TL;DR
DraMaze — многоагентный конвейер для длинных серийных текстов. Он делает три вещи. Сначала перебирает варианты сюжета и отсеивает те, что повторяют уже использованные механизмы (способы продвинуть сюжет). Потом строит обратное дерево зависимостей: от финала назад, что должно случиться раньше, чтобы финал сработал. Перед каждой серией модель достаёт из памяти только то, что нужно целям этой серии, а не то, что просто похоже на текущую сцену.
Главная находка: чем дольше модель пишет, тем однообразнее становятся ходы. Герои и декорации меняются, а механизм тот же: недоразумение, потом разоблачение, потом примирение. Привычная борьба с забывчивостью через поиск по смыслу (RAG) делает хуже. Она подтягивает «похожие» прошлые эпизоды и подталкивает модель повторить уже найденное решение. При этом важное для будущего она теряет: в тесте нашлось лишь около четверти нужных подсобытий.
Выход авторов: хранить память не по смыслу, а по целям. Для каждого будущего поворота записано, что должно быть заложено заранее. Отдельный «журнал приёмов» (без имён и реквизитов) не даёт повторяться. Полностью воспроизвести систему можно только кодом, но принципы переносятся в чат и в инструкции агенту.
Схема метода
ШАГ 1: Идея + мир + герои → грубый план из 4 актов (завязка / развитие / кульминация / развязка) + ключевые «якоря»
ШАГ 2: Для каждого якоря → 4 варианта следующего события → оценка новизны против «журнала приёмов» → 2 лучших идут дальше; с вероятностью 25% добавляется «мутация» (пересборка причинных связей)
ШАГ 3: Выбор цепочки по формуле: 0,4 × связность + 0,3 × новизна + 0,3 × достижимость якоря → приёмы цепочки пишутся в журнал
ШАГ 4: Раскладка по сериям → план каждой серии
ШАГ 5: Обратное дерево зависимостей: финал → промежуточные цели → фундамент; каждая серия привязана к целям, которые она закладывает/двигает/закрывает
ШАГ 6 (на каждую серию): достать память по целям серии и их подцелям → спланировать сцены → написать → обновить память (события, улики, «ружья») и состояние мира (герои, отношения, активы)
Каждый шаг — отдельный запрос или отдельный агент. В одном промпте это не соберёшь.
Пример применения
Задача: Автор пишет вертикальный сериал на 40 серий для VK Видео: «Наследница сети пекарен из Казани возвращается домой после скандала в Москве». К 25-й серии у него обычно всё сводится к «подслушала разговор, всё поняла неправильно, поссорились, помирились». Нужно спланировать сюжет так, чтобы приёмы не повторялись.
Промпт (шаг планирования с журналом приёмов):
Ты — сценарный планировщик микродрамы на 40 серий. Мы планируем отрезок сюжета между двумя якорями.
Алина Хасанова, 29 лет, вернулась в Казань после провала стартапа. Её отец, владелец сети пекарен «Тандыр», при смерти и завещал бизнес не ей, а управляющему Ренату. Скрытая правда: Ренат годами выводил деньги, а отец об этом знал.
Якорь A (серия 8): Алина находит двойную бухгалтерию.
Якорь B (серия 16): Алина публично лишает Рената доверия акционеров.
Уже использованные механизмы (без имён и реквизитов):
1. Герой подслушивает чужой разговор и узнаёт секрет.
2. Герой подкупает исполнителя деньгами ради доступа.
3. Недоразумение между героями, разрешаемое признанием.
Сделай:
1. Предложи 4 варианта цепочки событий от якоря A к якорю B. Для каждого опиши схему: Причина → Метод → Результат → Реакция, без имён и реквизитов.
2. Оцени каждый по трём критериям от 0 до 10: связность (C), новизна относительно (N), достижимость якоря B (F). Итог: S = 0,4·C + 0,3·N + 0,3·F.
3. Выбери два лучших. Для лучшего сделай «мутацию»: перестрой причинные связи так, чтобы механизм стал другим, но якорь B сохранился.
4. Выбери финальную цепочку и добавь её механизмы в в обобщённом виде.
Результат: Модель выдаст четыре варианта цепочки со схемами «причина → метод → результат → реакция» и таблицу оценок с итоговым S. Затем покажет два отобранных варианта и один мутированный, а в конце обновлённый список механизмов. Подслушивание и подкуп скорее всего будут отсеяны низкой новизной.
