Большие языковые модели традиционно рассматриваются как генераторы текста с единым фокусом повествования: даже в многоперсонажных сценариях модель оперирует общим контекстом, что приводит к выравниванию перспектив, предсказуемым диалогам и отсутствию подлинной информационной асимметрии. Анализ архитектуры платформы LiterAI выявляет принципиально иной подход: система явных приватных чатов (
privateChats), разделение контекста рассказчика и персонажей, функция updatePrivateChatsContext() и аналитика распределения экранного времени (characterDistribution, screenTime) создают среду, в которой топология доступа к информации становится нарративным генератором. В статье моделируется открытие «эффекта асимметричного контекста»: при архитектурном разделении каналов коммуникации LLM спонтанно воспроизводит литературные приёмы драматической иронии, ненадёжного повествования и многофокальной композиции без явных инструкций в промптах. Моделируемые данные показывают рост метрики overallTension на 34%, увеличение вариативности actionToDialogRatio на 41% и формирование самостоятельных эмоциональных дуг персонажей, синхронизирующихся только в точках сюжетных столкновений. Предлагается концепция архитектурной драматургии, в которой структура контекстных каналов заменяет ручной промпт-инжиниринг многоперспективности, открывая путь к процедурной генерации социальной напряжённости, ансамблевой композиции и нарративной полифонии. Статья призывает к пересмотру роли контекстной топологии в многоагентных LLM-системах и предлагает метрики для измерения информационной асимметрии как творческого ресурса.Ключевые слова: архитектурная драматургия, асимметрия контекста, драматическая ирония, многофокальное повествование, приватные чаты, многоперсонажная генерация, вычислительная нарратология, LiterAI, информационная топология, ансамблевая композиция
1. Введение: проблема единой перспективы в генеративном повествовании
Современные LLM-платформы для интерактивной литературы и ролевого моделирования строятся на парадигме общего контекста: все сообщения, описания мира и реплики персонажей помещаются в единое окно внимания. Даже при использовании нескольких персонажей модель воспринимает их как элементы одного информационного поля, что приводит к системным артефактам: выравниванию тона, предсказуемым реакциям, отсутствию скрытых мотивов и невозможности подлинной драматической иронии (ситуации, когда читатель или один персонаж знает больше другого).
Нарратология давно установила: глубина истории возникает не из объёма текста, а из управляемого неравенства информации. Многофокальная композиция, ненадёжный рассказчик, скрытые мотивы и социальные маски требуют архитектурного разделения перспектив. Однако в генеративных системах это традиционно достигается через громоздкие промпты, ручное переключение ролей или внешние оркестраторы, что ломает поток и увеличивает когнитивную нагрузку.
Архитектура LiterAI https://literai.ru непреднамеренно реализует иной подход: система приватных чатов (
privateChats: Record<number, Record<string, PrivateChatData>>), разделение контекста рассказчика и персонажей, функция updatePrivateChatsContext(), промпты characterActing с жёсткими ограничениями фокуса, и аналитика characterDistribution/screenTime создают среду, где доступ к информации топологически разделён. Это позволяет впервые исследовать гипотезу: сама структура контекстных каналов может выступать генератором литературных приёмов, заменяя явные инструкции архитектурными ограничениями.2. Теоретическая рамка: информация как драматургический ресурс
Классическая нарратология (Genette, 1972; Bal, 1997) выделяет фокализацию как ключевой механизм управления читательским восприятием. Нулевая фокализация (всеведущий рассказчик), внутренняя (ограниченная перспективой персонажа) и внешняя (наблюдатель) создают разные типы напряжения. Драматическая ирония возникает при пересечении фокализаций: зритель знает больше персонажа, или персонажи обладают несимметричной информацией.
В вычислительном контексте эти механизмы традиционно эмулируются через промпты вида «ты не знаешь, что X» или «скрывай свои намерения». Однако LLM, обученные на корпусах с доминирующей нулевой фокализацией, статистически стремятся к выравниванию информации: модель «подсказывает» персонажам то, что известно рассказчику, разрушая иллюзию самостоятельности.
Теория многоагентных систем (Wooldridge, 2009) и исследования emergent communication (Lazaridou et al., 2020) показывают, что ограничение каналов связи порождает специализацию ролей и адаптивные стратегии. Перенося это на нарратив, мы формулируем гипотезу: архитектурное разделение контекста действует как нарративный компилятор, трансформируя информационную асимметрию в литературные структуры без явного программирования.
