从词库到故事：LingualSpark AI 故事生成模块的设计思路与阶段进展

从词库到故事：LingualSpark AI 故事生成模块的设计思路与阶段进展

本文重点记录设计思路、创新点、阶段成果和后续计划。更细的接口、数据结构、文件路径和实现细节。

写在前面

LingualSpark 是一个面向不同年龄段用户的智能外语学习平台。相比传统“背单词 + 查释义”的学习方式，我们希望让词汇真正进入语境，让不同年龄段的学习者可以在故事中理解单词、复习表达、完成阅读理解。

因此，AI 故事生成模块的目标不是简单地“让大模型写一篇故事”，而是把用户画像、年龄段分级、词库数据、故事结构和学习反馈连接起来，形成一个更接近语言学习产品的生成式阅读体验。

这个模块目前已经支持：

• 按年龄段生成不同难度的故事
• 根据用户兴趣生成个性化内容
• 自动融入词库中的学习词汇
• 支持中文、英文和中英文混合主题
• 使用虚构主角，避免把用户名写进故事
• 流式输出故事正文和生成过程

为什么要做故事生成

在语言学习里，单词如果只停留在“英汉对照”，很容易学得快、忘得也快。真正能帮助记忆的是语境。

例如学习apple，如果只看到：

apple: 苹果

学习效果是有限的。但如果它出现在一个故事里：

Milo saw a red apple fall from the tree.

学习者就能同时感知单词、动作、场景和因果关系。

故事生成模块的核心价值就在这里：

• 把孤立词汇放进上下文
• 把年龄段差异体现在语言难度里
• 把用户兴趣转化成阅读动机
• 把 AI 生成结果转化成可学习内容

生成效果的展示：

一开始遇到的问题

最初版本能生成故事，但很快暴露出几个问题。

第一个问题是生成结果重复。多次点击生成，故事结构几乎不变。这说明系统没有真正把随机性、主题变化和词库变化用起来，部分情况下还会走本地兜底模板。

第二个问题是主角用了用户名字。比如登录用户是admin，故事里就出现Admin walked...。这不仅不自然，也不适合真实产品。用户账号不应该直接进入故事正文。

第三个问题是中文主题处理不鲁棒。用户输入“牛顿的故事”时，早期标题可能变成：

A Small Brave Step Toward 牛顿的故事

这样的标题既不像英文故事，也暴露出系统只是简单拼接字符串，而不是理解主题语义。

第四个问题是生成过程不透明。用户点击“生成故事”后，只能看到按钮停在“生成中”，不知道系统是在选词、写大纲、调用模型，还是已经卡住。

核心思路

这个模块没有把所有事情塞进一个 Prompt，而是拆成多个阶段。

可以把它理解成一条故事生产流水线：

用户输入主题 ↓ 分析年龄段和兴趣 ↓ 选择适合的词汇 ↓ 规划故事大纲 ↓ 生成故事正文 ↓ 生成学习摘要和问题 ↓ 整理最终学习卡片

这样设计的好处是，每个阶段职责清楚，也方便后续扩展。例如以后要加入内容安全检查、语法难度评估、用户历史学习记录，都可以作为新的节点加入。

项目中使用 LangGraph 来表达这条流程。LangGraph 的价值在于，它可以把“生成故事”从一次函数调用变成一个有状态的多阶段过程。每个节点读写同一个故事状态，最终产出完整结果。