Почему это работает
Слабость. Модель выбирает самое вероятное продолжение. Чем длиннее текст, тем сильнее она держится за уже найденные удачные ходы. Поиск по смыслу усиливает это: он приносит эпизоды, похожие на сейчас, а вместе с ними и старые способы выпутываться. Нужные «фундаментные» эпизоды (например, где героиня получила ключ от сейфа) на вид не похожи на текущую сцену и не находятся.
Сильная сторона. Модель хорошо раскладывает цель на предпосылки и хорошо сравнивает два события «по механизму», если убрать имена и реквизиты. Подкуп охранника деньгами и подкуп украшением для неё один и тот же приём.
Как метод это использует. Он явно сравнивает кандидатов с журналом приёмов, и новизна становится критерием отбора, а не надеждой. Дерево от финала назад превращает «что запомнить?» в «что нужно для будущей цели?». Память получает индекс по назначению, а не по сходству.
Рычаги управления: - Число вариантов (4) и сколько оставляешь (2) → меньше для короткого сериала, экономия запросов. - Вероятность мутации (25%) → в чате просто требуй мутацию на каждом шаге или через раз. - Веса оценки (0,4 / 0,3 / 0,3) → подними вес новизны, если сюжет предсказуем, вес связности, если распадается. - Журнал приёмов → чем обобщённее записи, тем лучше ловится повтор. Имена в журнал не пиши.
Шаблон промпта
Это адаптированная под чат версия шагов 2, 5 и 6. Авторы не публикуют готовые промпты в основном тексте, поэтому формулировки здесь мои, а структура и параметры взяты из статьи.
Ты — сценарный планировщик и редактор непрерывности для серийного проекта на {число_серий} серий.
{идея, мир, герои}
{финал истории}
Построй обратное дерево зависимостей от финала:
- Корень: финальный итог.
- Дети: промежуточные цели, без которых корень невозможен.
- Дети детей: фундаментные «закладки» (улики, знания, ресурсы, отношения).
Затем привяжи каждую серию к целям, которые она закладывает, двигает или закрывает. Формат: Серия N → [цели].
Якорь: {якорь}. Предыдущий сюжет: {предыдущие события}.
1. Предложи 4 варианта следующего события.
2. Для каждого запиши схему: Причина → Метод → Результат → Реакция (без имён, мест и реквизитов).
3. Сравни с , оцени: C (связность), N (новизна), F (достижимость якоря), 0–10.
4. S = 0,4·C + 0,3·N + 0,3·F. Оставь 2 лучших.
5. Сделай мутацию лучшего: перестрой причинные связи, сохрани якорь.
6. Выбери финальную цепочку, добавь её схемы в .
{журнал использованных приёмов}
Серия {N}, её цели: {цели из дерева}.
1. Достань из записи, привязанные к этим целям и к их подцелям (до 10 самых важных).
2. «Ружья» (foreshadowing) бери только по прямой привязке к целям серии.
3. Добавь : кто где, что знает, какие отношения, какие ресурсы.
4. Составь план сцен и напиши серию.
Из написанной серии выпиши ТОЛЬКО то, что важно для целей дерева:
- события и детали, улики, «ружья» (что должно выстрелить);
- для каждой записи: к каким целям привязана, чем полезна, важность 1–10.
Обнови по изменениям, закреплённым в серии.
{накопленные записи}
{состояние героев, отношений, активов}
Подставляй: число серий, идею и героев, финал, якоря (ключевые повороты), текущие журналы. Журналы (TropeMemory, NarrativeMemory, WorldState) ты копируешь из ответа модели в следующий запрос сам или держишь в одном файле.
🚀 Быстрый старт — вставь в чат:
Вот шаблон DraMaze. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про финал, ключевые повороты (якоря), героев и формат серий. Без финала нельзя построить обратное дерево, а без якорей нечего перебирать между поворотами. Она возьмёт паттерн из шаблона и подстроит его под твой проект: сериал, подкаст-сезон, рассылку.
Ограничения
⚠️ Многошаговый, ручной в чате: Метод держится на журналах, которые нужно переносить между запросами. Для 40–60 серий это много запросов. Полностью автоматизировать получится только скриптом или агентом.
⚠️ Нет готовых промптов в основном тексте: Приложения с промптами авторов в материале не приведены. Шаблон выше собран по описанию метода, а не скопирован.