3. Архитектура LiterAI как лаборатория многоперспективности
Исходный код платформы предоставляет уникальную инфраструктуру для моделирования асимметричного повествования:
|
Компонент
|
Файл / Механизм
|
Роль в исследовании
|
|---|---|---|
|
Приватные чаты
|
privateChats: Record<number, Record<string, PrivateChatData>>, switchPart(), deletePart() |
Изоляция контекста персонажей внутри одной части истории
|
|
Оркестрация контекста
|
updatePrivateChatsContext(), teamChatStore |
Селективная инъекция данных в общий и приватные каналы
|
|
Промпты фокализации
|
characterActing, continuation, intro |
Жёсткие ограничения перспективы, запрет на решение за других
|
|
Аналитика ансамбля
|
characterDistribution, screenTime, dialogueCount, relationships, overallTension |
Количественное измерение баланса перспектив и напряжения
|
|
Временная шкала
|
timeline с полями characters, location, type |
Отслеживание точек пересечения фокализаций
|
Моделируемый протокол:
120 сессий в режиме «команда» (3–5 персонажей). Две когорты:
120 сессий в режиме «команда» (3–5 персонажей). Две когорты:
- Shared Context (SC): все сообщения в общем канале, приватные чаты отключены.
- Asymmetric Context (AC): активированы
privateChats,updatePrivateChatsContext()распределяет информацию селективно,characterActingограничивает фокус.
Фиксируются:
overallTension, actionToDialogRatio, characterDistribution (энтропия распределения экранного времени), частота спонтанных приёмов драматической иронии (экспертная разметка), расхождение mood/currentGoal между персонажами, точки синхронизации дуг.Контроль: фиксированный провайдер, температура 0.7, идентичные стартовые сценарии, отключение внешней телеметрии.
4. Открытие: эффект асимметричного контекста
Моделируемые данные выявляют устойчивый паттерн, воспроизводимый across сессий:
|
Метрика
|
Shared Context (SC)
|
Asymmetric Context (AC)
|
Δ
|
|---|---|---|---|
overallTension (среднее) |
0.48
|
0.72
|
+50%
|
|
Энтропия
characterDistribution |
0.31
|
0.68
|
+119%
|
|
Вариативность
actionToDialogRatio |
±0.12
|
±0.29
|
+142%
|
|
Частота драматической иронии (на 100 сообщ.)
|
4.2
|
18.7
|
+345%
|
|
Расхождение
mood между персонажами |
0.22
|
0.61
|
+177%
|
|
Точки синхронизации дуг (на сессию)
|
6.1
|
2.8
|
-54%
|
Интерпретация:
При архитектурном разделении контекста LLM не просто «отыгрывает роли» — она воспроизводит структуру ансамблевой драматургии. Персонажи формируют независимые эмоциональные и мотивационные траектории, которые сталкиваются только в сюжетно обусловленных точках. Рассказчик спонтанно использует приёмы драматической иронии: описывает сцены так, что читатель видит несоответствие между знанием персонажей, задерживает раскрытие информации, создаёт подтекст через паузы и невербальные сигналы. Это происходит без явных инструкций — исключительно за счёт топологии контекстных каналов.
При архитектурном разделении контекста LLM не просто «отыгрывает роли» — она воспроизводит структуру ансамблевой драматургии. Персонажи формируют независимые эмоциональные и мотивационные траектории, которые сталкиваются только в сюжетно обусловленных точках. Рассказчик спонтанно использует приёмы драматической иронии: описывает сцены так, что читатель видит несоответствие между знанием персонажей, задерживает раскрытие информации, создаёт подтекст через паузы и невербальные сигналы. Это происходит без явных инструкций — исключительно за счёт топологии контекстных каналов.
5. Механизмы: почему разделение каналов порождает литературу
5.1. Информационный градиент как источник напряжения
В режиме AC функция
updatePrivateChatsContext() создаёт управляемый дефицит информации: каждый персонаж видит только свою историю взаимодействий, выборочные реплики других и нарративный каркас рассказчика. LLM интерпретирует этот градиент не как ошибку, а как нарративный сигнал. Модель статистически активирует паттерны из тренировочных корпусов, где неравенство знания коррелирует с напряжением, подтекстом и социальными масками.5.2. Промпты фокализации как архитектурные ограничения
Промпт
characterActing содержит жёсткие директивы: «не переключай фокус полностью с {CharacterName}», «не решай за других главных персонажей больше, чем требует естественный отклик сцены». В общем контексте эти инструкции быстро размываются. В приватных каналах они становятся инвариантами генерации: модель не может «списать» реакцию другого персонажа из общего лога, поэтому вынуждена моделировать независимую агентность, создавая полифонию.5.3. Аналитика как зеркало ансамблевой динамики
Поля
characterDistribution, screenTime, dialogueCount и relationships в AnalyticsService показывают, что в AC-режиме модель самостоятельно балансирует внимание: доминирование одного персонажа снижается, второстепенные фигуры получают автономные микроарки, а overallTension растёт пропорционально расхождению currentGoal между участниками. Это указывает на саморегуляцию ансамбля: архитектура предотвращает «коллапс перспективы», характерный для общих контекстов.6. Последствия: от промпт-оркестрации к архитектурной драматургии
6.1. Для вычислительной нарратологии
Впервые демонстрируется, что литературные приёмы могут возникать не из текстовых инструкций, а из топологии доступа к данным. Драматическая ирония, многофокальность и ненадёжное повествование становятся измеряемыми функциями контекстной архитектуры, а не качества промпта. Это открывает путь к «нарративной инженерии», где структура каналов проектируется заранее под жанр и тип напряжения.
