体回滚] V -->|驳回| N[仅记录留痕] W --> G N -.-> G

闭环五步：发现（图算法）→ 提议（结构化建议）→ 裁决（人工）→ 入库（幂等写回）→ 再发现（聚焦新一轮）。AI 全程没有直接写图权——这点先按下，第 3 节展开。

2. 给世界观做体检：十种检查

自增长工具的核心是一组图算法检查，每种针对一类结构性缺口。按性质分三组看：

时间性检查：世界的时间轴连续吗

• temporal_gaps（时间缺口）：扫描事件时间线上的大间隔。角色弧里的「叙事空白期」——Day 10 之后直接跳到 Day 17，中间七天这个人从世界上消失了？未必是错（可以刻意留白），但值得被点名让作者决定：是补桥接事件，还是确认留白是有意的。
• narrative_density（叙事密度）：按时间段统计事件密度，找过密与过稀的区间。过密处玩家疲劳，过稀处节奏塌陷——节奏问题在事件层就能预警，不用等剧本写完才察觉。

结构性检查：世界的关系网健康吗

• character_arcs（角色弧完整性）：每个角色的事件序列是否成弧——有起点、有发展、有着落。检出三种病态：从未出场（建了人设零事件）、中途消失（前紧后断）、弧线不闭环（发展了没收束）。
• implicit_relations（隐式关系）：两个角色共同参与了两个以上事件，却没有任何关系边——他们显然认识，图却不知道。这是最典型的「人看不出来、图一眼看穿」：共现统计跨越全库，人脑只记得最近写的那几场。
• event_chains（事件链断点）：没有因果或时序边连接的孤立事件。事件之间的关系若全靠时间戳隐含，剧情推进时就少了显式的「因为所以」可查。
• subgraph_connectivity（连接广度）：核心角色的事件数、地点数、关系数是否与其叙事地位相称。主角连接五六个地点、配角只窝在一个场景里，如果不是人设使然，就是世界还没长开。
• info_depth（信息深度）：Info 节点按「谁知道 / 玩家知道多少」分层，检查分层分布与孤立信息——一条埋下去从未被任何实体关联的 Info，等于没有埋。
• relationship_evolution（关系演化）：人物关系是否记录了随时间的变化。第 0 天的敌人和第 30 天的敌人如果只有一条静态关系边，后续剧情想吃「关系变化」的红利时就没有依据。

统计型检查：世界的承重分布

• scene_utilization（地点利用率）：各 Location 承载的事件数——过载的地点（什么事都发生在咖啡店）与空置的地点（建了场景没人去）。
• bridge_scenes（枢纽场景）：连接三条以上人物线的高价值场景——这些是天然的「多线交汇点」，后续剧情设计的高杠杆位置。

用序章的角色走两个例子。character_arcs 扫出场名单：陆择的弧在一章内收束（轻浮日常 → 车祸 → 任务悬置），结构上完整；但小夏只出现在咖啡店一个场景块里——如果长篇规划里她应该再现而图上再无事件，检查会标记「角色弧未展开」。一条建了人设却零事件的 Character，同样逃不掉这行报告——它比任何人的记性都可靠。info_depth 则可能捞出被遗忘的资产：伊芙交付的试炼规则（六个试炼、每个约三十天）是一条天然的 Info，它挂在夹缝事件上；假如后续章节的剧本从未引用它，一条埋了没用的设定线，检查让它重新可见。

十个检查里有个诚实的细节：统计型的两种（利用率、枢纽场景）通常不产出写库建议，它们的产出是「给你看看分布」的仪表信息。不是所有检查都要变成任务——有些检查的价值就是让人看一眼世界的形状。

还有一条范围上的自我约束贯穿十种检查：只看叙事基础层，不做语义判断。检查能发现「两个角色同场出演却没有任何关系边」，但不会建议「应该是什么关系」；能发现「这段 Info 没被任何事件关联」，但不会编一段利用它的剧情。原因和第 3 节的「理由只陈述事实」一致：结构分析是可靠的是因为它是纯图查询——数节点、数边、看间隔，零幻觉；一旦让它顺手生成内容，可靠性立刻降到生成水平，而生成，生产链里有专门的 skill 在更好的语境下做。体检工具只下诊断，不开药方——药方是人和生产链的事。

