目录

一、项目简介

二、技术栈选择

三、技术学习

3.1 LangGraph

3.2 Prompt

四、系统功能

五、后续计划

---

一、项目简介

StoryEcho是一个基于大语言模型的沉浸式互动叙事平台，核心围绕“自由扮演、实时生成、多线结局”这三方面，构建文字冒险体验。与传统分支叙事游戏不同，StoryEcho不再依赖大量预设的剧情树，而是让大模型在每一轮交互中根据用户输入的行为意图，实时生成后续剧情。用户在平台中可以通过文字表达自己的行动想法，系统会判断行动是否合理、是否成功，并据此推动故事发展，最终导向不同的结局。

平台面向单人沉浸式体验场景，支持多题材故事（如科幻、武侠、悬疑等），并提供完整的角色属性、背包、人际关系、任务进度等状态追踪机制。通过将大模型的生成能力与传统状态机逻辑相结合，StoryEcho希望在“自由叙事”与“游戏规则”之间找到一个可行的平衡点，既能保留文字冒险的开放感，又能让玩家的每一次选择产生实质性的反馈。

二、技术栈选择

后端主要基于 Python 开发，使用 Flask 作为 Web 服务框架，负责处理前端请求、管理会话状态以及调用大模型接口。

核心叙事调度采用 LangGraph 框架，用于构建多智能体协作流程，其中包含意图解析、逻辑裁判、叙事导演等不同节点。每个节点承担明确职责，通过有向无环图进行状态传递，从而降低单一模型处理复合任务时可能出现的逻辑混乱问题。大模型方面，项目计划接入主流的通用大语言模型 API，用于生成剧情描述、对话内容以及解析用户输入意图。

前端采用 Vue 框架进行开发，配合响应式状态管理库，实现游戏化主视窗、属性面板、背包系统等组件的模块化封装。前后端通过 RESTful API 进行数据交互，支持异步请求与状态同步。

持久化层使用 SQLite 或类似轻量级数据库，用于存储用户账号、角色存档、结局记录等结构化数据，同时结合 LangGraph 自带的 Checkpointer 机制实现状态序列化与节点回溯。

三、技术学习

3.1 LangGraph

在 LangChain 框架中，链（Chain）作为一种基础构建单元，主要用于将多个语言模型调用与工具调用按照既定顺序进行组织。然而，当这一机制应用于复杂且动态的对话场景时，其链式结构逐渐显现出一定的局限性。首先，链通常采用线性执行模式，各步骤按照预定义顺序依次运行，这在需要动态路由或条件分支的对话流程中显得不够灵活。其次，在多轮交互过程中，状态管理往往依赖开发者手动维护与显式传递，不仅增加了实现复杂度，也容易引入状态不一致或逻辑错误。此外，尽管链支持外部工具调用，但在涉及多工具协同的场景下，其集成与调度方式仍不够直观，尤其是在需要根据上下文动态选择和切换工具时，链式结构难以提供清晰且可扩展的解决方案。

在这样的背景下，LangGraph 被引入作为对上述问题的改进方案。它以图（Graph）结构为核心，将应用逻辑组织为一个有向状态图，其中各个处理步骤被抽象为节点，执行路径通过边进行连接，从而能够自然地表达非线性流程。借助这种结构，开发者可以更直观地实现条件分支与动态路由，使复杂对话流程的构建更加灵活。在状态管理方面，LangGraph内置了统一的状态机制，可以自动维护多轮对话中的上下文信息，减少了手动传递状态的负担。在工具使用上，该框架支持将多个外部工具集成到统一流程中，并能够根据当前上下文动态选择和调用，从而提升系统的适应性与扩展能力。同时，LangGraph还提供了状态持久化能力，使对话过程可以被安全地暂停与恢复，适用于需要长时间运行的复杂任务。

在理解了LangGraph的基本设计思想之后，可以进一步从其几个核心概念入手。首先是State（状态），它是整个应用运行的基础载体，可以是一个简单的字典，也可以是一个Pydantic模型，用于统一存储用户输入、上下文信息以及模型在执行过程中产生的中间结果，可以理解为一个贯穿全流程的“数据中心”。其次是Node（节点），通常以Python函数的形式存在，每个节点负责对当前State进行处理并返回更新后的结果，对应流程中的一个具体步骤。最后是Edge（边），用于连接不同节点，并定义执行路径。除了常规的顺序连接外，LangGraph还支持基于条件的动态路由，使流程可以根据当前状态灵活变化。

在实际运行过程中，程序会先将用户输入及相关参数写入 State，并从起始节点 _start_ 开始执行。随后，State 会沿着预先定义好的 Edge 在不同 Node 之间流转。每经过一个节点，系统都会根据当前逻辑对 State 进行读取与更新，然后再传递给下一个节点，直到最终到达结束节点 _end_。整个执行过程可以理解为“State 在图结构中的一次流动”。