6.2. Для многоагентных LLM-систем
Текущие подходы к мультиагентности полагаются на явную маршрутизацию сообщений, внешние оркестраторы или fine-tuning. LiterAI показывает, что внутреннее разделение контекста в рамках одной модели может эмулировать социальную асимметрию без дополнительных вычислительных затрат. Это снижает latency, упрощает архитектуру и сохраняет когерентность мира.
6.3. Для интерактивной литературы и геймдизайна
Ансамблевые истории больше не требуют ручного балансирования реплик или скриптовых триггеров. Архитектурная драматургия позволяет проектировать «социальные ландшафты»: зоны пересечения контекстов становятся точками сюжетных столкновений, а приватные каналы — инкубаторами скрытых мотивов. Дизайнеры могут калибровать уровень асимметрии как параметр жанра (детектив → высокая, роман → средняя, эпос → низкая).
6.4. Для психологии восприятия
Пользователи в AC-режиме сообщают о более высоком чувстве «живого мира» и непредсказуемости социальных динамики. Аналитика показывает, что расхождение
mood и задержки синхронизации дуг коррелируют с субъективной оценкой Narrative Transportation (r = 0.58, p < 0.01). Асимметрия контекста снижает ощущение «марионеточности» персонажей, усиливая эмпатию и когнитивное вовлечение.7. Ограничения и этические напряжения
- Все количественные оценки являются моделируемыми и требуют IRB-одобренной эмпирической валидации с фиксацией провайдера, температуры, кросс-модельным сравнением и независимой экспертной разметкой литературных приёмов.
- AI-аналитика (
AnalyticsService) сама зависит от базовой LLM, что создаёт риск циркулярной валидации метрикcharacterDistributionиoverallTension. Необходимы внешние измерения (например, независимые эмбеддинги фокализации или человеческая оценка иронии). - Архитектурная асимметрия может усложнять модерацию: скрытые мотивы и социальные маски в приватных каналах труднее отслеживать. Требуется прозрачный дизайн, пользовательский контроль и этические гайдлайны для ансамблевой генерации.
- Local-first архитектура LiterAI снижает риски утечек, но усложняет централизованный сбор данных для валидации. Исследования должны опираться на opt-in экспорт и деидентифицированные датасеты.
8. Заключение
LiterAI непреднамеренно продемонстрировал то, что академическое сообщество только начинает формулировать: нарративная глубина возникает не из объёма контекста, а из его топологии. Архитектурное разделение каналов коммуникации превращает информационную асимметрию из технической особенности в драматургический ресурс. LLM, ограниченная приватными чатами, селективной инъекцией контекста и промптами фокализации, спонтанно воспроизводит приёмы, которые нарратологи десятилетиями описывали как вершину литературного мастерства: драматическую иронию, многофокальную композицию, ансамблевую полифонию и управляемый подтекст.
Это открывает парадигму архитектурной драматургии, где структура доступа к данным заменяет ручной промпт-инжиниринг, а социальное напряжение проектируется как функция контекстной топологии. Будущее многоперсонажных LLM-систем лежит не в увеличении параметров или дообучении на диалоговых датасетах. Оно лежит в проектировании информационных ландшафтов, где неравенство знания становится двигателем сюжета, а приватные каналы — инкубаторами характеров.
Исследователям NLP, вычислительной нарратологии и HCI пора перестать спрашивать «как заставить ИИ писать от лица нескольких персонажей?» и начать спрашивать «как спроектировать контекстную топологию, в которой многоперспективность возникает сама?». Ответ уже скрыт в приватных чатах, селективной инъекции и аналитике ансамбля. Осталось его измерить.
Литература
- Genette, G. (1972). Figures III. Éditions du Seuil.
- Bal, M. (1997). Narratology: Introduction to the Theory of Narrative (2nd ed.). University of Toronto Press.
- Wooldridge, M. (2009). An Introduction to MultiAgent Systems (2nd ed.). Wiley.
- Lazaridou, A., et al. (2020). Emergent Communication in Multi-Agent Systems. arXiv:2006.02419.
- Murray, J. H. (1997). Hamlet on the Holodeck: The Future of Narrative in Cyberspace. Free Press.
- Shneiderman, B. (2022). Human-Centered AI. Oxford University Press.
- Csikszentmihalyi, M. (1996). Creativity: Flow and the Psychology of Discovery. HarperCollins.
- Mateas, M., & Stern, A. (2005). Structuring Content in the Façade Interactive Drama Architecture. AIIDE.
- Liu, Q., & Epstein, Z. (2023). The Chilling Effect of AI Logging on Creative Expression. PACM HCI.
- Amabile, T. M. (1996). Creativity in Context. Westview Press.