3. 建议与执行分离：AI 可以提议，入库必须过人眼

检查跑完之后的产物，是落盘的建议文件：一个 JSON 数组，每项包含——来自哪种检查、优先级、理由（发现了什么结构性事实）、建议内容（补什么事件 / 建什么边）、以及一段开箱可执行的图查询语句（采用幂等的「存在则更新、不存在则创建」写法）。

五个字段各司其职，值得逐个看一眼：

• 来源检查：这条建议从哪种算法来——审阅人可以按「我对这类检查的信任度」快速分拣（比如普遍更信任隐式关系这类硬统计，而对密度类建议多存一分怀疑）。
• 优先级：结构问题的严重度排序——角色弧断裂通常比场景利用率异常更紧急，但最终排序权在审阅人手里，这个字段只是默认顺序。
• 理由：只陈述图上的结构事实，不编故事。「角色 A 与角色 B 共同参与 2 个事件但无关系边」是事实；「因此应该补一条旧识关系」就越界了——后者是创作判断，属于人。理由字段的纪律是：机器只报告形状，不解释意图。
• 建议内容：人读的版本——补什么、连到哪。
• 可执行语句：机器的版本——采纳时原样执行。

理由与内容的分离，就是事实与判断的分离——这条纪律贯穿在整个自增长工具里，也是它和「让 AI 自主写剧情」的设想之间最本质的区别。

三个设计决定值得展开：

其一，自增长工具只读图、绝不写图。 它跑十种检查、读遍全库、产出建议，然后停手。写库的是人——在治理后台的叙事审批页里逐条审阅，点通过，那段语句才被单事务执行（任何一条失败，整体回滚）。这与第 1 篇「人工审批是现实验收闭环」首尾呼应：叙事基础层是整个世界的事实底座，对它的任何修改都必须过人的眼睛——AI 的角色是提案者，不是立法者。生产链上 AI 有写权（写的是产物与状态，有级联与审批兜底）；世界观层 AI 无写权（写的是「世界曾经发生什么」，错了没有状态机能救）。

其二，建议自带可执行语句，是流程效率的关键一招。 「补一条角色 A 与角色 B 的关系边」若只停在自然语言，人工执行时要自己翻 id、拼语句、防错——摩擦大到宁可不做。把「采纳」的成本压到一次确认，建议才真的会被采纳。AI 生成、人审核的模式里，降低人的裁决成本与提高 AI 的生成质量同样重要。

其三，落盘留痕，防重复、可审计。 每轮建议按日期与轮次归档；每条的审阅结论（通过/驳回）单独留痕，同一条建议不会被反复端上来。驳回的记录也是资产——它标记着「AI 觉得该补、人觉得不该补」的位置，攒多了就是校准检查策略的依据。

4. 聚焦与多轮：图越大，体检越要局部

一个立刻会出现的问题：图会一直长，检查结果会不会膨胀到不可读？

会——如果每次都全图体检。所以流程设计成聚焦 + 多轮迭代：每轮体检可以传入聚焦锚点（某个角色、某个实体），检查范围收窄到锚点的一两跳邻域；下一轮默认聚焦上一轮新入库的节点——刚补进来的事件、刚建的关系，立刻检查它们与既有世界的咬合度。

这个节奏很像医疗：全身体检一年一次，专项复诊随时做。新入库的节点是最需要复诊的——它们是 AI 建议经人采纳的产物，与作者手写的实体相比，更可能有「结构合格但语境突兀」的问题，聚焦复查把这类问题拦在早期。

拿序章演示聚焦的形状。以「陆择」为锚点的一跳邻域大致长这样：

graph LR CM((陆择)) --> E1[酒店醒来] CM --> E2[骤雨车祸] CM --> E3[夹缝试炼] E2 --> L1[马路路口] CM --> L2[酒店客房] CM --> R1[顾盈] CM -.->|同场却无关系边| R2[小夏] E3 -.-> I1[试炼规则·信息] style R2 stroke-dasharray: 5 5 style I1 stroke-dasharray: 5 5