结合一个典型的 Agent + RAG 流程来看，这种图结构的优势会更加直观。在该流程中，系统首先在 agent 节点对用户问题进行初步判断，如果问题本身已经足够清晰，则可以直接生成答案并结束流程；如果问题较为模糊或信息不足，则会通过条件边进入 retrieve 节点，从外部知识库中检索相关信息。在检索之后，如果发现问题表达仍然不够准确，还可以进入 rewrite 节点对问题进行重写优化，然后再回到 agent 重新判断，从而形成一个迭代过程；如果检索结果已经足够支持回答，则进入 generate 节点生成最终答案，并结束流程。

需要注意的是，在这个过程中，不同节点之间并不是单一的线性关系，而是通过条件边实现动态分支。例如从 agent 出发，既可能直接结束，也可能进入检索流程；而 retrieve 之后也可能走向重写或直接生成答案。这种灵活的结构使得系统能够根据实际情况动态调整执行路径。不过，由于 agent、retrieve 和 rewrite 之间可能形成循环，在实际实现时通常需要设置最大迭代次数，以避免出现无限循环的问题。

通过这样的组织方式，LangGraph 可以将原本复杂的对话逻辑拆解为清晰的节点与路径，不仅提高了系统的可读性，也使得流程控制和功能扩展变得更加自然。

参考博客：langchain系列（六）- LangGraph入门以及介绍-CSDN博客

3.2 Prompt

在与大语言模型（LLM）进行交互时，输入给模型的文本通常被称为提示词（Prompt）。但 Prompt 并不仅仅是简单的一句话输入，而是一种用于引导模型思维与行为的工程化手段。通过精心设计的 Prompt，可以明确地向模型传达关键信息，包括其所扮演的角色（你是谁）、需要完成的任务（你要干什么）、解决问题的方式或步骤（你要怎么干），以及最终输出的形式与规范（你要输出成什么样）。因此，Prompt 本质上是一种对模型生成过程进行约束与引导的重要工具，在实际应用中直接影响结果的质量与可控性。

参考博客：什么是提示词（Prompt），提示词类型、结构解析 - 教程 - jzssuanfa - 博客园

                  一文搞懂prompt - 知乎

四、系统功能

StoryEcho 的功能围绕“账号与角色管理”、“剧情生成与交互”、“状态追踪与判定”、“存档与结局收集”四个主要方向展开。

在账号与角色管理方面，平台提供完整的用户注册与登录体系，每个账号下可以创建多个独立的故事存档，分别对应不同题材和初始身份。系统内置角色生成器，支持用户自定义角色姓名、基础属性与外貌特征，并在创建角色时根据所选故事题材动态生成一套包含初始数值、物品及世界观背景的初始状态。

在剧情生成与交互方面，平台内置多个题材的剧本资源池，每个题材由一套结构化配置文件定义。用户进入故事后，系统会根据当前剧情节点与角色状态，实时生成符合“五要素”（心理、动作、环境、对话、状态提示）的叙事文本，并提供多个具有实质性差异的行动选项。同时，用户也可以自由输入自己的行为意图，系统会尝试理解并转化为可执行的游戏指令。

在状态追踪与判定方面，系统维护一个高维度的角色状态向量，包括体力、心情、金钱等核心属性，背包中的物品列表，与多个NPC的好感度，以及主线和支线任务的进度。当用户做出某个行动时，逻辑裁判模块会结合当前属性与行动难度进行成功与否的判定，并将结果反馈给状态机进行数值更新，同时约束叙事导演生成的剧情内容。举例来说，如果角色敏捷度不足却尝试翻墙，系统会判定行动失败，并让叙事模型生成一段对应的失败剧情和后果。

在存档与结局收集方面，系统支持自动存档与手动存档，用户可以随时保存当前进度，并通过可视化的剧情分支图谱查看已走过的路径，支持回溯到之前的关键决策点重新尝试。每个故事均设计了多种结局，包括主线结局、支线结局、失败结局和隐藏结局。系统会自动记录用户达成的结局，并在结局画廊中展示收集进度。此外，平台还提供多周目继承机制，达成特定结局后，新创建的角色可以获得属性加成或解锁隐藏的起始身份，鼓励用户反复探索不同故事线。

五、后续计划

下周的重点是搭建完整的前后端框架。首先，我们将使用 FastAPI 构建后端服务，实现简单的会话。前端方面，我们将基于 Vue3 构建互动界面，包括故事选择页、主游戏窗口（叙事展示区、属性面板、背包和任务栏）以及行动输入区域。完成基础框架后，我们将把之前设计的规则引擎集成到后端中，让玩家能够真正通过文字指令推动剧情并获得状态反馈。这一阶段的目标是跑通完整的用户交互流程，为后续引入 LangGraph 和大模型能力奠定坚实的基础。