个性化实现

• UI展示：

当前个性化主要来自四个方面。

第一是年龄段。

系统根据用户的年龄段，将阅读难度分成幼儿启蒙、小学、初高中、大学/大学以上。不同年龄段对应不同的阅读等级、写作风格和词库范围。

例如幼儿启蒙阶段更适合：

• 短句
• 简单动作
• 重复词汇
• 温暖、具体、低抽象度的故事

大学/大学以上阶段则可以使用：

• 更自然的英文
• 更复杂的情绪表达
• 更高阶的词汇
• 更接近真实生活或职场语境的内容

第二是兴趣偏好。

用户可以输入“喜欢太空、音乐、温暖治愈的故事”这样的偏好。系统不会把它当作硬标签，而是作为故事风格的参考，让模型在情节和表达上更贴近用户兴趣。

第三是词库难度。

项目中已经有英语词库和释义数据。故事生成模块会根据年龄段选择对应难度的词，并尝试把这些词自然融入故事。

第四是用户指定词。

如果用户特别想练习某几个词，例如：

apple, brave, journey

这些词会优先进入故事上下文。

实现亮点一：词库驱动的故事生成

很多故事生成只是“输入主题，输出故事”。LingualSpark 的不同点是，它不是完全依赖模型自由发挥，而是把已有词库作为生成约束。

这样做有三个好处。

第一，故事和学习目标绑定。故事不只是娱乐文本，而是为了帮助学习者学习复习词汇。

第二，词汇难度可控。不同年龄段不会随机拿到过难或过简单的词。

第三，后续可以接入学习记录。比如用户已经学过哪些词、哪些词经常错、哪些词需要复习，都可以反向驱动故事生成。

也就是说，故事生成模块未来可以成为一个“语境化复习引擎”。

实现亮点二：可解释的流式生成

• UI展示
  

如果用户点击按钮，只看到“生成中”，不知道系统在干什么。

因此模块加入了流式输出。

前端会陆续显示：

• 正在分析用户年龄段和兴趣
• 正在选择学习词汇
• 正在生成故事大纲
• 正在写作正文
• 正在整理学习摘要

正文也会一段段出现，而不是等全部生成完才显示。

强调：我们展示的是“可解释生成过程”，不是模型内部隐藏思维链。

换句话说，页面展示的是系统阶段和过程摘要，例如“为什么选择这些词”“故事大纲是什么”。这样能让用户理解 AI 在做什么。

技术路线概览

整个模块可以分成四层。

第一层是前端交互层。

用户在故事页面输入主题、兴趣偏好、故事类型、目标词数和指定单词。点击生成后，页面通过流式请求读取后端事件，并实时更新故事正文和生成过程。

第二层是接口层。

后端提供普通生成接口和流式生成接口。普通接口适合测试和一次性返回；流式接口适合真实用户体验。

第三层是编排层。

LangGraph 将故事生成拆分成多个节点，包括画像分析、词汇策展、大纲规划、故事写作、学习讲解和结果整理。

第四层是模型与数据层。

LangChain 负责调用兼容 OpenAI 协议的大模型服务，数据库词库提供可控学习词汇，用户表提供年龄段信息。

当前项目进度

目前已经完成的功能包括：

• 故事生成页面
• 普通故事生成接口
• 流式故事生成接口
• 年龄段分级策略
• 词库随机抽取
• 用户指定词优先融入
• LangChain 模型调用
• LangGraph 多阶段编排
• 生成过程展示
• 中文、英文、中英文混合主题支持
• 虚构主角生成
• 模型调用超时控制
• AI 失败后的本地兜底

现在已经可以完成一次较完整的生成过程：

输入主题 → 选择词汇 → 生成大纲 → 流式输出故事 → 展示学习摘要和问题

从工程结构上看，模块已经从“单接口调用大模型”升级为“可扩展的生成式学习流程”。

目前还存在的不足

第一，本地兜底故事质量仍然有限。

兜底逻辑主要是为了保证功能可用，不能替代真实大模型生成。它适合开发、调试和异常降级，但不适合作为最终故事质量标准。

第二，学习记录还没有真正参与生成。

当前模块主要使用年龄段和词库难度。未来如果能结合用户已学词、错词、复习周期，故事会更有学习价值。

第三，安全审阅还比较轻量。

目前更多依赖 Prompt 中的适龄要求和最终结构整理。后续可以增加更独立的内容审核节点。

第四，阅读等级还没有自动评估。

现在的阅读等级来自年龄段映射。未来可以对生成文本做词汇难度、句长、语法复杂度分析，给出更准确的分级结果。

第五，流式生成还可以增加取消功能。当前页面可以等待流式输出，但用户主动取消一次生成的体验还可以继续优化。

下一步计划

第一个方向是学习闭环。

让故事生成不仅服务阅读，还服务复习。比如系统自动挑选用户薄弱词，把它们融入故事，再通过理解问题检查掌握情况。

第二个方向是多模态体验。

故事生成后可以继续生成朗读音频、插图提示词、跟读练习和口语问答，让故事变成一套完整的学习材料。

第三个方向是故事生成保存。

每次生成的故事可以保存到用户故事库，支持收藏、重读、复习、改写和续写。这样 AI 生成就不只是一次性输出，而是成为用户学习轨迹的一部分。

体会

做这个模块最大的感受是：AI 功能真正落进项目时，难点往往不在“调通模型”，而在“把模型放进产品流程里”。

一个可用的 AI 故事生成模块，至少需要考虑：

• 用户是谁
• 适合什么难度
• 要练哪些词
• 输入主题是否规范
• 输出是否适龄
• 等待过程是否可见
• 失败时能不能降级
• 结果能不能继续用于学习

LingualSpark 的故事生成模块目前还要继续优化，但它已经搭起了一个不错的基础：添加词库约束，利用年龄段控制难度，实现多阶段编排。