虚线标出的是这个子图里的「可疑处」（示意，实际命中以图上数据为准）：与小夏同场出演却没有关系边（隐式关系检查的典型命中）；试炼规则这条信息只挂在夹缝事件上、未被后续引用（信息深度检查的典型命中）。聚焦一轮，产出的建议就围绕这几处，而不是全库的几百条。

于是轮次有了自然的推进逻辑：第一轮看全局 → 采纳一批建议 → 第二轮只看新增 → 再采纳 → 再聚焦。每轮的检查范围是上一轮行动的直接后果，迭代本身成了收敛过程——图每长一截，就体检一截，而不是攒到病入膏肓再大修。落到文件上，每轮建议按「日期 + 轮次 + 主题」归档，轮次号自动接续——回头看，这份归档就是世界观的生长日志：第几轮补了哪条线、驳回了什么，全都有据可查。

5. 与生产链的回路：拒绝产出的地方，就是自增长的方向

第 5 篇留了一个扣子：提纲 skill 在事件素材不足时拒绝产出，报告缺口清单。现在接上：那份缺口清单，就是自增长检查的现成目标。

两条链合起来是一个完整的心智模型：

	生产链的「拒绝产出」	自增长的「结构体检」
触发	推进剧情被素材卡住	主动例行 / 按需聚焦
视角	定点：这一节缺什么	全局：世界哪里空
缺口形态	精确、带语境（本节缺 X 与 Y 的冲突事件）	统计性、跨全库（两角色共现多次却无关系边）
方向	自下而上（需求倒逼补全）	自上而下（结构引导生长）
产出	缺口报告（不写图）	建议文件（过审后写图）

前者是需求驱动的定向补全，后者是结构驱动的全局体检；一个自下而上，一个自上而下，在叙事基础层会合。作者的工作流由此变得很轻：推进剧情 → 被拒绝 → 看缺口报告 → 跑一轮自增长（聚焦该角色）→ 审几条建议入库 → 重新推进剧情。「卡住」不再意味着翻设定文档找灵感，而是跑一次图体检。

还有一条入口侧的互补工具值得一提：叙事提取器——把新写的世界观文本（角色小传、事件纪要）离线解析成实体与关系批量导入。它与自增长构成叙事基础层的进出两口：提取器管「把人的创作搬进图」，自增长管「图长完之后找下一步」。两口都通向同一张图，也都受同一套审批约束（提取器产出的导入语句同样要人过目执行）。

6. 克制的边界：为什么只动基础层

十种检查全部限定在叙事基础层——Character、Event、Location、Info、Choice 与它们之间的关系边。美术链、声音链、剧情链的生产节点，一个都不碰。为什么？

因为产物链的缺口不需要图算法来找。第 1 篇讲过：status=0 的节点就是天然的任务清单——「这个角色还没出三视图」「这行台词还没配音」，调度系统每次查询都看得见，编排代理按依赖顺序自动认领。产物层的缺口是平面清单，状态机全权负责。

叙事层的缺口则完全是另一回事：它们没有状态（世界事实无进度可言），无法被「待办查询」发现，只能被结构分析发现——角色弧断没断、关系网密不密、时间线连不连。这些判断需要跨越几十个节点的全局视野，正是人脑的短板、图算法的长板。

所以分工是干净的：进度问题归状态机，结构问题归图算法。让图算法去查「哪个立绘没生成」是用牛刀杀鸡，还引入了第二套真相来源；让状态机去查「角色弧是否闭环」则根本不可能——状态机只见节点，不见网的形状。自增长工具的自我克制（不碰生产层）不是能力边界，是架构边界的自觉。