⚠️ Оценка качества частично от самих авторов: Рецензенты — тоже LLM, а критерии авторы придумали вместе с профессионалами. Это показывает направление, но не заменяет живого читателя или зрителя.
⚠️ Узкая область проверки: Всё тестировали на микродрамах, собранных из книг. Для технических текстов, где повторение — норма, метод не нужен.
⚠️ Человек всё равно лучше: Память, подобранная вручную, давала меньше повторов, чем автоматическая. Метод сокращает разрыв, но не отменяет редактора.
⚠️ Цена: Четыре варианта на каждый якорь плюс оценка плюс обновление памяти после каждой серии. Это в разы больше запросов, чем «напиши сериал».
Как исследовали
Сначала авторы проверили, есть ли проблема вообще. Они взяли одну модель (Qwen3.6-27B), попросили написать сценарий на 40 серий и в контрольных точках 32 раза сэмплировали «следующее событие». Потом другая LLM сравнивала события попарно: один ли у них механизм продвижения сюжета? Из этого посчитали энтропию. Чем она ниже, тем меньше разных способов двигать сюжет у модели. Энтропия падала после 20-й серии, особенно к финалу. Поиск по смыслу (Dense RAG) и графовая память в стиле DOME не помогали: энтропия у них оставалась ниже, чем у простого «держим всю историю в контексте».
Затем авторы проверили, почему. Они взяли сценарий, написанный человеком, и дали серии 1–20 как историю, а синопсисы серий 21–30 как цели. Вручную отметили 27 исторических подсобытий, нужных для продолжения. Оба автоматических поиска нашли только 7, то есть 25,93%. Продолжения, написанные на их памяти, повторяли прошлые схемы «причина → метод → результат» в 23,30% (поиск по смыслу) и 16,67% (граф) случаев. На памяти, собранной человеком, повторов было 7,14%, а в оригинале сценария 5,56%.
Для проверки самого конвейера авторы создали бенчмарк MiDramaBench: идеи сюжетов на основе книг из открытого корпуса, длины на 20, 40 и 60 серий, по 30 входов на длину, английские и китайские версии. Оценка многоступенчатая: три независимых LLM-рецензента, аудитор, арбитр и отдельный «целостный» оценщик; итог усредняется. По таблице результатов видно, что у DraMaze выше логика сюжета и качество, а метрики однообразия лучше, чем у конкурентов. Таблица в тексте частично обрезана, поэтому точные цифры по абляциям здесь не приводятся.
Что удивило: «умная» память по смыслу не улучшает разнообразие, а ухудшает. Практический вывод: при работе с длинными проектами важнее спросить «что нужно для будущей цели?», чем «что похоже на сейчас?».
Адаптации и экстраполяции
🔧 Техника: журнал приёмов без имён → защита от штампов в любых сериях текстов
Для контент-плана на 60 постов, рассылки или подкаст-сезона заведи в системном промпте или файле инструкций правило:
Перед каждой новой единицей контента сверяйся с : список уже использованных структурных приёмов (например: «начать с личной истории → вывод → призыв»). Запрещено повторять приём из списка подряд. После публикации добавь в список обобщённый приём без конкретики темы.
Это экстраполяция принципа, а не метод из статьи: авторы тестировали только сценарии.
🔧 Техника: обратное дерево для длинной работы агента → меньше потерянных предпосылок
Для агента с длинной задачей (миграция проекта, большой отчёт) попроси составить в файле PLAN.md дерево «цель → что нужно для неё → что нужно для этого». После каждого шага запиши в NOTES.md только то, что связано с узлами дерева, и перед следующим шагом читай записи по текущему узлу и его подузлам.
Тоже экстраполяция: в статье принцип проверялся на сюжетах, а не на задачах агентов.
Ресурсы
- DraMaze: A Multi-Agent Pipeline with Future-Aware Memory for Diverse Microdrama Script Generation (препринт).
- Авторы: Siyang He, Qiqi Wang, Fan Liu, Yuncheng Huang, Pengfei Xu, Xi Chen, Ziwei He, Xipeng Qiu.
- Организации: Fudan University, Shanghai Innovation Institute, Solar System of OVB (Tencent), OpenMOSS.
- Упомянутые работы для сравнения: DOME (Wang et al., 2024), StoryWriter (Xia et al., 2025), Re3, DOC, RecurrentGPT, HoLLMwood.
- Бенчмарк: MiDramaBench (на основе PG-19).