在游戏设计和文学创作中，虚构世界构建是基础性任务。大型语言模型（LLMs）为自动内容生成提供了新可能，但在世界构建中面临三大挑战：随着构建过程线性增长的上下文爆炸、创造性多样性与内容一致性之间的紧张关系，以及缺乏自动质量保证。本文提出了AutoWorldBuilder，这是一个多智能体协作系统，通过五个集成组件来解决这些挑战：
- 结构化概念网络：具备冲突检测功能；
- 基于DAG的混合批调度器：按语义局部性分组任务；
- 四层上下文压缩机制：实现约90%的令牌减少；
- 迭代审核系统：配备专门的审核代理，将提案通过率从42%提升至超过85%；
- 技能驱动的代理架构：支持零代码扩展，并具有差异化的温度配置。
在两项跨20个多样化世界构建任务的实验中，使用GPT-OSS 120B和DeepSeek v3.2作为LLM后端，成功率达95.0%。该系统在18-31分钟内生成56-103个自洽概念，并实现零冲突交付。这里验证的架构模式，包括层级预算压缩、语义局部性调度和生成与审核的分离，适用于更广泛的知识密集型多智能体LLM应用。
博主点评： 本文提出的AutoWorldBuilder系统通过创新的多智能体协作与上下文压缩技术，显著提高了虚构世界构建的效率与质量，展示了LLM在复杂任务中的巨大潜力，对未来的游戏设计和创作具有重要的参考价值。