7. 系列终章：全景与诚实的账本

六篇写完，把整套架构摊开：

flowchart TD subgraph N["叙事图（世界本身·无状态）"] C[角色] --- E[事件] --- L[地点] C --- I[信息] E --- CHO[选择] end subgraph P["生产图（四条链·status + sync 级联）"] direction LR PA[角色美术链] PV[角色声音链] PS[场景与BGM链] PL[剧情配音链] end subgraph M["治理"] AP[人工审批中心<br>10→11] ED[编排代理调度] end RT[Godot 运行时<br>纯 JSON·零图依赖] GW[自增长<br>10 种检查+建议] N ==>|事件驱动需求| P P ==>|剧情反向回灌需求| P P -->|待审 10| AP AP -->|批准 11| P ED -->|按 status 调度| P P ==>|全章就绪·投影| RT GW -.->|只读+建议| N N -.->|人工采纳写回| N

最后交一本诚实的账——这套系统里，人不可替代的位置：美术审批（气质对不对）、音色采用（像不像这个人）、定稿审（这个角色会不会说这种话）、逐句听审（这句配得好不好）、叙事建议裁决（这条线该不该补）、BGM 挑选与归档、章节发布（对外交付的门）。数一数，全是判断密集型动作——它们共同的特点是无法写成规则、也无法训练出可靠的评估器，只能由品味负责。

以及被证明不划算、已被放弃或降级的自动化：图像识别自动验收（判不了气质）、音频指标自动验收（指标全绿≠听感合格）、BGM 全自动生成（人工两分钟优于自动两天）、立绘批量备货（库存是负债）、双引擎热备（音色不可迁移，备份是幻觉）、声学标签控情绪（模型不认私有约定）、结构化剧本单人机共用格式（人不用就是僵尸）。

这份账本反过来定义了这套流水线的真实形态：AI Native 不是「AI 做完一切」，而是把人留在判断力最贵的位置上，把其他一切交给可级联、可调度、可审计的图。知识图谱存世界，AI 做生产，自动规则做能做的验收，人做最终的裁决——六篇全部机制，都是这句话的注脚。

8. 展望：自动验收还欠什么

概念稿里「图像识别查发色、音频分析查削波」的自动验收愿景，本系列一路降级到了「点状存在、主体人工」。终章交代欠账与还账的条件：

• 图像侧：多模态模型判「图里有没有出现要求的眼镜 / 着装 / 无角色」已接近可用，可以预期先补上「硬性规格项」的自动预检（把明显不合格的拦在人工审批之前，省人的时间）——但「气质对不对」不在此列，那个位置永远是人。
• 音频侧：技术指标（削波、静音、时长）随时可加，但真正卡脖子的「情绪到没到位、音色像不像」仍无可靠判据。在有判据之前，宁可保持诚实的人工。
• 剧情侧：规则校验（时间冲突、地点矛盾、前置事件不满足）是图查询的天然领地，最有希望在自增长框架里长出来——十种检查已经覆盖了结构层，向一致性层延伸是自然路径；而且它与现有检查共享同一套「只读 + 建议 + 人工采纳」的骨架，新增一个检查种类的边际成本极低，这正是把自增长做成可扩展框架而非固定功能列表的回报。

自动化的还账顺序也由此清晰：先做「机器有唯一正确答案」的，后做「机器只有统计倾向」的，永远不做「只有品味知道答案」的。每还一笔账的验收标准也始终如一：它有没有真实减少人工的总时间——按这条标准，账本上每一次「放弃自动化」，都和每一次「新增自动化」一样，是这条流水线朝同一个方向的前进。

回到系列标题，那句话最终拆成了三个兑现了的承诺：知识图谱存世界（叙事图记「世界是什么」，生产图记「被做到哪了」；文件存产物，图存真相），AI 做生产（组装规格、调用生成、推进状态——按需、增量、幂等），人做判断（审批卡在错误传播半径最大的位置；AI 可以提议，入库必须过人眼）。而图算法体检让这套系统有了时间维度上的生命——发现 → 生成 → 验收 → 入库 → 再发现。AI 不再只是内容生成器，而是一个能看着自己参与构建的世界、说出「下一步该往哪里长」的系统。

世界在图里，游戏是它的投影。

系列完结。返回系列目录。